I.1Поиск и навигация по информации

Qwen2.5-3B-Instruct-KAI — дообученная чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная KAI Lab. Она предназначена для понимания и генерации текста на вьетнамском языке, включая ответы на вопросы, извлечение информации, понимание прочитанного и суммаризацию. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 3,1 млрд параметров. Принимает текстовые запросы и генерирует текст; заявленная длина контекста — 32 768 токенов. Для загрузки указана библиотека Transformers, веса представлены в формате safetensors. Модель оптимизирована для вьетнамского языка. В README приведены результаты оценки на вьетнамских бенчмарках и указано, что модель может ошибаться в вопросах, связанных с культурной спецификой, и хуже справляться со специализированными техническими темами. Лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

Koalacrown/qwen3.6-27b-agentic-extraction-sft-merged — объединённый чекпойнт модели Qwen3.6-27B, подготовленный Koalacrown. Он создан применением весов SFT LoRA-адаптера Koalacrown/qwen3.6-27b-agentic-extraction-sft-lora к базовой модели Qwen/Qwen3.6-27B; чекпойнт сохранён в формате bf16. Модель использует архитектуру Qwen3_5ForConditionalGeneration и поддерживает текстовый диалог и работу с изображениями. Модель предназначена для агентного извлечения информации и мультимодальных сценариев, в которых нужно анализировать изображения и формировать текстовый ответ. Репозиторий включает интерфейс вызова инструментов, однако карточка не описывает конкретные инструменты, обучающие данные, показатели качества или ограничения применимости. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-DSV4Pro-Thinking-Distill — разреженная MoE-модель, опубликованная пользователем nerkyor и предназначенная прежде всего для локального запуска в Lynn Agent. Она выполняет роль оркестратора задач: разбивает сложные запросы на этапы, делегирует их инструментам или другим компонентам и проверяет результаты. Модель основана на Qwen3.6-35B-A3B и обучена с помощью LoRA на примерах рассуждений и агентного поведения, дистиллированных из DeepSeek-V4-Pro с включённым режимом thinking. Инструментальные результаты в обучающих траекториях были симулированными и замаскированы, поэтому модель обучалась способам рассуждения и вызова инструментов, а не запоминанию этих результатов. Архитектура MoE имеет 35B параметров с активацией примерно 3B параметров на токен; базовая версия обучалась в BF16. Указаны английский и китайский языки, назначение text-generation и поддержка агентных сценариев с ReAct-подобным чередованием рассуждений и действий. Модель оснащена встроенной MTP-главой для speculative decoding; поддержка заявлена для llama.cpp, vLLM и SGLang, однако большинство графических интерфейсов используют её без ускорения MTP. Для локального запуска рекомендуются системы с 32 ГБ или более VRAM либо unified memory, а для меньших объёмов памяти авторы предлагают другую модель. Сильными сторонами являются улучшение результата на GPQA-Diamond относительно исходной модели, более быстрая сходимость агентного цикла и снижение числа незавершающихся ответов. Ограничения включают небольшое снижение результата на MMLU, потерю одного успешного сценария из двадцати в указанной проверке оркестрации и ограниченную эффективность MTP по сравнению с плотными моделями. Модель распространяется по лицензии Apache-2.0.

relik-ie/relik-reader-deberta-v3-small-re-wikipedia — компактная модель-компонент ReLiK, разработанная для извлечения информации из текста. В архитектуре ReLiK ретривер находит подходящие документы, а reader извлекает из них сущности и отношения; данный чекпойнт относится к reader и использует архитектуру DeBERTa v3 small для извлечения отношений на материалах Wikipedia. Модель предназначена для связывания упоминаний сущностей с объектами базы знаний и извлечения отношений между сущностями в найденных текстах. Её можно применять как reader в конвейере ReLiK для анализа документов и построения структурированных фактов. Карточка описывает ReLiK как быструю и лёгкую систему, однако приведённые результаты относятся к версии ReLiK Large на наборе NYT и не подтверждают качество именно этого чекпойнта. Доступны файлы в формате safetensors; языковая метка модели — английский. Лицензия и численный размер чекпойнта в предоставленных данных не обозначены.

Tongyi-DeepResearch-30B-A3B-GGUF — это GGUF-квантизированная версия языковой модели Tongyi-DeepResearch-30B-A3B, разработанной Alibaba-NLP. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты от BF16 до низкобитных IQ- и Q-квантизаций размером примерно от 14 до 61 ГБ. В названии модели указана конфигурация 30B-A3B, однако подробности архитектуры, модальностей, поддерживаемых языков и размера контекста в README не приведены. Некоторые варианты, включая Q6_K_L, Q6_K, Q5_K и Q4_K_M, обозначены как рекомендуемые; Q4_K_M описан как вариант стандартного размера для большинства сценариев. Ключевое преимущество сборки — возможность локального запуска с выбором компромисса между качеством, размером файла и требованиями к памяти. Более компактные квантизации подходят для систем с ограниченными ресурсами, но могут заметнее уступать по качеству исходным весам. Формат prompt в README не указан, поэтому его следует уточнять на странице исходной модели. Лицензия в предоставленных данных не указана.

Bellatrix-1.5B-xElite — компактная авторегрессионная языковая модель с архитектурой Qwen2, разработанная на базе Qwen/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, работает с текстом и использует формат Transformers; заявленная длина контекста составляет 131 072 токена. По карточке, обучение включало дообучение на синтетических примерах QWQ, SFT и RLHF. Модель предназначена для диалогов, следования инструкциям, генерации и суммаризации текста, логических рассуждений и сценариев RAG, включая агентный поиск и синтез найденной информации. Карточка заявляет многоязычное применение, однако в метаданных указан английский язык. У модели также заявлен интерфейс для вызова инструментов. Возможные ограничения — склонность к фактическим ошибкам, зависимость качества от языка и обучающих данных, а также более слабая работа на специализированных и внераспределённых задачах. В таблице оценки приведены низкие результаты на IFEval (19,64%) и BBH (9,49%), поэтому качество рассуждений и следования инструкциям стоит проверять на целевых задачах. Лицензия — Apache-2.0.

littlejohn-ai/bge-m3-spa-law-qa — дообученная Sentence Transformers модель на базе BAAI/bge-m3 для поиска и сопоставления испаноязычных юридических текстов. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; для сравнения предусмотрена косинусная близость. Архитектура включает XLM-RoBERTa, pooling по CLS-токену и нормализацию, максимальная длина последовательности — 8192 токена. Модель рассчитана на семантический поиск по юридическим документам и извлечение релевантных фрагментов для систем RAG. README также указывает задачи семантического сходства, поиска перефразировок, классификации и кластеризации. В карточке приведены метрики Information Retrieval для разных размерностей эмбеддингов. Лицензия — Apache-2.0.

ai4data разработала devdata-search-noinstruct-small-cgist — компактную bi-encoder модель эмбеддингов для поиска по структурированным статистическим метаданным. Это дообученная модель на базе avsolatorio/NoInstruct-small-Embedding-v0, построенная на архитектуре BERT и содержащая около 40 млн параметров. Она кодирует запросы и записи с метаданными в векторы, чтобы находить релевантные описания и сравнивать их по смыслу; для использования подходит библиотека Sentence Transformers. При дообучении применялись перестановка порядка полей и их случайное исключение, чтобы модель меньше зависела от порядка сериализации и учитывала названия полей. Максимальная длина последовательности — 512 токенов; префиксы для запросов и документов не требуются. Модель предназначена для встраивания в собственный конвейер поиска и сама не является поисковым сервисом. Распространяется по лицензии Apache-2.0.

Модель разработана TextAttack и представляет собой DistilBERT base uncased, дообученную для классификации новостных текстов на датасете AG News. Она относит входной текст к одной из категорий новостей; модель подходит для автоматической сортировки и тематической разметки новостных материалов. Архитектура — DistilBertForSequenceClassification, веса в формате PyTorch. В карточке указаны обучение в течение пяти эпох с максимальной длиной последовательности 128 токенов и точность 0,9479 на оценочной выборке. Метаданные указывают нативный контекст до 512 токенов. Лицензия в предоставленных данных не указана.

ryanu/EEVE-10.8-BOOK-v0.1 — 10,6-миллиардная плотная языковая модель семейства Llama для генерации текста. Модель дообучена методом QLoRA на 5000 примерах для краткого пересказа материалов по общественным и техническим наукам, философии, праву, искусству и другим книжным темам. В README приведены сравнения по ROUGE для задач пересказа книг и научных статей, а также таблица результатов для вопросов и ответов с использованием RAG. Модель принимает текст и генерирует текст; метаданные указывают на разговорные возможности и контекст до 4096 токенов. README предлагает шаблон для краткого пересказа главных аргументов в 3–5 предложениях без повторяющихся формулировок. Модель опубликована в формате safetensors. Лицензия и базовая модель в предоставленных сведениях не указаны.

EstBERT_NER — дообученная модель семейства BERT, разработанная на базе эстонской модели tartuNLP/EstBERT для распознавания именованных сущностей в эстонском тексте. Она размечает упоминания людей (PER), организаций (ORG) и мест (LOC), например в документах и новостях. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи классификации токенов. Её можно использовать через pipeline Transformers для NER; результаты иногда требуют постобработки, поскольку модель может помечать как сущности отдельные части слов. Лицензия — CC BY 4.0.

FastPDN — модель распознавания именованных сущностей в тексте, разработанная группой Wieszcze проекта CLARIN-PL. Она размечает текстовые токены и объединяет соседние токены в сущности; модель можно запускать через Transformers pipeline с задачей NER. Чекпойнт основан на архитектуре BERT и содержит 151,6 млн параметров, максимальная длина контекста — 514 токенов. Модель дообучена на польских наборах данных KPWr и CEN с разметкой до 82 классов сущностей. В карточке приведены результаты оценки на тестовых данных: вариант на herbert-base-case показал F1 0,68, а вариант на distiluse-base-multilingual-cased-v1 — F1 0,53. Модель предназначена для извлечения сущностей из польских текстов; результаты могут зависеть от используемого набора данных и схемы классов. Лицензия — CC BY 4.0.

GreenLeaf Law Embed Tiny — плотная модель эмбеддингов для поиска по юридическим текстам, разработанная JudicialMind в рамках открытой исследовательской инициативы. Она предназначена для поиска релевантных документов и фрагментов с учётом юридической терминологии, цитат, перекрёстных ссылок и длинного контекста; подходит для поиска по судебным решениям, договорам, законам и нормативным материалам. Модель использует двунаправленный трансформерный энкодер на основе архитектуры Qwen3: причинная маска снята во всех 28 слоях, размер скрытого слоя — 1024. README указывает 596 млн параметров, тогда как метаданные — 507,9 млн. Контекст составляет до 32 768 токенов; по умолчанию используется лимит 1024 токена, который можно увеличить настройкой max-length. Поддерживаются более 35 языков, включая английский, немецкий, французский, испанский, китайский, японский, корейский, арабский и хинди. Эмбеддинги можно сокращать по размерности благодаря Matryoshka Representation Learning; при инференсе доступны режимы float32, int8 и binary. В README приведены результаты на MLEB-12 и MTEB(Law, v1), но они не являются гарантией качества для конкретного корпуса. Модель специализирована на юридических текстах и может уступать универсальным эмбеддерам на общих текстах. Лицензия — Apache-2.0.

knosing/japanese_ner_model — модель на базе BERT, дообученная автором репозитория на японском датасете распознавания именованных сущностей из Википедии, опубликованном Stockmark Inc. Она предназначена для выделения и классификации сущностей в японском тексте, включая имена людей, организации, места, события и названия продуктов. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Для запуска используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. В README приведены метрики на тестировании: F1 0,8428 и accuracy 0,9684. Качество зависит от типа сущности: в приведённых результатах F1 для названий продуктов составляет 0,6198, а для общих названий — 0,9177. README также предупреждает, что модель может быть недоступна через Hugging Face Inference API. Лицензия — Apache-2.0.

Legal-Embed-intfloat-multilingual-e5-large-instruct — модель Wasserstoff-AI на архитектуре XLM-RoBERTa, дообученная на базе intfloat/multilingual-e5-large-instruct на наборе legal-rag-embedding-dataset. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и ранжирования документов по сходству; в карточке также указаны кластеризация, поиск перефразирований и классификация текста. Модель рассчитана на юридические сценарии, а README описывает английский язык. Размер — 658,7 млн параметров, максимальная длина входа — 514 токенов по метаданным; README указывает ограничение 512 токенов. Для сравнения векторов используется косинусное сходство, доступны укороченные представления меньшей размерности. Лицензия — Apache-2.0.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах на немецком языке в приложениях с генерацией с дополнением извлечёнными данными (RAG). Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification и примерно 607,8 млн параметров. Модель получает контекст и ответ и помечает на уровне токенов фрагменты ответа, которые не подтверждаются контекстом; предсказания можно объединять в участки текста для проверки. Модель обучена на переведённом наборе RagTruth-DE и рассчитана на немецкий язык. Контекстное окно — до 8192 токенов. В описанных авторами оценках F1 составил 74,95% на тесте RagTruth-DE и 71,79% на вручную проверенных 300 примерах. Вариант на 610 млн параметров требует больше вычислительных ресурсов, чем вариант на 210 млн. Репозиторий распространяется по лицензии MIT.

akdeniz27 выпустил модель распознавания именованных сущностей на турецком языке. Это дообученная для NER модель microsoft/mDeBERTa-v3-base на проверенной версии известного набора данных для турецкого NER; архитектура — DeBERTa V2 для классификации токенов, около 306 млн параметров. Модель принимает текст и размечает в нём персон, организации и географические названия. Модель подходит для извлечения сущностей из турецких текстов, например для подготовки данных к поиску, аналитике или последующей обработке документов. Максимальная длина последовательности — 512 токенов. Опубликованные веса доступны в форматах PyTorch и Safetensors по лицензии MIT.

Myanmar ner Tagging Model — модель распознавания именованных сущностей, созданная дообучением chuuhtetnaing/myanmar-pos-model на датасете chuuhtetnaing/myanmar-ner-dataset. Она использует архитектуру XLM-RoBERTa с классификационной головой для токенов и предназначена для выделения сущностей в текстах на бирманском языке. В карточке приведены результаты оценки на тестовой части датасета: для DATE F1 составляет 0,83, для LOC — 0,95, для NUM — 0,90. Модель принимает текст и возвращает разметку токенов с метками сущностей. Размер — 305,2 млн параметров, длина контекста — 514 токенов. Распространяется по лицензии Apache-2.0.

Vietnamese Product Granite 97M — дообученная модель SentenceTransformer для поиска товаров по-вьетнамски. Она сопоставляет короткие поисковые запросы с более длинными описаниями товаров и выдаёт эмбеддинги для поиска по сходству. Модель основана на IBM Granite Embedding 97M Multilingual R2 и использует архитектуру ModernBERT; размер — 97,4 млн параметров. Метаданные указывают контекст до 32 768 токенов, а в обучении максимальная длина последовательности составляла 512 токенов. Модель дообучена на 15 000 парах «запрос — документ» и 1 000 описаниях товаров с функцией потерь MultipleNegativesRankingLoss. Её можно использовать для семантического поиска и извлечения товаров по коротким запросам, в том числе в асимметричной схеме, где запросы короче документов. README рекомендует оценивать качество по Recall@K, MRR и NDCG: приведённая ошибка валидации является лишь диагностикой обучения и не заменяет бенчмарк. Лицензия в предоставленных данных не указана.

Qwen3-8B TMax AENV v39b, итерация 69 — чекпойнт Qwen3-8B, опубликованный willamazon1. Модель дообучена с подкреплением методом group-relative policy optimization на асинхронных траекториях в многоходовых агентных средах; исходным чекпойнтом был willamazon1/qwen3-8b-tmax-sft-v3-iter353, ранее дообученный на Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов, поддержкой диалоговой генерации и интерфейсом вызова инструментов. Модель предназначена для генерации текста в диалогах и агентных сценариях, где требуется вести многоходовое взаимодействие и использовать инструменты. Это одна из итераций обучающего запуска; в той же коллекции опубликованы другие точки обучения, что позволяет сравнивать изменения по ходу обучения. Доступны веса bfloat16 в формате safetensors; чекпойнт преобразован из Megatron-LM torch_dist, состояние оптимизатора не включено. Лицензия — Apache-2.0.

Sarashina2.2-Vision-3B — мультимодальная языковая модель с изображениями от японской компании SB Intuitions. Она основана на Sarashina2.2-3B-Instruct и использует визуальный энкодер SigLIP; размер модели — 3,8 млрд параметров. Для работы предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения и текстовые запросы и предназначена для описания изображений, ответов на вопросы по ним, а также чтения и анализа документов, с особым вниманием к японским изображениям и тексту. Карточка приводит результаты тестов на японских и англоязычных наборах задач, включая вопросы по документам и слайдам. Модель дообучена в несколько этапов, включая настройку следования инструкциям и оптимизацию предпочтений. Модель распространяется по лицензии MIT. По данным карточки, её обучение на безопасность ограничено: ответы могут быть неточными, бессмысленными, предвзятыми или нежелательными; для практического применения разработчикам рекомендуется дополнительная настройка с учётом предпочтений людей и требований безопасности.

amixh/sentence-embedding-model-InLegalBERT-2 — модель Sentence Transformers, дообученная на базе law-ai/InLegalBERT для получения векторных представлений юридических предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; модель содержит 139 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как README описывает максимальную длину последовательности 320 токенов. Базовая InLegalBERT обучена на юридических документах Индии; для этой модели в данных указан англоязычный юридический контекст. Лицензия в предоставленных источниках не указана.

Модель richielo/small-e-czech-finetuned-ner-wikiann — компактная модель распознавания именованных сущностей для чешского языка, разработанная путём дообучения Seznam/small-e-czech на датасете WikiANN. Она основана на архитектуре ELECTRA, содержит 20,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель присваивает метки отдельным токенам и подходит для извлечения сущностей из чешских текстов. На оценочной выборке указаны precision 0,8713, recall 0,8970, F1 0,8840 и accuracy 0,9557. Модель распространяется в формате PyTorch по лицензии CC BY 4.0. Оценки относятся к указанной выборке; подробности о составе классов и поведении на других текстах в карточке не приведены.

Модель lxyuan/span-marker-bert-base-multilingual-uncased-multinerd — дообученная версия bert-base-multilingual-uncased с архитектурой SpanMarker, созданная в рамках воспроизведения работы Tom. Она предназначена для распознавания именованных сущностей в тексте: людей, организаций и местоположений. Модель обучена на наборе Babelscape/multinerd и поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский языки. В карточке приведён общий F1 91,88 на тестовой выборке; автор отмечает, что вариант без учёта регистра может уступать варианту с учётом регистра, поэтому рекомендует сравнивать их на целевых данных. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты могут зависеть от языка и предметной области; README также отмечает чувствительность к точкам в контексте распознавания сущностей, связанных с едой.

StructLM-7B — языковая модель TIGER-Lab для задач привязки запросов к структурированным знаниям. Это дообученная для следования инструкциям плотная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов. Она принимает текстовые инструкции и линеаризованные структурированные данные, например таблицы, тройки знаний и схемы графов знаний, и генерирует ответ в заданном формате. Модель предназначена для вопросов и рассуждений по структурированным данным: ответов на вопросы по таблицам и графам знаний, проверки фактов и генерации структурированных ответов. Для обучения использованы набор SKGInstruct с 19 задачами структурированного grounding и SlimOrca. В карточке приведены результаты оценки на задачах ToTTo, GrailQA, Spider, TabFact и других; показатель зависит от конкретной задачи и набора данных. Модель распространяется под лицензией MIT. Авторы указывают, что она предназначена для исследований и может уступать в качестве при обычном диалоге и других сценариях общего назначения.

jplu/tf-xlm-r-ner-40-lang — дообученная модель XLM-RoBERTa-base для распознавания именованных сущностей в 40 языках на датасете WikiAnn из набора XTREME. Она классифицирует токены текста как географические названия (LOC), организации (ORG), имена людей (PER) или прочие (O), чтобы извлекать сущности из многоязычных текстов. Модель использует архитектуру XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Репозиторий содержит веса TensorFlow. В карточке приведены результаты на корпусах для разных языков, включая русский; объём данных различается между языками. Подходит для извлечения персон, организаций и мест из текстов на разных языках. Карточка описывает работу как продолжающуюся, поэтому качество может различаться между языками, а модель распознаёт только три типа сущностей. Лицензия в предоставленных данных не указана.

AIArchiveInfo публикует побайтную архивную копию модели 01-ai/Yi-6B-200K: веса не обучались, не дообучались и не изменялись. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM; она содержит около 5,8 млрд параметров и поддерживает контекст до 200 000 токенов. В README серия Yi описана как двуязычная, прежде всего ориентированная на китайский и английский языки, и предназначенная для понимания языка, рассуждений, чтения и генерации текста. Модель подходит для локальной генерации текста и экспериментов с длинными документами и запросами. Репозиторий содержит веса PyTorch в формате Safetensors. Модель лицензирована по Apache-2.0. Хотя архитектура совместима с подходами Llama, README подчёркивает, что Yi обучена с нуля и не использует веса Llama.

Модель Ali-0111/applied-nlp-ner-stage3-distilbert — дообученная Ali-0111 модель DistilBERT для распознавания именованных сущностей и классификации токенов. Она обучена на distilbert-base-cased на 644 примерах с разметкой BIO и использует 8 типов сущностей, включая суммы, профессии и местоположения. Выбор регистрозависимой версии помогает использовать заглавные буквы как сигнал при извлечении сущностей. Модель содержит около 65,2 млн параметров, сохранена в формате safetensors и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке получен общий F1 0,803; показатели для JOB и LOCATION ниже, чем для AMOUNT. Небольшой обучающий набор и заметный разрыв между обучающей и тестовой оценками указывают на риск переобучения. Лицензия в метаданных указана как unknown.

Модель saribasmetehan/bert-base-turkish-uncased-ner — дообученная версия dbmdz/bert-base-turkish-uncased для распознавания именованных сущностей в турецком тексте. Она основана на BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. Модель обучена на 18 967 примерах из турецкой Википедии и проверена на 1 000 примерах. Модель размечает сущности 19 типов, включая людей, организации, места, даты, события, денежные суммы, законы и произведения искусства. В README приведён результат F1 0,7821 на наборе оценки. Она рассчитана на извлечение сущностей из турецких текстов; MIT-лицензия разрешает использование и распространение в соответствии с её условиями.

HooshvareLab/bert-fa-base-uncased-clf-persiannews — модель классификации персидских текстов на основе ParsBERT v2.0. Разработчики восстановили словарь и дообучили ParsBERT v1.1 на новых персидских корпусах, затем настроили модель для классификации новостей Persian News по восьми категориям, включая экономику, международные события, политику, науку и технологии, культуру и искусство, спорт, медицину и социальные темы. Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для разметки персидских новостных статей и близких по стилю текстов; в README для набора Persian News приведён результат F1 97,44. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Показатели качества приведены для конкретного набора данных Persian News; качество на других жанрах, источниках и схемах классов может отличаться.