I.1Поиск и навигация по информации

sentence-transformers/nli-bert-large — модель Sentence-Transformers, разработанная командой sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу и кластеризации. Модель основана на BERT, имеет 433,9 млн параметров и принимает текст длиной до 512 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве получаемых эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-rn-en — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с рунди на английский; направление перевода обозначено как run-eng, без поддержки других языков в качестве исходного или целевого. Модель построена на архитектуре Marian, содержит около 29 млн параметров и принимает текстовые последовательности с контекстом до 512 токенов. Для предварительной обработки используются нормализация текста и SentencePiece. В карточке приведён результат на тестовом наборе Tatoeba: BLEU 26,7 и chr-F 0,428. Модель подходит для перевода фраз и текстов с рунди на английский, однако опубликованный результат не гарантирует качество для всех типов текстов и предметных областей. Лицензия — Apache-2.0.

PhoBERT-VFQT-Cls — модель классификации вьетнамских финансовых вопросов, разработанная tiam4tt на основе PhoBERT-base-v2. Это энкодерный трансформер семейства RoBERTa с архитектурой RobertaForSequenceClassification и 162,4 млн параметров; модель дообучена для отнесения вопроса к одному из четырёх типов и принимает текст. Её можно использовать для маршрутизации вопросов к поиску фактов, суммаризации, проверке или сравнению, а также для анализа распределения типов вопросов в наборе данных. В тестировании автор сообщает accuracy 0,9486 и macro F1 0,9508. Модель рассчитана на вьетнамские финансовые вопросы. Она выдаёт ровно одну метку, поэтому не подходит для вопросов с несколькими намерениями; качество может снижаться на других стилях текста и темах. Автор также не рекомендует использовать её для невьетнамских текстов, входов, не являющихся вопросами, или в медицинских и юридических сценариях без дополнительной проверки. Контекст составляет 258 токенов. Лицензия — MIT.

hroth/psais-multi-qa-mpnet-base-dot-v1-5shot — sentence-transformers модель на базе MPNet, дообученная с помощью SetFit на пяти примерах для университетского проекта по распознаванию намерений. Она преобразует предложения и абзацы в плотные векторы размерностью 768; модель также подходит для семантического поиска и кластеризации текстов. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для оценки сходства. Карточка описывает только экспериментальное применение для классификации намерений; другие сценарии автор не тестировал. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Qwen3-4B-ToolUse-SRPO-TR — дообученная языковая модель SeongryongJung на базе Qwen/Qwen3-4B, оптимизированная для использования инструментов методом SRPO-TR. Репозиторий содержит лучший чекпойнт по метрике validation mean@16 (шаг 90); для него указано значение 61,49%, а для финального чекпойнта — 58,27%. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста и сценариев, где языковой агент выбирает и вызывает инструменты. В README приведён пример загрузки через Transformers; данные о поддерживаемых языках и методике оценки задачи не раскрыты. Модель распространяется по лицензии Apache-2.0.

LorMolf/Qwen-Embedding-ProcCode-aligned-2k — дообученная и объединённая модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-0.6B, предназначенная для поиска по материалам итальянских государственных закупок. Она создаёт представления запросов и документов для семантического поиска и retrieval; при обучении использовались LoRA и функция потерь InfoNCE. Для запросов ожидается формат «Instruct: \nQuery: », а документы подаются как исходный текст статьи, источника или узла вики без префикса инструкции. Обучение и оценка использовали контекст до 32 768 токенов. Модель содержит около 507,6 млн параметров и распространяется в формате safetensors; основным языком и предметной областью являются итальянский язык и государственные закупки. Лицензия в предоставленных данных не указана.

RetrievalRouter-lambda-l70 — контрольная точка маршрутизатора поиска по документам, разработанная для работы по запросу из статьи RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval. Модель на основе Qwen3-0.6B-Base с адаптерами LoRA кодирует текстовый запрос в вектор размерности 1024 и выбирает один из пяти вариантов поискового конвейера: текстовый или мультимодальный поиск, с плотным поиском и возможным поздним переранжированием. Параметр λ=0,7 задаёт компромисс в пользу меньшей задержки при сохранении качества поиска. Модель предназначена для систем RAG и поиска по документам, где заранее подготовлено несколько индексов и поисковых конвейеров. Она классифицирует запрос, чтобы направить его в подходящий конвейер до начала поиска; сама документы не извлекает и не ранжирует. Обучена на английских запросах из финансовых, научных и открытых корпусов; применение к другим языкам и областям не проверено. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — MIT.

CMB-ClimateModernBERT/S_F_CX_LRD — англоязычная encoder-only модель ModernBERT-Base, дообученная продолженным предобучением на синтетических климатических текстах и климатически релевантных материалах из веба. Её разработчики позиционируют модель для исследований в области обработки климатических текстов и последующей тонкой настройки для классификации, многометочной разметки и поиска по корпоративной отчётности, документам государственной политики, научной литературе и новостям о климате. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и поддерживает контекст до 8192 токенов. В карточке сообщается о среднем F1 74,1 по девяти климатическим NLP-бенчмаркам; сама модель предназначена для заполнения маскированных пропусков и получения текстовых представлений, а не для диалога или генерации инструкционных ответов. Весами распоряжается лицензия базовой модели; отдельные условия лицензирования этого чекпойнта в предоставленных данных не приведены.

Janani-Withana/sinhala-farming-qa-model — модель Sentence Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 384. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, в том числе вопросов и ответов по сельскому хозяйству. Модель обучена на 5 395 примерах с помощью MultipleNegativesRankingLoss. Для сравнения векторов используется косинусное сходство. Максимальная длина последовательности по README составляет 128 токенов; метаданные указывают контекст до 512 токенов. Примеры обучающих данных написаны на сингальском и посвящены сельскому хозяйству.

ThaiLLM-30B-IQ-i1-GGUF — это GGUF-квантизация базовой модели ThaiLLM/ThaiLLM-30B-IQ, подготовленная пользователем mradermacher. Модель ориентирована на работу с тайским языком; в карточке также указаны сценарии медицинских задач, Retrieval-Augmented Generation (RAG), ответов на вопросы и формирования цитат. О разработчиках базовой модели в README подробных сведений нет, однако квантизацию выполнил mradermacher. Модель имеет размер 30B параметров и распространяется в нескольких вариантах квантизации i1, включая IQ1_S, IQ2, IQ3, IQ4, Q4_K_M, Q5_K_M и Q6_K. Размер файлов составляет примерно от 6,5 до 25,2 ГБ. Для создания собственных вариантов доступен imatrix-файл. В README не указаны архитектура, размер контекстного окна, поддержка мультимодальности или дополнительные языки, поэтому эти характеристики нельзя подтвердить. Основное преимущество набора — выбор компромисса между размером, скоростью и качеством: Q4_K_M отмечен как рекомендуемый быстрый вариант, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Низкобитные варианты экономичнее по памяти, но могут заметно уступать по качеству; некоторые из них прямо охарактеризованы как низкокачественные или предназначенные для крайних случаев. Условия лицензирования в README не указаны.

Это модель Sentence Transformers, дообученная автором matunderstars на базе sentence-transformers/all-MiniLM-L12-v2 для поиска ответов на вопросы по материалам UFES. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, преобразует текст в векторы размерности 384 и сравнивает их по косинусному сходству. В README указана максимальная длина входа 128 токенов; метаданные каталога сообщают контекст до 512 токенов. Для дообучения применялся MultipleNegativesRankingLoss на небольшом наборе пар «вопрос — ответ» на португальском языке. Модель подходит для семантического поиска и сопоставления вопросов с ответами в справочных материалах UFES, а также для поиска перефразировок и кластеризации похожих текстов. Для её использования требуется библиотека sentence-transformers. README не указывает лицензию. Небольшой обучающий набор и специализация на вопросах и ответах UFES могут ограничивать качество на других темах и языках; фактические результаты оценки качества не приведены.

XYZAILab_XYZ-Aquila-mini-GGUF — GGUF-квантизация модели XYZ-Aquila-mini, разработанной XYZAILab и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель позиционируется как image-text-to-text и предназначена для сценариев, связанных с обработкой изображений и текста, включая agentic search. Доступна для запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. В набор входят варианты от BF16 до низкобитных квантов Q8, Q6, Q5, Q4 и Q3, с размером файлов примерно от 16 до 69 ГБ. README не указывает точное число параметров, максимальный контекст, поддерживаемые языки или подробности архитектуры. Рекомендуемые варианты Q6 и Q5 обеспечивают высокое качество, а Q4 и Q3 позволяют сократить требования к оперативной памяти за счёт некоторого снижения качества. Модель распространяется по лицензии Apache-2.0. Для работы требуется совместимый рантайм с поддержкой данной архитектуры и формата GGUF; при появлении новой архитектуры может понадобиться обновление используемого инструмента. Ограничения по качеству мультимодального анализа, языкам и конкретным сценариям применения в README не приведены.

Fractalego Conversation QA — модель генерации текста на базе архитектуры GPT-2, обученная на наборе CoQA для ответов на вопросы в диалоге. Её можно использовать для последовательных вопросов и ответов с учётом контекста разговора через пакет conversation-qa. Модель принимает текст и генерирует текст; размер контекста составляет 1024 токена. Обучение на CoQA ориентирует модель на диалоговый формат вопросов и ответов. В метаданных указан формат PyTorch. Сведений о размере модели и лицензии в предоставленных источниках нет.

fractalego/fact-checking — генеративная модель на архитектуре GPT-2, обученная на наборе FEVER для проверки утверждений по предоставленным доказательствам. Она предсказывает, согласуется ли утверждение с доказательствами, и формирует ответ Yes или No; при повторной генерации можно получить ансамбль ответов и оценить их распределение. Модель предназначена для проверки фактов в сценариях, где вместе с утверждением передаются релевантные свидетельства. В README приведены результаты на части dev-набора FEVER, содержащей классы SUPPORTING и REFUTING: precision 0,94, recall 0,98 и F1 0,96. Автор предупреждает, что результаты могут быть завышены из-за утечки знаний из исходной модели GPT-2, а проект остаётся в разработке. Для модели указан контекст длиной 1024 токена и формат весов PyTorch. Язык обучения — английский по описанию и названиям классов FEVER. Условия лицензирования в доступных сведениях не приведены.

Pulk17 разработал англоязычную модель классификации новостных статей на достоверные и фальшивые. Это модель BERT с архитектурой BertForSequenceClassification, дообученная на размеченных новостных данных; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст статьи и выдаёт класс. Модель предназначена для автоматической предварительной проверки новостных материалов и исследовательских экспериментов по выявлению дезинформации. В README заявлены высокие показатели на использованной при оценке выборке, однако подробности её состава и протокола оценки не приведены, поэтому эти результаты не гарантируют качество на новых источниках и темах. Модель ориентирована на английский язык; расширение на другие языки потребует подходящих данных. Распространяется по лицензии Apache-2.0.

fermi-512 — разреженная модель поиска Atomic Canyon для подбора документов по запросу в ядерной энергетике. Она дообучена на базе atomic-canyon/fermi-bert-512 с использованием LSR; обучение проводилось на MS MARCO Passage Dataset с моделью ms-marco-MiniLM-L-6-v2 в роли учителя. Модель кодирует запросы и документы в разреженные векторы, компоненты которых соответствуют токенам словаря и отражают их важность. Специализированный токенизатор учитывает ядерную терминологию, например представляет NRC одним токеном. Контекст — 512 токенов, формат весов — Safetensors, лицензия — Apache 2.0. Модель предназначена для поиска по технической и отраслевой документации, а также может применяться в более широком поиске: её оценивали на FermiBench, MS MARCO и подмножестве BEIR. В README сообщается о сильных результатах на ядерных текстах и приводятся метрики этих тестов; они получены собственным инструментарием авторов. Метаданные Hugging Face указывают задачу fill-mask, однако описание модели в README посвящено разреженному поиску и кодированию запросов и документов. Поэтому для каталога основная задача указана как fill-mask, а назначение поиска описано как сценарий применения.

monologg/koelectra-small-v2-distilled-korquad-384 — компактная модель на архитектуре ELECTRA, опубликованная пользователем monologg. Она предназначена для извлечения ответа на вопрос из предоставленного текста на корейском языке и дообучена на KorQuAD. Модель принимает вопрос и контекст и возвращает фрагмент контекста как ответ; её контекст ограничен 512 токенами. В метаданных указано 20,8 млн параметров, а карточка Hugging Face показывает загрузку через Transformers с задачей question-answering и наличие версий PyTorch, Safetensors и TensorFlow Lite. По сравнению с крупными моделями компактный размер подходит для более лёгкого развёртывания, но модель ориентирована на корейские вопросы и ответы по контексту, а не на генерацию свободного текста или ответы без предоставленного контекста. Лицензия в доступных сведениях не подтверждена.

LongVT-RFT — мультимодальная модель для понимания и рассуждения по длинным видео, разработанная в рамках проекта LongVT. Это версия LongVT, дообученная на основе Qwen2.5-VL-7B-Instruct; она использует архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает видео и текстовые запросы, выдавая текстовые ответы. Контекст модели составляет до 128 000 токенов. Модель предназначена для ответов на вопросы о содержании длинных видео. Её подход сочетает общий просмотр видео с повторным выделением и более детальным анализом релевантных фрагментов, чтобы обосновывать ответы визуальными свидетельствами. README сообщает о результатах на нескольких бенчмарках понимания и рассуждения по длинным видео, но не приводит здесь полную таблицу результатов. Модель распространяется под лицензией Apache-2.0. Для воспроизведения инференса и оценки разработчики рекомендуют инструкции и окружение из репозитория проекта. Результаты зависят от корректной настройки обработки видео и следования рекомендуемому сценарию использования.

EMBO разработала SODA-VEC negative_sampling_pmb — модель для получения векторных представлений биомедицинских и научных текстов. Она дообучена на базе answerdotai/ModernBERT-base с использованием контрастивного обучения и отрицательных примеров; архитектура — BERT, 136,7 млн параметров, с mean pooling и выходными эмбеддингами размерности 768. Модель рассчитана на поиск семантически близких текстов и сравнение сходства биомедицинских публикаций, особенно заголовков и аннотаций. Для обучения использованы 26,5 млн пар «заголовок—аннотация» из PubMed Central. Модель принимает английский текст и выдаёт эмбеддинги, подходящие для семантического поиска, ранжирования по сходству и анализа тематической близости. Лицензия — Apache-2.0. Модель специализирована на биомедицине и науках о жизни и может хуже работать с текстами других областей. Для длинных документов рекомендуется разбивать текст на фрагменты; модель также наследует смещения корпуса PubMed Central.

OpenMed разработала OpenMed-NER-DiseaseDetect-PubMed-109M — модель на базе BiomedNLP-BiomedBERT, дообученную для распознавания названий заболеваний в биомедицинских текстах. Она обрабатывает токенизированный текст и размечает упоминания заболеваний BIO-тегами B-DISEASE и I-DISEASE. Архитектура — BERT для классификации токенов; размер составляет 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения заболеваний из аннотаций PubMed, научных публикаций и медицинских документов, а также для поиска упоминаний заболеваний при анализе биомедицинской литературы. В README указаны результаты на BC5CDR-Disease: F1 0,87, точность 0,85 и полнота 0,90. Датасет включает 1 500 аннотаций PubMed; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на других типах текстов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

nagbhaskar55/slm125mlive-qa-DPO — англоязычная компактная модель семейства Llama, разработанная на основе nagbhaskar55/slm125mlive-bhaskar-finetune. Это плотная авторегрессионная модель на 125,8 млн параметров с контекстом до 1024 токенов, предназначенная для генерации ответов на вопросы по предоставленному фрагменту текста. Модель дообучена методом Direct Preference Optimization (DPO), чтобы улучшить качество и согласованность ответов на запросы с пассажем и вопросом; она ожидает формат slm_chat. Модель подходит для ответов по юридическим и финансовым текстам, извлечения сведений и суммаризации предоставленного материала. README сообщает об улучшении предпочтений на небольшой выборке пар ответов, поэтому результат следует считать настройкой качества ответов, а не появлением новых возможностей. Размер обучающей выборки ограничен, метки предпочтений получены от LLM-судьи, а модель не предназначена для юридических или финансовых консультаций. Метаданные указывают формат safetensors и библиотеку Transformers; сведения о лицензии отсутствуют.

timotheeplanes/anti-doping-gte-base — модель эмбеддингов предложений на базе архитектуры BERT, адаптированная к языку антидопинговой практики. Она преобразует предложения и абзацы в плотные векторы размерности 768; заявленный размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, кластеризации, ранжирования и извлечения признаков для последующего обучения классификаторов на данных антидопинговой тематики. Она обучалась методом Sentence-Transformers с DenoisingAutoEncoderLoss для адаптации представлений к антидопинговой лексике. Поддерживается английский язык. Модель опубликована timotheeplanes под лицензией Apache-2.0. Качество для конкретных задач и наборов данных в карточке не приведено; перед применением в критичных сценариях результаты следует оценить на целевых данных.

Badr Embedding v0 — арабоязычная модель Sentence Transformer с архитектурой bi-encoder, разработанная Somaya Eltanbouly и соавторами в рамках исследования поиска ответных фрагментов по вопросам исламского права (фикха). Модель дообучена на базе mohamed2811/Muffakir_Embedding и предназначена для плотного семантического поиска пассажей, содержащих ответ на вопрос, а не только тематически близких текстов. Её можно использовать для поиска по арабским корпусам фикха и как компонент RAG-систем. Модель обучалась на парах вопрос–положительный фрагмент с ответом–отрицательный фрагмент; поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 и 64, которые можно усекать для экономии памяти и ускорения поиска. Оценка Cosine Accuracy на наборе fiqh-eval составляет 0,9731. Модель извлекает эмбеддинги и оценки семантической близости, но не генерирует и не подтверждает религиозные решения. Качество может снижаться вне арабского фикха и зависит от формулировки вопроса, длины и стиля фрагментов, терминологии и наличия ответа в корпусе. Лицензия в предоставленных сведениях не указана.

Aurigene AI разместила копию BiomedBERT от Microsoft, также известной как PubMedBERT для аннотаций и полных текстов. Это encoder-модель семейства BERT с 136,7 млн параметров, предварительно обученная с нуля на аннотациях PubMed и полнотекстовых статьях PubMed Central. Она принимает текст и предсказывает замаскированные токены в последовательностях длиной до 512 токенов. Модель предназначена для биомедицинского NLP и может служить энкодером для извлечения биомедицинских сущностей и отношений, а также для поиска и анализа научной литературы. В README заявлены сильные результаты на биомедицинских NLP-задачах и лидерство на Biomedical Language Understanding and Reasoning Benchmark. Доступны веса PyTorch и Flax; лицензия — MIT.

sowthri-industrial-ai/blending-embedder — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, разработанная sowthri-industrial-ai. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 и предназначена для поиска релевантных фрагментов и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-энкодера, объединения представлений CLS-токена и нормализации векторов. Модель подходит для семантического поиска и извлечения фрагментов в системах RAG. Обучающий набор содержит 371 пару текстов, посвящённых биодизелю и его перевозке, поэтому её специализация на таких материалах вероятна, хотя README не описывает её как строго отраслевую модель. Метаданные указывают 512 токенов контекста, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Лицензия в предоставленных данных не указана.

BMRetriever-7B — дообученная модель семейства Mistral с 7,1 млрд параметров, разработанная BMRetriever для поиска биомедицинских текстов. Она предназначена для преобразования текстов в векторные представления, которые можно использовать для поиска релевантных документов и построения retrieval-систем. Модель обучена по подходу, описанному в статье «BMRetriever: Tuning Large Language Models as Better Biomedical Text Retrievers», и может загружаться через библиотеку Transformers. Модель рассчитана на английские биомедицинские материалы, включая учебники, статьи PubMed, StatPearls и препринты bioRxiv и medRxiv. Контекст составляет до 32 768 токенов. Репозиторий содержит веса safetensors, лицензия — MIT. Карточка не приводит количественных оценок качества; применимость к другим языкам и общим текстам не подтверждена.

AUEB-NLP/ByT5_g2g — модель ByT5, дообученная для преобразования греческого текста, записанного латинскими буквами (Greeklish), в стандартную греческую письменность. Она использует архитектуру T5ForConditionalGeneration и обрабатывает текст на уровне байтов, что подходит для транслитерации нестандартной записи. Модель содержит 364,6 млн параметров и распространяется в формате PyTorch. Модель предназначена для нормализации и транслитерации Greeklish в греческий текст. Она описана в работе «Still All Greeklish to Me: Greeklish to Greek Transliteration» (LREC-COLING 2024), авторы которой связаны с AUEB-NLP. Ограничений по применению и сведений о лицензии в предоставленной карточке нет.

CamemBERT Finetuned Progressive — дообученная модель семейства CamemBERT для получения эмбеддингов французских парламентских вопросов и ответов. Она создана на базе camembert-base и обучена на 22 000 пар вопросов и ответов французского парламента за 2017–2025 годы. Модель предназначена для встраивания в RAG-системы и семантического поиска по юридическим, административным и парламентским документам. Она выдаёт векторы размерности 768 и может помогать находить нормативные акты и бюджетные сведения, а также подбирать материалы для подготовки ответов на парламентские запросы. В README заявлено улучшение релевантности поиска на 15–20% относительно camembert-base на проверочном наборе парламентских вопросов. Модель содержит 435,4 млн параметров, использует архитектуру CamemBERT и принимает текст; максимальный контекст — 514 токенов. Она специализирована для французского языка и юридической и административной лексики, поэтому для других языков и универсальных задач эмбеддингов может работать хуже. Лицензия — MIT.

Модель luhua/chinese_pretrain_mrc_roberta_wwm_ext_large разработана как дообученная версия RoBERTa WWM Ext Large, обученная на большом объёме китайских данных для машинного чтения с пониманием текста (MRC). В метаданных архитектура указана как BERT с классом BertForQuestionAnswering; модель содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Основное назначение — отвечать на вопросы по предоставленному тексту и решать задачи китайского чтения с пониманием. В README также заявлено улучшение результатов в задачах классификации и приведены упоминания высоких мест участников соревнований DuReader-2021 и Tencent Medical, однако полные таблицы результатов в доступном тексте отсутствуют. Модель работает с текстом на китайском языке и опубликована в формате PyTorch. Лицензия — Apache-2.0. README не приводит подробностей о конкретной процедуре обучения или ограничениях качества за пределами указанных задач.

elgeish/cs224n-squad2.0-albert-base-v2 — дообученная модель AlbertForQuestionAnswering на базе ALBERT для извлечения ответов из текста и определения случаев, когда ответ в контексте отсутствует. Её подготовил автор elgeish как базовый результат для студентов курса CS224n, чтобы сократить время на запуск экспериментов с набором SQuAD 2.0. Модель содержит 136,3 млн параметров, использует PyTorch и принимает вопрос вместе с контекстом на английском языке; длина контекста — до 512 токенов. В README приведены результаты на 6078 примерах отложенной части dev-набора: exact match 78,94 и F1 81,77. Для обучения использовался официальный тренировочный набор SQuAD 2.0, а оценка и выбор модели проводились на случайной половине официального dev-набора. Модель подходит для экспериментов и учебных проектов по извлечению ответов из текста. README предупреждает, что официальный dev-набор SQuAD 2.0 содержит тестовый набор проекта, поэтому нельзя использовать его или модели, отобранные с его помощью, при работе над этим проектом. Лицензия в предоставленных данных не указана.