I.1Поиск и навигация по информации

Это плотная модель текстовых эмбеддингов deka-qwen3-emb-0.6b-weight-lawyer-anompos, созданная anonymousresearch123 полным дообучением Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она предназначена для семантического поиска по юридическим документам: запросы обучались на текстах фактических обстоятельств дел, а документы относятся к регистру lawyer. Для получения эмбеддингов применяется pooling последнего токена с левым дополнением и нормализацией L2; в обучении использовались максимальные длины 256 токенов для запроса и 1300 для документа. Базовая архитектура Qwen3 насчитывает 507,6 млн параметров и поддерживает контекст до 32 768 токенов. На тесте по полному корпусу чистых оценок релевантности Recall@10 составил 11,9 для пользовательских запросов, 21,9 для запросов в регистре lawyer и 28,57 для запросов в регистре fact; результаты зависят от регистра запроса. Для корректной работы запросы должны содержать использованный при обучении префикс-инструкцию, а документы — не должны. Модель принимает текст и выдаёт векторы эмбеддингов для сравнения сходства и поиска. Распространяется под лицензией Apache-2.0.

Это дообученная модель эмбеддингов на базе Google EmbeddingGemma 300M, разработанная для поиска и сопоставления текстов о здоровье на норвежском языке. Она построена на архитектуре Gemma 3 Text и преобразует текст в векторы размерности 768; поддерживает контекст до 2048 токенов. Модель обучена на 330 120 триплетах из норвежских медицинских документов с CachedMultipleNegativesRankingLoss, объединяющим явные сложные негативные примеры и негативные примеры из пакета. Она предназначена для медицинского семантического поиска, информационного поиска и извлечения документов для RAG-систем и ответов на медицинские вопросы. Модель оптимизирована для норвежских медицинских текстов, поэтому её качество на других языках и в других предметных областях может быть ниже. Лицензия — Gemma.

EnvironmentalBERT-biodiversity — модель на основе RoBERTa, разработанная для классификации текстов об окружающей среде и биоразнообразии в контексте ESG. Она дообучена на EnvironmentalBERT-base на наборе из 2,2 тыс. примеров WaterForestBiodiversityNature_2200 и предназначена для определения, относится ли текстовый фрагмент к биоразнообразию. Разработчики рекомендуют сначала отбирать экологические тексты с помощью EnvironmentalBERT-environmental, а затем проверять их на тему биоразнообразия. Модель содержит 95,2 млн параметров, принимает текст и выдаёт метки классификации. Её контекст составляет 514 токенов, основной язык — английский. Модель распространяется по лицензии Apache-2.0. Карточка не описывает качество на независимых данных или ограничения для практического применения.

Модель Dhruv Pal — дообученная версия DistilBERT для классификации новостных статей по тексту на реальные и фальшивые. Она предназначена для первичного выявления дезинформации в новостях и публикациях в социальных сетях, а также для интеграции в инструменты модерации и проверки фактов. Архитектура — DistilBERT с классификационной головой; модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Заявленный язык — английский, лицензия — MIT. В README сообщается о точности 92% и F1 90% на тестовой выборке из 10 000 статей. Возможны ложные срабатывания и пропуск фальшивых материалов; качество может снижаться на текстах из незнакомых источников, тем и стилей. Модель не выполняет проверку утверждений по внешним источникам и не должна быть единственным основанием для суждения о достоверности; рекомендуется проверка человеком.

Модель khinswezinhan/fine-tuned-burmese-pagoda-model — дообученная Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска и извлечения текстов, связанных по смыслу. Архитектура включает BERT с усредняющим pooling; сравнение векторов выполняется по косинусному сходству. Модель обучена на 78 парах текстов об известных пагодах Мьянмы: короткие названия сопоставляются с более подробными описаниями. Максимальная длина контекста по метаданным — 512 токенов; в README указана максимальная длина последовательности 128 токенов. Поддерживается текстовый ввод. Примеры и обучающие данные на бирманском языке, поэтому основное применение — поиск по бирманским описаниям пагод и достопримечательностей. Лицензия в предоставленных данных не указана.

jua-4B-legal-only — модель текстовых эмбеддингов, созданная командой ufca-llms на основе Qwen/Qwen3-Embedding-4B и адаптированная для поиска по бразильским юридическим материалам. Она предназначена для плотного семантического поиска по судебной практике и законодательству, особенно в сценариях с институциональной юридической формулировкой запросов. Модель обучалась только на юридической супервизии: парах JUÁ-Juris, данных законодательного надзора на основе Ulysses и небольшом синтетическом расширении законодательных запросов. В отличие от смешанного варианта, в обучении не использовался SQuAD-pt. Модель поддерживает португальский (в первую очередь бразильский) и английский языки; размер — 3,7 млрд параметров, контекст — до 40 960 токенов. Для поиска рекомендуется использовать инструкции в запросах. Специализация на юридической области может снижать устойчивость на неоднородных задачах и широком семантическом поиске. Лицензия — MIT.

midwestcyr/labse-ruskaromani — модель Sentence Transformers, дообученная на базе многоязычной sentence-transformers/LaBSE для работы с парами предложений на русском языке и диалекте руска рома. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска и сопоставления текстов по смыслу, включая поиск соответствий между русскими и романи-текстами. Модель построена на архитектуре BERT и принимает текст. Для неё заявлена длина последовательности до 256 токенов в README; метаданные указывают контекст до 512 токенов. Обучение проводилось на параллельных парах из Национального корпуса русского языка, а оценка на валидационном наборе ruska-roma показала среднюю точность 0,8974 в задаче поиска переводных соответствий. Модель распространяется по лицензии MIT.

Это англоязычная модель классификации текста на основе DistilBERT, дообученная разработчиком Harveen1808 для различения текста о еде и не о еде. Модель предназначена для классификации текстовых последовательностей; в метаданных указана архитектура DistilBertForSequenceClassification и максимальный контекст 512 токенов. В README приведён результат оценки: точность 1,0 и loss 0,0005, однако датасет и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель распространяется по лицензии Apache-2.0.

Light-Omni — мультимодальная модель семейства Qwen2.5-Omni, разработанная ClareNie и представленная как чекпойнт для инференса. Она предназначена для рефлексивного понимания видео с долговременной памятью: объединяет компактное глобальное состояние, сформированное из эпизодической памяти, с латентным состоянием для управления действиями и семантически согласованного поиска. Модель заявлена для мультимодального диалогового применения, включая понимание видео; в метаданных указаны архитектура Qwen2_5OmniForConditionalGeneration и возможности chat и vision. Репозиторий содержит веса safetensors, файлы токенизатора и конфигурации мультимодального препроцессора. Лицензия обозначена как other, конкретные условия использования в доступных сведениях не раскрыты.

Math-RoBerta — языковая модель на базе RoBERTa-large, дообученная лабораторией UF AI-CEN на 3 млн публикаций учащихся и наставников с платформы Algebra Nation. Она предназначена для NLP-сценариев в среде математического обучения и может служить основой для классификации текстов, семантического поиска и ответов на вопросы. В карточке указаны 24 слоя и около 355 млн параметров; метаданные Hugging Face указывают 454,1 млн параметров и контекст до 514 токенов. Пример загрузки использует RobertaModel для получения представлений текста, а pipeline_tag модели обозначен как text-generation. Модель принимает текст и работает на английском языке. Веса опубликованы в формате PyTorch; лицензия — MIT. README описывает её как основу для дальнейших NLP-задач, поэтому пригодность для конкретного применения зависит от последующей настройки и оценки на целевых данных.

Memory-R2 7B Answer Agent — языковая модель, разработанная как часть исследовательского проекта Memory-R2. Она основана на Qwen2.5-7B-Instruct и дообучена методом SFT с последующим продолжением обучения с подкреплением, где вознаграждение связано с F1 ответов. Модель принимает вопрос и подготовленное хранилище памяти, затем формулирует итоговый ответ; управлением и обновлением памяти занимается отдельный компонент Memory-R2. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 с плотной языковой моделью и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговых сценариев с памятью о предыдущей информации и может быть заменена другой инструктивной языковой моделью без изменения работы менеджера памяти. В README приведены результаты эксперимента на наборах метрик F1, BLEU-1 и оценке языковой модели-судьи. Репозиторий распространяется по лицензии Apache-2.0. Модель отвечает только на основе переданных вопроса и хранилища памяти: сама она не читает ход беседы для обновления памяти и не управляет её хранением.

Teux/mpnet-patents-v1 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, созданная с помощью AutoTrain для семантического сравнения предложений в патентном контексте. Она кодирует текст в плотные векторы, которые можно использовать для поиска похожих патентных формулировок, сопоставления описаний и группировки текстов. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов. В README приведена метрика validation loss 0,533; других результатов, позволяющих оценить качество на конкретных патентных задачах, не сообщается. Для использования подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

KGESH/nsfw-bge-m3-v6b — текстовая Sentence Transformer-модель на архитектуре XLM-RoBERTa, обученная для получения плотных векторов предложений и абзацев. Разработчик дообучил её на 214 парах текстов с контрастивной функцией потерь; обучение заняло 9,1 секунды. Модель выдаёт эмбеддинги размерностью 1024 и рассчитана на последовательности до 8192 токенов. Модель предназначена для поиска и сравнения текстов по смысловой близости с использованием косинусного сходства: например, для поиска похожих запросов или ранжирования кандидатов на релевантность. Обучающие примеры ориентированы на различение явных сексуальных терминов и похожих по написанию или смыслу общеупотребительных выражений. Для работы используется библиотека Sentence Transformers; веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

OELLM 9B — 256K context — Prelude anneal300b — это базовая языковая модель, опубликованная Birger Moell и представленная в формате Hugging Face BF16. Она основана на openeurollm/prelude и прошла продолженное предобучение на 7,98 млрд токенов. Архитектура — плотный декодерный трансформер, совместимый с Qwen3, примерно с 9 млрд параметров; конфигурация поддерживает контекст до 262 144 токенов и RoPE theta 64 000 000. Модель предназначена для генерации продолжений текста, экспериментов с длинным контекстом и извлечением сведений из больших последовательностей, а также как основа для последующего дообучения. В обучающей смеси представлены европейские языки, код и научные тексты; модель не является равномерно многоязычной. Это базовая модель без донастройки на инструкции и без выравнивания по безопасности, поэтому она не предназначена для общения в формате ассистента без дополнительного постобучения. Карточка приводит небольшую проверку поиска одиночного фрагмента на английском и шведском, но её результаты не подтверждают качество рассуждений, суммаризации или надёжной генерации во всём окне контекста. Для инференса на полной длине нужны значительная память ускорителей, эффективная реализация attention и настройка KV-кэша. Модель выпущена по лицензии Apache-2.0.

OpenMed-NER-DiseaseDetect-ModernMed-395M — дообученная OpenMed модель для распознавания названий заболеваний в биомедицинских текстах. Она основана на ModernBERT-large и решает задачу токен-классификации: каждому фрагменту текста присваивается BIO-метка B-DISEASE или I-DISEASE. Модель содержит около 395 млн параметров, работает с текстом и поддерживает контекст до 8192 токенов. Модель обучена на наборе BC5CDR-Disease, включающем аннотации заболеваний в аннотациях статей PubMed. Она предназначена для извлечения упоминаний болезней из медицинских записей и научной литературы, а также для биомедицинского поиска и анализа. В карточке приведены показатели на BC5CDR: F1 0,88, точность 0,87 и полнота 0,89. Это распознаватель сущностей, поэтому он сам по себе не устанавливает диагноз и не извлекает лекарства или химические соединения. Распространяется по лицензии Apache-2.0.

OpenMed-NER-DiseaseDetect-SnowMed-568M — модель OpenMed для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная модель классификации токенов на архитектуре XLM-RoBERTa, содержащая около 658,7 млн параметров и принимающая токенизированный текст. В карточке указана базовая архитектура snowflake-arctic-embed-l-v2.0; метаданные отдельно указывают XLM-RoBERTa. Модель обучена на наборе BC5CDR-Disease и предсказывает BIO-метки B-DISEASE и I-DISEASE. Её можно применять для извлечения названий болезней из научных публикаций, медицинских записей и других биомедицинских документов, а также как компонент систем поиска и анализа медицинских сведений. Для набора BC5CDR в карточке приведены F1 0,87, точность 0,86 и полнота 0,89. Контекст модели — до 8194 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Результаты на BC5CDR не гарантируют аналогичного качества на клинических записях или текстах из других областей; модель распознаёт упоминания заболеваний, а не ставит диагнозы.

OpenMed разработала эту дообученную модель для распознавания упоминаний заболеваний в биомедицинских текстах. Она построена на архитектуре ModernBERT-large и выполняет токен-классификацию, присваивая токенам BIO-метки B-Disease и I-Disease. Модель обучена на корпусе NCBI Disease и предназначена для извлечения названий заболеваний из медицинских записей, научных публикаций и других медицинских документов. Её можно применять для поиска упоминаний заболеваний в литературе и подготовки данных для биомедицинских систем и графов знаний. В карточке указаны F1 0,86, точность 0,86, полнота 0,87 и accuracy 0,97; эти показатели относятся к оценке на NCBI Disease. Модель принимает текст и выдаёт метки сущностей. Метаданные указывают около 395 млн параметров, контекст до 8192 токенов и поддержку английского языка. Распространяется в формате Safetensors по лицензии Apache-2.0. Распознаёт заболевания; карточка не подтверждает извлечение лекарств или химических соединений этой моделью.

OpenMed разработала специализированную модель для распознавания упоминаний заболеваний в биомедицинских текстах. Это дообученная для token classification модель на архитектуре DistilBERT, основанная на distilbert-base-multilingual-cased и обученная на корпусе NCBI Disease. Она размечает названия заболеваний тегами B-Disease и I-Disease и выдаёт BIO-предсказания для токенов. Контекст модели ограничен 512 токенами. Модель предназначена для извлечения заболеваний из научных публикаций, клинических записей и других медицинских документов. Её можно применять для поиска упоминаний заболеваний, анализа медицинской литературы и извлечения сведений из клинического текста. README сообщает F1 0,86, точность 0,85, полноту 0,87 и accuracy 0,96 на NCBI Disease; эти показатели относятся к описанному набору данных и не гарантируют такие же результаты на других текстах. Модель не распознаёт заявленные в README лекарства и химические соединения как отдельные типы сущностей. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Disease-Medium-209M — модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease из 1 500 аннотаций PubMed с разметкой заболеваний. В README заявлена оценка F1 0,8848 на тестовой выборке, исключённой из обучения. Модель принимает текст и возвращает найденные сущности с метками. Её можно применять для извлечения заболеваний из научных аннотаций и медицинских записей, фенотипирования пациентов, индексирования заболеваний и отбора литературы. Заявлена возможность задавать пользовательские типы сущностей без дополнительного обучения, однако специализация и приведённая оценка относятся к распознаванию заболеваний. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для англоязычных биомедицинских текстов; контекстное окно и размер в параметрах в предоставленных данных не указаны.

OpenMed/OpenMed-ZeroShot-NER-Disease-XLarge-770M — специализированная модель OpenMed для обнаружения упоминаний заболеваний и патологических состояний в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease; размер модели в предоставленных данных не указан, несмотря на число в названии репозитория. Модель предназначена для извлечения названий болезней из научной литературы и медицинских текстов, например для индексирования заболеваний, фенотипирования пациентов и первичного отбора публикаций. В README заявлена возможность задавать типы сущностей без отдельного дообучения, однако обучение и приведённая оценка ориентированы на сущности заболеваний. Для BC5CDR-Disease указана F1-оценка 0,8593 на тестовом наборе, исключённом из обучения. Модель принимает текст и возвращает размеченные сущности. Карточка указывает совместимость с экосистемой Hugging Face Transformers и формат PyTorch. Лицензия — Apache-2.0. Результаты требуют проверки для клинического применения: приведённая метрика относится к конкретному набору данных и не подтверждает качество на всех типах медицинских документов или произвольных типах сущностей.

Модель harness-race/pi-r3 — детектор объектов на базе DETR с ResNet-50, дообученный на датасете Beyond Words для анализа исторических газетных страниц времён Первой мировой войны из коллекции Library of Congress, Chronicling America. Она находит и обводит рамками семь видов содержимого: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и рекламные объявления. Модель предназначена для автоматической разметки сканов американских газет 1910-х годов, например для поиска и локализации визуальных материалов и газетных элементов. На проверочной выборке указана метрика mAP 0,113 при IoU 0,5–0,95 и mAP@0,5 0,2466. Репозиторий содержит веса в формате safetensors; архитектура и веса модели распространяются по лицензии Apache-2.0.

DevQuasar/Qwen.Qwen3-VL-Embedding-2B-GGUF — квантованная версия модели Qwen/Qwen3-VL-Embedding-2B, опубликованная разработчиком DevQuasar. Согласно карточке, модель относится к категории image-text-to-text и предназначена для задач, где требуется обработка и сопоставление визуальной и текстовой информации. Из доступных данных известно, что модель основана на Qwen3-VL-Embedding-2B и поставляется в формате GGUF. Обозначение 2B указывает на класс модели примерно в 2 миллиарда параметров, однако точные архитектурные характеристики, поддерживаемые языки, размер контекста, наборы данных и параметры квантования в карточке не указаны. Конкретные сценарии применения, производительность и ограничения также не описаны. Информация о лицензии и условиях коммерческого или иного использования отсутствует, поэтому их следует уточнять в исходной карточке базовой модели и у разработчика квантованной версии.

noystl/recomb-pred-all-mpnet-base — модель Sentence Transformers, дообученная разработчиком noystl на базе sentence-transformers/all-mpnet-base-v2 для поиска и сравнения текстов о предсказании рекомбинации. Она использует архитектуру MPNet с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные векторы размерностью 768. Для сравнения векторов рекомендуется косинусное сходство. В метаданных указан размер 136,7 млн параметров, библиотека sentence-transformers и контекст до 514 токенов; README указывает максимальную длину последовательности 384 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок и кластеризации текстов. Она обучалась на наборе noystl/Recombination-Pred из 784 827 примеров с контрастивной функцией потерь; данные содержат запросы, ответы и метки. Модель принимает текст и выдаёт векторы, а не готовые ответы на запросы. Лицензия — CC.

TAPAS Large — модель Google на основе трансформера, похожего на BERT, дообученная для последовательного ответа на вопросы по таблицам (SQA). Она принимает вопрос и таблицу, выбирает относящиеся к ответу ячейки и поддерживает диалоговый сценарий работы с табличными данными. Вариант по умолчанию использует относительные позиционные эмбеддинги со сбросом индекса в каждой ячейке; доступен также вариант no_reset с абсолютными позиционными эмбеддингами. Модель содержит 433,9 млн параметров, использует архитектуру TAPAS и имеет контекст до 1024 токенов. Она предварительно обучалась на англоязычных текстах и таблицах, а затем дообучалась на наборе SQA. В опубликованной оценке точность на dev-части SQA составляет 0,7289 для варианта reset и 0,7223 для no_reset. Модель рассчитана на вопросы по таблицам на английском языке; результаты могут снижаться на других языках, длинных или сложных таблицах и запросах, выходящих за пределы обучения. Лицензия — Apache-2.0.

TAPEX-large-finetuned-WikiSQL — модель Microsoft для ответов на вопросы по таблицам. Она дообучена на WikiSQL и использует архитектуру BART: трансформер с двунаправленным кодировщиком и авторегрессионным декодировщиком. Модель содержит 252,8 млн параметров, принимает таблицу и вопрос в текстовом представлении и генерирует ответ; заявленная длина контекста — 1024 токена. Модель рассчитана на относительно простые вопросы к табличным данным, например поиск значения, подсчёт и извлечение сведений из строк и столбцов. Для сложных составных запросов README не заявляет поддержку. Репозиторий распространяется под лицензией MIT.

Water Governance Embedding Model — модель эмбеддингов, дообученная на публичных материалах проекта InnWater программы Horizon Europe. Она разработана для представления текстов о водном управлении, устойчивости водных ресурсов, участии заинтересованных сторон, системах поддержки принятия решений и устойчивом управлении водными ресурсами в виде векторов. Модель основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa, содержит 658,7 млн параметров и рассчитана на контекст до 8194 токенов. Метаданные указывают английский язык и лицензию CC; базовая BGE-M3 является многоязычной. Модель подходит для семантического поиска и сравнения сходства текстов в специализированных материалах по водному управлению. В README указано, что для обучения использовались публичные документы InnWater; подробности о составе обучающих пар и результатах оценки не приведены.

xlm-r-large-en-ko-nli-ststb — модель sentence-transformers, обученная командой Sentence Transformers на архитектуре XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 658,7 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Модель предназначена для получения текстовых эмбеддингов и поиска сходства между предложениями. В README она отмечена как устаревшая: качество эмбеддингов низкое, и авторы не рекомендуют её использовать. Лицензия — Apache-2.0.

ALBERT for ARQMath 3 — модель AnReu для поиска ответов на математические вопросы. Она основана на ALBERT-base-v2, дополнительно предобучена на Math StackExchange в три этапа и дообучена на классификацию пары «вопрос — ответ»: модель оценивает, соответствует ли ответ вопросу, а классификационный результат можно использовать для ранжирования ответов. Модель принимает текст вопроса и ответа, включая математические формулы, для которых в токенизатор добавлены дополнительные токены LaTeX. Архитектура — ALBERT, размер — 136,7 млн параметров, контекст — до 512 токенов. В карточке указана поддержка английского языка. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это модель SentenceTransformer, разработанная Dilovancelik на основе sentence-transformers/all-distilroberta-v1 и дообученная на наборе danish_law_qa. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель построена на RoBERTa с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена прежде всего для семантического поиска и сопоставления вопросов с контекстами в датских юридических материалах. Её также можно применять для поиска похожих формулировок, кластеризации и извлечения признаков для классификации текстов. В README приведены результаты TripletEvaluator на двух наборах, однако они не гарантируют аналогичное качество на других данных. Модель принимает текст и выдаёт эмбеддинги. Она наследует англоязычную базу DistilRoBERTa, а дообучение выполнено на датском юридическом наборе, поэтому применимость к другим языкам и областям может быть ограничена. Лицензия в предоставленных данных не указана.

AmharicNewsNonCleaned — модель классификации текстов на основе XLM-RoBERTa-base, дообученная разработчиком akiseid. Она предназначена для классификации амхарских новостных текстов; конкретные метки классов и сценарии применения в карточке не описаны. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. В README для оценочного набора приведены accuracy 0,9554, precision 0,9555, recall 0,9554 и F1 0,9554. Эти показатели относятся к указанному набору и не гарантируют аналогичных результатов на других данных. Доступна по лицензии MIT.