I.14Автоматизация процессов и AI-агенты

GIT-large-R-TextCaps — модель Microsoft семейства GenerativeImage2Text (GIT), дообученная для создания подписей к изображениям на наборе TextCaps. Это декодер Transformer, который получает визуальные токены изображения от CLIP и текстовые токены и генерирует текст по одному токену. Вариант R переобучен с удалением некоторых оскорбительных подписей из CC12M; модель содержит 80,1 млн параметров и использует архитектуру GitForCausalLM. Модель предназначена прежде всего для автоматического описания изображений, в том числе изображений с текстом, как в TextCaps. Архитектура GIT также применима к визуальным вопросам и ответам и классификации изображений через генерацию текста, однако карточка рекомендует использовать этот исходный чекпойнт для captioning. В метаданных указан английский язык; контекст составляет 1024 токена. Модель принимает изображения и выдает текстовые подписи. Она может ошибаться в описании деталей или текста на изображении; оценочные результаты в карточке не приведены. Распространяется по лицензии MIT.

Wikidepia/indobert-lite-squad — модель семейства ALBERT на базе IndoBERT-Lite, разработанной Indo Benchmark и дообученной на переведённом наборе Translated SQuAD 2.0 для ответов на вопросы. Она извлекает ответ из предоставленного текста-контекста и предназначена для сценариев, где ответ можно найти в документе или фрагменте текста. Модель решает задачу question-answering, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. Карточка указывает поддержку индонезийского языка. Веса представлены в формате PyTorch. В README приведён пример извлечения короткого ответа с оценкой уверенности. Качество ответов зависит от релевантности и полноты контекста; модель не предназначена для свободных ответов без опорного текста. Лицензия в доступных данных не указана.

LittleInstructionMaker-4B-v0.1 — англоязычная языковая модель, созданная trollek на базе h2oai/h2o-danube3-4b-base. Модель дообучена и объединена с другими обученными вариантами: в описании указаны Model Stock и LoRA+ с обучением на промптах. Она содержит 3,8 млрд параметров, использует плотную архитектуру семейства Llama и поддерживает контекст до 8192 токенов. Модель предназначена для генерации пользовательских инструкций и промптов по системному сообщению, задающему роль или тематику. Полученные инструкции можно отбирать другой моделью и использовать для подготовки нишевых наборов данных для последующего обучения. Для работы требуется системное сообщение; модель также может завершать EOS-токеном заготовку пользовательского промпта. Доступна по лицензии Apache-2.0.

philschmid/llama-2-7b-instruction-generator — дообученная модель семейства Llama 2 для генерации инструкций по входному тексту. Она предназначена для создания синтетических обучающих примеров из неразмеченных данных, например писем, чтобы адаптировать языковые модели к персональным данным. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров; принимает текст и генерирует текст. Контекст составляет 4096 токенов, основной язык карточки — английский. Модель дообучена в формате Alpaca на модифицированной версии Dolly и опубликована в формате PyTorch для Transformers. В README приведён пример работы, но не сообщаются результаты систематической оценки качества. Лицензия указана как OpenRAIL.

Модель takehika/mdeberta-v3-wanli-ja-nli разработана как дообученная версия microsoft/mdeberta-v3-base для японского вывода по тексту и классификации без заранее заданного набора классов. Она основана на архитектуре DeBERTa V2, содержит 306 млн параметров и работает через библиотеку Transformers; веса представлены в формате Safetensors. Модель сопоставляет посылку и гипотезу, чтобы оценить их логическое отношение, и может применяться для классификации текста по описаниям категорий на японском языке. Обучение проведено на 73 942 примерах японского набора wanli-ja-nli в течение двух эпох. В README приведены точность 0,7506 и F1 0,7497 на проверочной выборке. Контекст ограничен 512 токенами, а более длинные пары обрезаются. Смена домена и состязательные примеры могут снижать качество. Лицензия — CC BY 4.0.

onnx-community/ModernBERT-base-nli-ONNX — ONNX-версия модели tasksource/ModernBERT-base-nli, автоматически сконвертированная и опубликованная сообществом onnx-community. Модель предназначена для классификации текста, в частности для задач обработки естественного языка, где требуется отнести входной текст к одной из заданных категорий. Модель основана на архитектуре ModernBERT; точный размер, максимальная длина контекста, поддерживаемые языки и набор меток в README не указаны. Формат ONNX позволяет использовать её через JavaScript-библиотеку Transformers.js, в том числе в сценариях, где требуется запуск текстового классификатора. README не содержит сведений о сильных сторонах, ограничениях или лицензии модели, поэтому эти характеристики нельзя достоверно оценить по представленным данным.

MultiTabQA — модель для ответов на вопросы по нескольким таблицам, предложенная Vaishali Pal, Andrew Yates, Evangelos Kanoulas и Maarten de Rijke. Это модель на основе архитектуры TAPEX и BART с 95,2 млн параметров: двунаправленный энкодер обрабатывает вход, а авторегрессионный декодер генерирует ответ в виде таблицы. Модель дообучена на датасете Spider для ответов на вопросы на естественном языке по нескольким таблицам и поддерживает операции UNION, INTERSECT, EXCEPT и JOIN. Модель предназначена для запросов к связанным таблицам, когда ответ требует объединения или сопоставления данных из нескольких источников. Заявленный родной размер контекста — 1024 токена; модель поддерживает английский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT. README указывает на работу с несколькими входными таблицами, однако не приводит подробностей о схеме их представления, оценках качества или ограничениях на размер таблиц и число операций. Модель рассчитана на табличные вопросы по сценарию датасета Spider; качество на иных данных карточка не характеризует.

OpenMed-PII-French-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных во французском тексте. Это дообученная на token classification компактная модель семейства DeBERTa V3 Small с архитектурой DeBERTa V2; по метаданным она содержит 155 млн параметров и обрабатывает до 512 токенов контекста за раз. Модель размечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные и финансовые данные, а также сведения из медицинских документов. Её можно использовать для поиска PII в клинических записях, деидентификации документов и подготовки наборов данных к исследованиям. В README приведён результат Micro F1 0,9628 на французской части AI4Privacy; это оценка на указанном наборе, а не гарантия качества на других данных. Модель предназначена для автоматической помощи в выявлении чувствительных данных, но результат следует проверять человеком: возможны пропуски, а качество может зависеть от терминологии и предметной области. Она оптимизирована для французского и может хуже работать на других языках. Лицензия — Apache-2.0.

OpenMed-PII-German-ClinicalBGE-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в немецком тексте. Это дообученная на базе BAAI/bge-large-en-v1.5 модель BERT с головой токеновой классификации; метаданные указывают 433,9 млн параметров, контекст до 512 токенов и формат safetensors. Модель предназначена для разметки 54 типов чувствительных данных, включая имена, адреса, идентификаторы, медицинские сведения и контактную информацию. Её можно применять для поиска персональных данных в клинических записях и документах, подготовки датасетов к исследованиям, а также для поддержки обезличивания и проверок соответствия требованиям приватности. В оценке на немецкой части AI4Privacy модель показала Micro F1 0,9652. Распространяется по лицензии Apache-2.0. Модель рассчитана на немецкий язык; README предупреждает, что качество на других языках может быть низким, а отдельные данные могут остаться необнаруженными. Результаты следует проверять человеком, особенно в критичных сценариях; качество также может меняться в зависимости от терминологии предметной области.

OpenMed-PII-German-ClinicDischarge-Base-110M-v1 — модель OpenMed для выявления и классификации персональных данных в немецком тексте. Это модель токеновой классификации на базе BERT, дообученная на Bio_Discharge_Summary_BERT; она содержит 135,5 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель распознаёт 54 типа чувствительных сущностей, включая имена, адреса, контактные данные, идентификаторы, финансовые и медицинские сведения. Она предназначена для обезличивания клинических записей и других документов, подготовки наборов данных к исследованиям и поиска персональных данных при проверке документов. В README сообщается о micro F1 0,9308 на немецкой части набора AI4Privacy. Модель оптимизирована для немецкого языка. README предупреждает, что она может пропускать некоторые данные, а качество зависит от предметной области; для важных сценариев требуется проверка человеком. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalE5-Large-335M-v1 — модель OpenMed для обнаружения и классификации персональных данных в итальянском тексте. Это дообученный для разметки токенов трансформер семейства BERT на основе intfloat/e5-large-v2: метаданные указывают 433,9 млн параметров и контекст до 512 токенов. Модель помечает 54 типа сущностей, включая имена, адреса, идентификаторы, контактные, финансовые и медицинские данные. Модель предназначена для поиска чувствительных данных в клинических записях, медицинской документации и других италоязычных текстах, чтобы поддерживать обезличивание, подготовку исследовательских наборов и аудит документов. В README указана оценка micro F1 0,9569 на итальянской части AI4Privacy; результат относится к описанной оценке и не гарантирует такую же точность на других данных. По заявлению авторов, модель готова к практическому использованию, но её следует применять как вспомогательный инструмент с проверкой результатов человеком: возможны пропуски, а качество зависит от предметной области. Лицензия — Apache-2.0.

OpenMed-PII-Italian-ClinicalLongformer-Base-149M-v1 — модель OpenMed для обнаружения и классификации персональных и иных чувствительных данных в итальянском тексте. Это дообученная для токенной классификации LongformerForTokenClassification на базе yikuan8/Clinical-Longformer; в метаданных указаны 151,8 млн параметров и контекст до 4098 токенов. Модель принимает текст и размечает сущности, включая имена, адреса, идентификаторы, медицинские записи, финансовые и контактные сведения. Она предназначена для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при проверках приватности. В README сообщается об оценке на итальянской части AI4Privacy: micro-F1 0,9514. Модель оптимизирована для итальянского; качество на других языках может быть ниже. README рекомендует использовать её как вспомогательный инструмент и проверять результаты человеком, поскольку возможны пропуски и качество зависит от терминологии. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-BioClinicalBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных данных в испанском тексте. Это дообученная для разметки токенов BERT-модель на базе emilyalsentzer/Bio_ClinicalBERT: она выделяет 54 типа чувствительных сущностей, включая идентификаторы, имена, адреса, контактные, финансовые и медицинские сведения. Модель рассчитана на деидентификацию клинических записей и документов, подготовку наборов данных к исследованиям и поиск персональных данных в коллекциях документов. Модель использует архитектуру BERT, содержит 135,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Она оптимизирована для испанского языка и обучалась на испанской части AI4Privacy PII Masking 400k; на указанной в карточке оценке micro F1 составляет 0,8411. Для наилучших результатов README рекомендует предварительно удалять диакритические знаки, при этом смещения сущностей можно сопоставить с исходным текстом. Модель предназначена как вспомогательный инструмент: возможны пропуски персональных данных, а качество зависит от предметной области. Она может хуже работать на других языках, поэтому критичные результаты следует проверять вручную. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-af-fi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с африкаанс на финский и основана на архитектуре Marian Transformer с выравниванием. Для предварительной обработки применяются нормализация текста и SentencePiece; размер модели — 56,2 млн параметров, максимальный контекст — 512 токенов. В README приведён результат BLEU 32,3 и chr-F 0,576 на тестовом наборе JW300.af.fi. Модель доступна в форматах PyTorch и TensorFlow под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-az-tr — модель машинного перевода семейства Marian, опубликованная Helsinki-NLP на основе проекта OPUS-MT. Она переводит текст с азербайджанского языка на турецкий; обучение использует архитектуру Transformer с выравниванием, нормализацию и SentencePiece с словарями по 4 тысячи токенов. Модель содержит 28,7 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для прямого перевода азербайджанских текстов на турецкий, в том числе для работы с короткими сообщениями и корпусами. В карточке приведён результат BLEU 24,4 на тестовом наборе Tatoeba для пары az-tr. Модель не заявлена как двунаправленная или многоязычная, поэтому обратный перевод и другие языковые пары не входят в её назначение. Лицензия — Apache-2.0.

opus-mt-ha-en — модель машинного перевода из семейства Marian, подготовленная проектом OPUS-MT для перевода с хауса на английский. Это Transformer-модель с выравниванием, обученная на данных OPUS; перед переводом текст нормализуется и разбивается на части с помощью SentencePiece. Модель принимает текст на хауса и выдаёт перевод на английском. В метаданных указаны 54,9 млн параметров и контекст длиной до 512 токенов. В README приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 35,0 и 39,0 соответственно. Модель распространяется по лицензии Apache-2.0.

org-geo-ner — модель распознавания именованных сущностей, разработанная MDPI AG для разбора строк аффилиаций авторов. Она дообучена на SIRIS-Lab/affilgood-affilxlm, модели на архитектуре XLM-RoBERTa, предварительно обученной на строках аффилиаций из OpenAlex. Модель содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель извлекает из адресов организаций и их подразделения, города и страны, используя разметку BIO. Она предназначена для обработки аффилиаций в научных рукописях и метаданных и может выступать первым этапом сопоставления адресов с идентификаторами Research Organization Registry (ROR). Работает с многоязычными строками, но лучше соответствует латинскому письму и англоязычным форматам аффилиаций; для произвольных текстов общего назначения не предназначена. Модель распространяется по лицензии Apache 2.0 и доступна для использования через pipeline token-classification в библиотеке Transformers.

Qwen3Guard-Stream-0.6B — модель модерации безопасности от команды Qwen, дообученная на базе Qwen/Qwen3-0.6B. Она предназначена для проверки текста в реальном времени по мере его генерации: токен-классификационная голова оценивает поток и относит содержание к безопасному, спорному или небезопасному. Модель поддерживает 119 языков и диалектов и охватывает категории риска, включая насилие, незаконные действия, сексуальный контент, раскрытие персональных данных, самоповреждение, травлю, политически чувствительные темы, нарушение авторских прав и попытки обхода инструкций. Модель имеет плотную архитектуру Qwen3ForGuardModel, содержит около 507,9 млн параметров и рассчитана на контекст до 8192 токенов. Для работы с Transformers в README рекомендуется версия 4.55.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Она предназначена для потоковой классификации безопасности, а не для генерации ответов; конкретные показатели качества и известные слабые места в предоставленной карточке не описаны.

ReFoCUS-1.3B — разработанная исследователями KAIST и UIUC модель выбора кадров для анализа длинных видео. Она получает видео и вопрос, а затем отбирает кадры, которые могут служить наиболее полезным визуальным контекстом для ответа; выбранные кадры передаются отдельной Video-LLM для генерации ответа. Модель дообучена на базе interlive/video-ma2mba-1.3b и использует архитектуру Mamba-2. В описанном сценарии видео подаётся с частотой 4 кадра в секунду, до 512 кадров, а модель выбирает 32 кадра без повторений и упорядочивает их по времени. Обучение с подкреплением использует оценки замороженной Video-LLM и не требует разметки кадров. Лицензия — Apache-2.0. ReFoCUS предназначена для конвейеров вопросно-ответного анализа видео и сама не формирует итоговый текстовый ответ: для этого нужна downstream Video-LLM. Приведённые в карточке результаты относятся к указанным бенчмаркам и конфигурациям; качество зависит от модели, которой передаются выбранные кадры.

re-roberta-large — модель классификации отношений на основе архитектуры RoBERTa Large, разработанная проектом ACCORD-NLP для автоматизированной проверки соответствия требованиям в секторе архитектуры, инженерии и строительства. Она дообучена на наборе данных CODE-ACCORD Relations и предназначена для извлечения и классификации связей между сущностями в тексте нормативных документов. Модель принимает текст и выдаёт метки классов отношений. Она содержит 454,1 млн параметров, поддерживает английский язык и имеет контекст длиной до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Модель mdg-nlp дообучила FacebookAI/roberta-base для извлечения выражений событий (EVENTX) в предложениях. Это энкодер RoBERTa с головой классификации токенов: она размечает каждый токен тегом BIO и выделяет фрагменты, обозначающие действия, происшествия, процессы или состояния. Модель содержит 151,8 млн параметров, использует формат safetensors и рассчитана на контекст до 514 токенов. Модель предназначена для структурирования упоминаний событий в тексте и может служить этапом подготовки данных для построения временных линий, упорядочивания событий и извлечения отношений. В README приведены результаты micro-F1: 0,85 в базовом сценарии и 0,82 на состязательных примерах; в настройке T2C результат составляет 0,19. Модель обучена на датасете mdg-nlp/eventx-recognition-original. Указанная лицензия — Apache-2.0. Основное назначение модели — выделение текстовых границ выражений событий; она сама не классифицирует отношения между событиями или временные отношения. Качество может снижаться при смене предметной области, неоднозначных или неявных событиях и состязательных изменениях текста; разбиение на токены влияет на границы найденных фрагментов. Модель рассчитана на предложения, а для длинных или структурно отличающихся входов поведение может меняться.

SecureBERT2.0-NER — англоязычная модель Cisco AI для распознавания именованных сущностей в текстах по кибербезопасности. Это дообученная модель ModernBERT для токенной классификации с 149 млн параметров и контекстом до 8192 токенов; она размечает упоминания индикаторов компрометации, вредоносных программ, организаций, систем и уязвимостей. Модель предназначена для извлечения IOC и структурирования данных из отчетов об угрозах, разборов инцидентов, рекомендаций по безопасности и технических публикаций. Её можно применять для обогащения threat intelligence, анализа отчетов и сортировки упоминаний уязвимостей. В README заявлены F1 0,945, полнота 0,965 и точность 0,927 на специализированном тестовом корпусе; эти результаты относятся к описанной в карточке оценке и не гарантируют аналогичное качество на других данных. Модель не предназначена для общего распознавания сущностей, генерации текста или диалогов. Для обработки входных последовательностей при обучении использовались усечение и дополнение до 1024 токенов, поэтому фактическую длину следует соотносить с настройками карточки и используемого пайплайна. Лицензия — Apache-2.0.

SecureBERT-NER — модель распознавания именованных сущностей в текстах по кибербезопасности, разработанная CyberPeace Institute. Это дообученная версия SecureBERT на наборе данных APTNER, предназначенная для выделения и классификации сущностей в текстах этой области. Модель построена на архитектуре RoBERTa для классификации токенов, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Поддерживаемый язык — английский. Модель подходит для извлечения сущностей из материалов об угрозах и киберинцидентах, а также для подготовки структурированных данных для последующего анализа. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

STORM Qwen3 Keyword Generator — дообученная языковая модель семейства Qwen3, разработанная для расширения поисковых запросов. Она генерирует дополнительные термины, помогающие лексическому поиску BM25 находить документы при несовпадении слов запроса и текста документов. Метод STORM использует оценку качества поиска для отбора продолжений генерации; модель можно запускать с beam search или без него. Модель содержит 7,6 млрд параметров, построена на плотной архитектуре Qwen3 и принимает текст, выдавая текст. Контекст составляет до 40 960 токенов. В статье описаны результаты на TREC DL и BEIR и перенос без дополнительного обучения на 18 языков MIRACL; отдельный список поддерживаемых языков для данного чекпойнта не приведён. Модель предназначена для интеграции с существующим индексом BM25 и не требует перестройки индекса при смене модели. Лицензия в предоставленных данных не указана.

TAPEX large — модель Microsoft на архитектуре BART, разработанная для развития навыков рассуждения по таблицам с помощью предобучения на синтетических SQL-запросах. Чекпойнт содержит около 252,8 млн параметров и рассчитан на дообучение для последующих задач, включая ответы на вопросы по таблицам; сам по себе он не предназначен для выполнения SQL-запросов над таблицей. Модель принимает таблицу и текстовый вопрос и формирует ответ текстом. В метаданных указан английский язык и контекст до 1024 токенов. Для практического применения чекпойнт нужно дообучить на целевой задаче. Модель распространяется по лицензии MIT.

toxicity-scorer-qwen — дообученная модель классификации текста на базе Qwen/Qwen2.5-0.5B. Она предназначена для оценки токсичности текстовых фрагментов и может использоваться для первичной фильтрации пользовательских сообщений и комментариев. Модель семейства Qwen2 имеет плотную архитектуру Qwen2ForSequenceClassification, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты на тестовой выборке: F1 0,9371 и accuracy 0,9380; датасет и подробности оценки не описаны. Лицензия — Apache-2.0.

YanoljaNEXT-Rosetta-12B-2510-GGUF — это GGUF-версия 12-миллиардной decoder-only языковой модели на архитектуре Gemma 3, дообученной командой Yanolja NEXT на базе google/gemma-3-12b-pt. Из исходной архитектуры использован компонент Gemma3ForCausalLM, предназначенный для генерации текста. Модель ориентирована на многоязычный перевод структурированных данных, прежде всего JSON, с сохранением исходной структуры и ключей. Модель оптимизирована для арабского, болгарского, китайского, чешского, датского, нидерландского, английского, финского, французского, немецкого, греческого, гуджарати, иврита, хинди, венгерского, индонезийского, итальянского, японского, корейского, персидского, польского, португальского, румынского, русского, словацкого, испанского, шведского, тагальского, тайского, турецкого, украинского и вьетнамского языков. Она подходит для локализации каталогов товаров, перевода гостиничных отзывов и другой структурированной информации. Доступны полноточная BF16-версия и многочисленные варианты квантования K- и IQ-семейств для запуска через llama.cpp и совместимые приложения. Сильными сторонами являются специализация на переводе JSON, сохранение структуры данных, поддержка широкого набора языков и эффективность модели размера 12B. В тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 37,36. Ограничения включают преимущественную оптимизацию под JSON: качество на неструктурированном тексте и других форматах может отличаться; возможны некорректный JSON, повторы и неточные переводы. В метаданных указана лицензия Gemma; дополнительных условий лицензирования в представленном README нет.

nvidia/Aegis-AI-Content-Safety-LlamaGuard-Permissive-1.0 — модель для классификации контента по критериям безопасности, разработанная NVIDIA. Это параметроэффективно дообученная версия Llama Guard на базе Llama 2 7B, обученная на наборе данных NVIDIA Aegis Content Safety Dataset 1.0. Модель предназначена для модерации пользовательских запросов, отдельных фрагментов или полных диалогов и работает как классификатор, несмотря на языковую LLM-архитектуру. Основной язык — английский, библиотека — PEFT, задача в каталоге моделей обозначена как text classification, метрика — F1. Модель использует системную инструкцию с политикой безопасности и таксономией из 13 критически опасных категорий, а также категориями безопасного контента и контента, требующего осторожности. В ответ она определяет, является ли содержание безопасным или небезопасным, и при небезопасном результате может вывести идентификатор категории нарушения. Поддерживается передача собственной таксономии и политики в инструкции. Модель обучалась примерно на 11 000 диалоговых аннотаций, причём разметка выполнялась на уровне диалога, а не отдельных реплик. Основное ограничение состоит в том, что она обучена классифицировать пользовательские запросы; для классификации ответов необходимо использовать специальный шаблон. Использование регулируется Llama 2 Community License Agreement.

Модель vlsb/autotrain-security-texts-classification-distilroberta-688220764 — классификатор текстов для бинарной классификации, созданный с помощью AutoTrain. Она основана на архитектуре RoBERTa и содержит 95,2 млн параметров; принимает текст и возвращает результат классификации. Модель рассчитана на тексты длиной до 514 токенов. По названию репозитория и датасета модель предназначена для классификации текстов по тематике безопасности. В карточке приведены метрики валидации: accuracy 0,903, precision 0,953, recall 0,878, F1 0,914 и AUC 0,944. Эти показатели относятся к использованному набору данных и не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.

Это бинарный классификатор на базе SetFit для определения намерения конвертировать что-либо; автор также указывает, что модель подходит для другой бинарной классификации. Модель использует архитектуру BERT и рассчитана на входные текстовые примеры длиной до 512 токенов. В README приведён сценарий использования через библиотеку SetFit, а обучение описано с применением CosineSimilarityLoss. Модель может быть полезна для классификации коротких текстов и оценки их сходства, однако карточка не раскрывает языки обучения, набор данных и точные показатели качества. Размер модели — около 40 млн параметров; лицензия в предоставленных данных не указана.