I.14Автоматизация процессов и AI-агенты

Helsinki-NLP/opus-mt-de-is — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на исландский и основана на архитектуре Transformer-align, реализованной как MarianMTModel. Модель содержит 55,5 млн параметров, использует нормализацию и SentencePiece с моделями токенизации spm32k; максимальная длина контекста составляет 512 токенов. Модель подходит для перевода отдельных фраз и текстов с немецкого на исландский. В README приведён результат BLEU 27,1 на тесте Tatoeba-test.deu.isl. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-es-swc — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с испанского языка на суахили конго (swc) и предназначена для автоматического перевода предложений и документов. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; в метаданных указаны 56,1 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и TensorFlow. Для набора JW300.es.swc в карточке приведены результаты BLEU 26,0 и chr-F 0,490. Модель распространяется по лицензии Apache-2.0. Показатели относятся к указанному тестовому набору; качество на других текстах может отличаться.

Helsinki-NLP/opus-mt-he-ar — модель машинного перевода из серии OPUS-MT, опубликованной Helsinki-NLP. Она переводит текст с иврита на арабский и его варианты; в README указаны арабский, левантийский арабский, алжирский арабский и египетский арабский. Модель построена на архитектуре Transformer и реализована как MarianMTModel; содержит 57,6 млн параметров, принимает целевой языковой токен вида `>>id<<` и использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Нативный контекст — 512 токенов. Модель предназначена для перевода фраз и предложений, в том числе в приложениях и рабочих процессах, где нужен перевод с иврита на арабский. В приведённом в карточке тесте Tatoeba для пары иврит—арабский указаны BLEU 23,6 и chr-F 0,532; результаты на других текстах могут отличаться. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

piedomains-image — модель классификации скриншотов главных страниц сайтов по 39 категориям. Она разработана как визуальная часть проекта piedomains и предназначена для случаев, когда доступно изображение страницы, но её текст нельзя извлечь. Модель принимает скриншот, масштабирует его до 224 × 224 пикселей без сохранения пропорций и выдаёт класс сайта. Это дообученная для классификации изображений модель Google SigLIP 2 Base Patch16-224. Она анализирует компоновку, цвета и изображения, а не текст страницы. На тестовых данных точность составила 0,501, macro-F1 — 0,370; результат ниже, чем у парной текстовой модели, поэтому скриншотную классификацию стоит использовать, когда текст недоступен. Модель не охватывает пять категорий, отсутствовавших в наборе скриншотов: parked, unavailable, library, military и homestyle. Лицензия — MIT.

Question Answering NLU (QANLU) — модель AmazonScience, дообученная на наборе ATIS для понимания запросов о авиаперелётах. Она представляет NLU-задачи как ответы на вопросы на естественном языке: по тексту высказывания можно задавать вопросы об намерении пользователя и значениях слотов, например о типе поездки, времени вылета или цене. Такой подход предназначен для извлечения намерений и сущностей в сценариях с небольшим количеством примеров; контекст может включать префикс «Yes. No.» для ответов на вопросы об намерениях. Модель использует архитектуру RoBERTa для question answering, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Принимает текст на английском языке и выдаёт текстовые ответы. Она обучена на английских примерах ATIS и предназначена для демонстрации подхода; для других предметных областей и задач README рекомендует дообучение на подходящих данных. Лицензия — CC BY 4.0.

issozi/qwen-0.5b-agentic-web — дообученная Issozi языковая модель семейства Qwen2 для генерации текста в диалоговом формате. Она основана на unsloth/qwen2.5-0.5b-instruct-unsloth-bnb-4bit и имеет около 494 млн параметров. Модель принимает текст и предназначена для диалоговых сценариев и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Длина контекста составляет 32 768 токенов. Модель разработана Issozi с использованием Unsloth и библиотеки TRL. Поддерживаемый язык, указанный в карточке и тегах, — английский. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Доступная карточка не описывает специализацию обучения или результаты оценки качества, поэтому пригодность для конкретных веб-задач и надёжность вызова инструментов не подтверждены.

DS4AI-UPB/span-detector-ro — модель Dragoș Mitruț Vasile, Elena-Simona Apostol, Stefan-Adrian Toma, Adrian Paschke и Ciprian-Octavian Truică для обнаружения двух аргументов отношений в предложениях на румынском языке. Она основана на XLM-RoBERTa large и выполняет классификацию токенов по пяти меткам BIO: O, B-E1, I-E1, B-E2 и I-E2. Размер модели по метаданным — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для первого этапа сквозного извлечения отношений: она выделяет сущности e1 и e2 в обычном румынском предложении, после чего найденные фрагменты можно передать классификатору отношений DS4AI-UPB/xlmr-large-ro-re. Обучение проводилось на разметке сущностей SemEval-2010 Task 8, поскольку готовые модели распознавания именованных сущностей плохо подходят для этих номинальных сущностей. На отложенной валидационной выборке указаны F1 0,869, точность 0,85 и полнота 0,89. Модель работает с текстом и предназначена для румынского языка. По README, лицензия — MIT.

liaad/srl-en_xlmr-large — модель семантической разметки ролей, созданная командой проекта liaad на базе xlm-roberta-large и дообученная на англоязычных данных OntoNotes v5.0 в формате CoNLL. Она предназначена для анализа предложений: связывает предикаты с их аргументами и определяет семантические роли участников события. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текстовые последовательности с контекстом до 514 токенов. В карточке также отмечена поддержка португальского и английского языков; данный вариант обучен для английской разметки. Распространяется в формате PyTorch по лицензии Apache-2.0. К ограничениям относятся обучение всего на пяти эпохах и предварительная обработка английских данных для согласования с португальскими, из-за которой часть ролей была удалена, а назначения ролей могут отличаться от исходных данных. TensorFlow-версия не предоставляется из-за изменения параметра type_vocab_size.

google/tapas-tiny-finetuned-sqa — компактная модель Google на архитектуре TAPAS, дообученная на наборе Sequential Question Answering (SQA) для ответов на вопросы по таблицам. Она принимает вопрос и таблицу, представленные вместе в текстовом виде, и выбирает релевантные ячейки; модель рассчитана на последовательный диалоговый сценарий с вопросами к таблице. Модель основана на BERT-подобном двунаправленном трансформере TAPAS с 4,4 млн параметров. До дообучения она прошла masked language modeling и промежуточное обучение на синтетических примерах для рассуждений о табличных данных. В версии по умолчанию сбрасывается индекс позиции для каждой ячейки таблицы; доступен также вариант no_reset с абсолютными позиционными эмбеддингами. Максимальная длина входа — 512 токенов; поддерживается английский язык. Модель опубликована по лицензии Apache-2.0. TAPAS позволяет задавать вопросы о содержимом таблиц и выбирать ячейки в ответ. Ограничения включают привязку к табличным данным и английскому языку, а также предел длины входа в 512 токенов; качество для конкретной таблицы и вопроса может различаться.

TAPEX base fine-tuned на наборе TabFact — модель Microsoft для проверки утверждений по табличным данным. Она использует архитектуру BART и была предварительно обучена для рассуждений по таблицам через выполнение синтезированных SQL-запросов, а затем дообучена для классификации утверждений относительно таблицы. Модель содержит 95,2 млн параметров, принимает текстовое представление утверждения и таблицы и рассчитана на контекст до 1024 токенов. Модель предназначена для проверки фактов в таблицах: она определяет, подтверждается ли утверждение содержимым таблицы. В метаданных указан английский язык и датасет TabFact. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Возможности вне проверки табличных утверждений не заявлены.

Tev1-4B-experimental — экспериментальная модель принятия решений от Together AI, созданная supervised fine-tuning модели Qwen3.5-4B. Это плотная 4-миллиардная модель с авторегрессионной языковой головой; она предназначена для выбора одного варианта из структурированного состояния, вопроса и списка из 2–24 вариантов. В ответе модель должна вернуть только букву выбранного варианта, которую приложение сопоставляет с соответствующим значением. Модель подходит для задач выбора по заданным правилам и переноса политики между структурированными сценариями. В тестах разработчиков она дала 88% на основном наборе и 100% на синтетическом наборе переноса политики; эти результаты не являются независимым бенчмарком и сравнения с исходной Qwen без дообучения нет. Лицензия в предоставленных данных не указана.

VITA-1.5 — мультимодальная модель семейства VITA-Qwen2, представленная авторами исследования «VITA-1.5: Towards GPT-4o Level Real-Time Vision and Speech Interaction». Репозиторий содержит веса модели в формате safetensors; размер модели — 7,1 млрд параметров, длина контекста — 32 768 токенов. Модель предназначена для диалогового взаимодействия с визуальными и речевыми данными в реальном времени. Она может принимать видео и текст и формировать текстовые ответы; карточка также указывает на чат и интерфейс вызова инструментов. README не приводит подробных сведений о поддерживаемых языках, качестве на отдельных задачах или условиях лицензирования, поэтому эти характеристики нельзя уточнить.

Amnis Light cleanup — English v1 — это компактная модель Amnis для приведения английских диктовок в читаемый вид. Она принимает текстовую расшифровку, созданную распознавателем речи, и возвращает очищенный текст: убирает типичные слова-паразиты, добавляет пунктуацию и заглавные буквы, сглаживает устные формулировки, стараясь сохранить смысл. Модель основана на Qwen3-0.6B и дообучена методом полного параметрического supervised fine-tuning на 2 700 парах; репозиторий содержит квантованные GGUF-веса для запуска через совместимый llama.cpp runtime. Модель предназначена для постобработки английских диктовок после ASR, в том числе в локальных сценариях на устройстве. Она принимает только текст, не аудио; это не переводчик, не инструмент для написания писем и не универсальный чат-бот. В README приведены замеры на одном компьютере Apple M4 Pro и небольшие внутренние оценки, которые не являются стандартизированным бенчмарком или гарантией точности. Модель может пропускать детали или менять смысл, например терять обязательства говорящего либо сохранять исправленную формулировку вместе с первоначальной. Рекомендуется сохранять исходную расшифровку и проверять важные факты, имена, отрицания и просьбы; длинный ввод нужно направлять в альтернативную систему, если он не помещается в контекст. Лицензия указана в метаданных как other, конкретные условия в предоставленных данных не раскрыты.

ifmain разработал модель на основе Salesforce/blip-image-captioning-base и дообучил её на данных Ar4ikov/civitai-sd-337k. Модель принимает изображение и создаёт текстовое описание в форме промпта для Stable Diffusion. Модель подходит для подготовки промптов по изображениям, в том числе для SFW- и NSFW-сценариев. В метаданных указаны архитектура BLIP и класс BlipForConditionalGeneration; поддерживаемый язык — английский. Сведения о лицензии, размере и длине контекста в доступных данных отсутствуют.

financial_bert — дообученная WhatAboutYou AI модель на архитектуре BERT для распознавания именованных сущностей в финансовых текстах. Она принимает текст и присваивает метки отдельным токенам, выделяя, в частности, годовую выручку, приобретённую, покупающую и продающую компании, а также консалтинговые и юридические фирмы — консультанты по сделке. Модель основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на датасете BUSTER и предназначена для извлечения сущностей из материалов о сделках слияния и поглощения. В README для оценочной выборки приведены F1 0,8245, точность 0,7977 и полнота 0,8532. Доступна в формате safetensors для Transformers; лицензия — Apache-2.0. Английский язык указан в метаданных.

LegalBench-RAG Ettin 150M Reranker — англоязычный кросс-энкодер на архитектуре ModernBERT с 149 млн параметров, разработанный авторами этой модели дообучением cross-encoder/ettin-reranker-150m-v1 на полном наборе LegalBench-RAG. Он предназначен для повторного ранжирования фрагментов договоров и политик конфиденциальности: после первичного поиска, например BM25 или эмбеддингами, модель совместно обрабатывает запрос и фрагмент и выдаёт оценку релевантности пары. Репозиторий использует библиотеку sentence-transformers и формат safetensors; максимальный контекст — 7 999 токенов. В оценке на 710 отложенных вопросах модель улучшила NDCG@10 с 0,3853 у базовой модели до 0,7424, однако эти результаты относятся к конкретному бенчмарку и его четырём областям юридических документов. Модель не ищет документы самостоятельно, не отвечает на юридические вопросы и не заменяет проверку юристом. Она поддерживает только английский язык; оценка релевантности не является калиброванной уверенностью, а релевантные фрагменты, пропущенные первичным поиском, восстановить не может. Лицензия — Apache-2.0.

Mage-VL — мультимодальная модель Microsoft для понимания изображений и видео, включая потоковое восприятие в реальном времени. Она объединяет визуальный кодировщик Mage-ViT, обученный с нуля, и языковую модель Qwen3-4B-Instruct-2507 с двухслойным MLP-проектором; заявленный размер визуальной системы — 4 млрд параметров. Кодировщик использует структуру видеокодеков: сохраняет патчи опорных кадров и выбирает значимые патчи предсказанных кадров, сокращая число визуальных токенов более чем на 75%. Модель поддерживает изображения, видео разной длительности и потоковую обработку; для видеопотока предусмотрен механизм, который вызывает полную модель при появлении значимого события. Модель предназначена для вопросов по изображениям и видео, временной локализации событий, пространственного анализа и потоковых комментариев. В README заявлены ускорение вывода до 3,5 раза относительно равномерной выборки кадров и конкурентные результаты на задачах понимания видео и пространственного анализа. Для запуска приведён пример через Transformers. Лицензия — Apache-2.0.

MEDUSA-Llama-3.1-8B-Instruct — черновая модель семейства Medusa от Nebius для ускорения генерации текста базовой моделью Llama 3.1 8B Instruct с помощью speculative decoding. Она предсказывает до шести кандидатов-токенов, которые основная модель проверяет при стандартном rejection sampling; для интеграции в карточке приведена конфигурация vLLM. Модель обучена с нуля с использованием LK loss, нацеленного непосредственно на повышение доли принятых черновых токенов. В приведённых измерениях средняя длина принятой последовательности составляет 2,21 токена при температуре 0 и 2,00 при температуре 1; оценки получены на MT-bench, HumanEval и GSM8K. Модель распространяется в формате Safetensors по лицензии CC BY 4.0. Это вспомогательная модель ускорения вывода, предназначенная для использования вместе с указанной базовой моделью, а не самостоятельная замена ей.

Это черновая голова EAGLE-3 для ускорения авторегрессионной генерации с помощью спекулятивного декодирования на базовой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B. Её разработала команда Thoughtworks; голова содержит один трансформерный слой и около 433,7 млн параметров, распространяется в формате Safetensors и требует отдельно получить совместимый базовый чекпойнт nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16. Базовая модель использует гибридную архитектуру Mamba-2, attention и mixture-of-experts, имеет контекст 262 144 токена. Модель предназначена для использования в качестве черновой головы EAGLE-3 в vLLM или адаптированной сборке SGLang. Она предлагает спекулятивное декодирование для задач математики, программирования и общего чата, но результаты зависят от оборудования, движка и конфигурации. На H200 с vLLM при размере пакета 1 пропускная способность соответствовала нативному MTP на математике, была на 1% выше на коде и на 11% ниже на общем чате; эквивалентность точности показана только для GSM8K. Лицензия указана как other; условия использования следует уточнять на странице модели.

OmniAgent-RL-7B — агентная мультимодальная модель для понимания видео, разработанная авторами OmniAgent. Она построена на архитектуре Qwen2.5-Omni-7B и дообучена в два этапа: Agentic SFT, затем Agentic RL с TAURA. Модель использует цикл «наблюдение — мысль — действие»: по мере необходимости запрашивает кадры, аудио или видеоклипы, формирует текстовую память и отвечает на вопрос, когда собрала достаточно данных. Модель предназначена для видеоаналитики, включая вопросы о содержании и временной последовательности событий, а также анализ аудиовизуальных роликов. В README сообщается о результатах на десяти бенчмарках и сокращении числа используемых кадров; фактическое качество зависит от задачи и среды запуска. Для активного восприятия её нужно запускать в OTA-среде из репозитория проекта: обычный вызов через Transformers не воспроизводит агентный цикл. Последовательные запросы к медиа увеличивают задержку вывода. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-fr-kg — модель машинного перевода семейства MarianMT, разработанная в рамках проекта OPUS. Она переводит текст с французского на кыргызский. Модель построена на архитектуре Transformer-align, использует нормализацию и SentencePiece; число параметров — 50,2 млн, контекст — до 512 токенов. Модель предназначена для перевода фраз и документов с французского языка на кыргызский. В карточке приведён результат BLEU 30,4 и chr-F 0,523 на тестовом наборе JW300.fr.kg. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Модель OPUS-MT-tc-bible-big-ira-deu_eng_fra_por_spa разработана Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Это нейросетевая модель машинного перевода на архитектуре Marian Transformer-big, преобразованная в формат PyTorch для библиотеки Transformers. В ней 163,1 млн параметров, контекст — до 1024 токенов, лицензия Apache-2.0. Модель переводит с иранских языков — включая курдские разновидности, фарси, пушту, таджикский и белуджский — на немецкий, английский, французский, португальский и испанский. Она предназначена для перевода текстов в этих языковых направлениях; обучение основано на данных OPUS. Доступны веса в форматах PyTorch и safetensors. Карточка указывает ограничения и смещения, присущие машинному переводу, но не приводит подробных результатов оценки качества. Для редких исходных языков качество может зависеть от доступности обучающих данных; перевод следует проверять перед использованием в ответственных сценариях.

OVD Web: Query+CoT Reject, step 200 — контрольная точка из коллекции OVD, подготовленная для эксперимента по веб-поиску и ответам на основе найденной информации. В README она соотнесена со строкой Query+CoT Reject из статьи и результатом 36,93 macro EM при оценке real-search, actor-only на наборе Specsearch/ZeroSearch/jslkf5h5. Модель дообучена на базе Qwen/Qwen2.5-3B-Instruct; это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Контекст составляет 32 768 токенов. Репозиторий содержит веса Safetensors без состояния оптимизатора. В карточке не указаны лицензия и поддерживаемые языки; метаданные отмечают возможности chat и интерфейс вызова инструментов.

Ovis-U1-3B — мультимодальная модель семейства Ovis от AIDC-AI, дообученная на базе AIDC-AI/Ovis2-2B. Модель объединяет понимание изображений, генерацию изображений по тексту и редактирование изображений по инструкциям в единой архитектуре OvisU1 с 3 млрд параметров. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Модель подходит для диалога с визуальными входными данными, описания и анализа изображений, создания изображений по текстовым запросам и изменения существующих изображений. В карточке Hugging Face указан английский язык. Лицензия — Apache-2.0. Разработчик отмечает, что применял проверки соответствия при обучении, но не гарантирует полного отсутствия проблем с авторскими правами или нежелательного контента. Представленные в README сравнительные таблицы не содержат строк с результатами самой Ovis-U1-3B, поэтому по ним нельзя оценить её качество.

Это EAGLE-3 модель черновых токенов, разработанная для ускорения генерации текста базовой моделью Qwen3-4B-Instruct-2507. Она не работает самостоятельно: её используют вместе с базовой моделью в режиме спекулятивного декодирования. По данным карточки, такой режим повышает пропускную способность генерации в 1,5–2,5 раза без ухудшения качества ответов базовой модели. Модель обучена с помощью SpecForge на данных EagleChat и предназначена для ускорения диалогов, решения математических задач и генерации кода. В тестах при четырёх черновых токенах средняя длина принятых черновых последовательностей составляла около 2,08 токена; приведены результаты на GSM8K, HumanEval и Math500. Архитектура указана как LlamaForCausalLMEagle3, размер — 480,1 млн параметров, формат весов — safetensors, контекст — до 40 960 токенов. В метаданных указаны китайский и английский языки. Лицензия — Apache-2.0. Для применения необходима совместимая базовая модель и поддержка EAGLE-3 в используемом движке инференса.

dimkonn/russian-toxic-classifier — модель бинарной классификации токсичности русскоязычных текстов, разработанная на базе ai-forever/ru-en-RoSBERTa и дообученная на наборе Mnwa/russian-toxic. Она использует архитектуру RoBERTa с классификационной головой RobertaForSequenceClassification, содержит 503,5 млн параметров и принимает текст длиной до 514 токенов. Модель предназначена для автоматической модерации сообщений и выявления токсичных высказываний. В тесте указаны Accuracy 0,9186, F1 0,9162 и ROC AUC 0,9765. Репозиторий распространяется по лицензии MIT.

mohsenfayyaz/toxicity-classifier — модель классификации текста на базе BERT Base uncased, дообученная на наборе Jigsaw Unintended Bias in Toxicity Classification. Она предназначена для оценки токсичности текста и подходит для анализа комментариев и другого пользовательского контента. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель может помочь выявлять токсичные высказывания при модерации и анализе текстовых потоков. Карточка не сообщает лицензию, поэтому условия использования установить нельзя; результаты классификации могут быть подвержены смещениям, связанным с данными Jigsaw, и не должны считаться безошибочным решением о модерации.

Anka TTS v0.1, krmkayabasi tarafından geliştirilen Türkçe konuşma sentezi modeli; metinden konuşma üretir ve referans ses kaydı ile dökümünü koşul olarak kullanarak sıfır örnekli ses klonlama yapar. Model yaklaşık 336 milyon parametreye sahiptir ve F5-TTS mimarisini, DiT ile flow matching yaklaşımını kullanır. Модель рассчитана на синтез турецкой речи, создание речи голосом по референсной записи и обработку длинных текстов с разбиением по границам предложений. Перед синтезом текст нормализуется, включая числа, даты и сокращения. В описанном тесте на 495 турецких предложениях модель показала WER 1,73% при скорости 1,0; эта метрика отражает разборчивость речи распознавателем и не измеряет естественность звучания или сходство клонированного голоса. Для использования весов применяется формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для турецкого языка; результаты бенчмарка зависят от настроек и использованного референсного аудио.

moussaKam/barthez-orangesum-title — франкоязычная модель семейства mBART, разработанная Moussa Kamal Eddine и дообученная на наборе OrangeSum для генерации заголовков по тексту. Она предназначена для автоматического суммирования в формате короткого заголовка; в карточке указана метрика ROUGE-2 выше 23. Модель содержит около 95 млн параметров и принимает последовательности длиной до 1024 токенов. Модель принимает текст и генерирует текст на французском языке. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0; результат и указанная метрика относятся к описанному сценарию дообучения, качество на других данных карточкой не подтверждено.

BazarFiltr-0.1 — компактный русскоязычный бинарный классификатор токсичности от akanemind, дообученный на cointegrated/rubert-tiny с использованием набора AlexSham/Toxic_Russian_Comments. Модель на базе BERT содержит 12,1 млн параметров и выдаёт одну метку: «токсично» или «нетоксично». Она принимает текст; последовательности обрезаются до 128 токенов, при этом нативная длина контекста модели составляет 512 токенов. Модель предназначена для быстрой предварительной модерации комментариев в чатах, форумах и социальных платформах, а также для сортировки сообщений на требующие проверки и остальные. В описанной оценке на отложенной выборке набора обучения F1 для токсичного класса составил 0,907. Модель лучше выявляет явные ругательства, оскорбления и угрозы, но может пропускать завуалированную или вежливо сформулированную токсичность, в том числе расистские высказывания без явной брани. Классификация бинарная и рассчитана на русский язык; для чувствительных решений рекомендуется проверка человеком. Лицензия — MIT.