I.1Поиск и навигация по информации

MaMMUT2 NaFlex ViT-B/32 CC12M — исследовательский чекпойнт модели для сопоставления изображений и текста, классификации изображений без дообучения и генерации подписей к изображениям. Модель разработана в рамках сравнения архитектур и обучающих целей на CC12M: визуальная часть — NaFlexViT-Base с патчами 32, текстовый декодер — трансформер с перекрёстным вниманием через каждый второй блок. Обучение проводилось 32 эпохи на pixparse/cc12m-wds с bf16 и целью InfoNCE плюс двойная функция потерь для подписей. Модель принимает изображения и текстовые запросы, формируя представления для сопоставления и текстовые подписи. В карточке указано окно контекста текстового декодера 77 токенов. В приведённых экспериментах MaMMUT2 показала более высокий результат image-to-text retrieval, чем доступные CLIP-базовые прогоны; сравнение ограничено различиями в оптимизаторе и размере батча. Это экспериментальный исследовательский чекпойнт, а не готовая производственная модель. Лицензия — Apache-2.0.

Qwen-3-VL-Ricoh-8B-20260227 — мультимодальная модель с визуальным вводом, разработанная японской компанией Ricoh на основе Qwen3-VL-8B-Thinking и Qwen3-VL-8B-Instruct. Она предназначена прежде всего для ответов на вопросы по японским документам с диаграммами и таблицами: модель извлекает сведения с изображений, выполняет вычисления и сравнения по прочитанным данным и формирует ответы с объяснением оснований. Ricoh сообщает об усилении многошагового рассуждения с помощью обучения с подкреплением и о снижении ошибок при чтении сложных документов. Модель ориентирована на японский язык и может использоваться для локального развёртывания в корпоративной среде; в README приведён пример запуска через vLLM 0.11.0. В метаданных Hugging Face указан формат safetensors и лицензия Apache-2.0. Результаты в README получены на наборах JDocQA и JDocQA-Reasoning; они не гарантируют такую же точность на других языках, типах изображений и документах.

hiieu/R1_tool_call_Distill-Qwen-7B — дообученная модель hiieu для генерации текста с интерфейсом вызова инструментов. Она основана на unsloth/DeepSeek-R1-Distill-Qwen-7B-unsloth-bnb-4bit и обучена на наборе hiieu/tool_r1_cot с использованием Unsloth и TRL. Для вызова инструмента модель использует двухэтапный процесс вывода. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Она подходит для диалоговых сценариев, где нужно сформировать запрос к инструменту и затем обработать результат. Среди ограничений автор отмечает, что модель иногда отказывается «не думать»; это может мешать сценариям, где требуется ответ без рассуждений. README не приводит оценок качества или списка поддерживаемых инструментов.

Модель hongccccccc/roberta-abstract-section-classifier — дообученная версия RoBERTa-base для классификации предложений научных аннотаций по пяти риторическим разделам: BACKGROUND, OBJECTIVE, METHODS, RESULTS и CONCLUSIONS. Она использует архитектуру RobertaForSequenceClassification, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель разработана для научных текстов на английском языке, а обучение проводилось на аннотациях PubMed. Модель подходит для автоматической разметки предложений аннотации по их роли, например, при структурировании и анализе научных публикаций. В README сообщается F1 0,92 на отложенной выборке; подробности оценки связаны с работой Wright et al. Модель распространяется по лицензии Apache-2.0.

Self-RAG — языковая модель семейства Llama, разработанная авторами проекта Self-RAG. Модель генерирует ответы на запросы и специальные токены рефлексии, с помощью которых может адаптивно обращаться к системе поиска и оценивать собственные ответы и найденные фрагменты. Она обучена на инструкционных данных с чередованием текстовых фрагментов и токенов рефлексии, используя стандартное предсказание следующего токена. Модель предназначена для генерации ответов с опорой на найденные документы и для сценариев, где важно оценивать качество ответа и релевантность источников. В карточке описан запуск с заранее предоставленными фрагментами, а полный конвейер с поисковой системой и декодированием дерева доступен в коде проекта. Архитектура — плотная LlamaForCausalLM; в метаданных указано 6,6 млрд параметров и контекст 4096 токенов. Веса доступны в формате PyTorch, лицензия — MIT. Карточка не называет конкретные поддерживаемые естественные языки. Для полного сценария Self-RAG необходимы отдельная поисковая система и программный конвейер проекта; одной генерацией модель не выполняет поиск по внешним источникам.

Veritone публикует текстовую башню модели SigLIP 2 Large на базе google/siglip2-large-patch16-384. Эта сокращённая копия содержит только текстовый энкодер: он преобразует текстовые запросы в общее пространство эмбеддингов с визуальной башней и предназначен для отдельной загрузки на этапе поиска, что сокращает расход памяти и время загрузки. Визуальная башня находится в Veritone/siglip2-large-patch16-384-vision. Модель подходит для кодирования текстовых запросов при поиске по изображениям и для классификации изображений без дополнительного обучения в паре с соответствующей визуальной башней. Семейство SigLIP 2 рассчитано на семантическое сопоставление текста и изображений; исходная модель обучалась на наборе WebLI. Лицензия репозитория — Apache-2.0. Карточка описывает только текстовую башню, поэтому сама по себе эта модель не принимает изображения и не выполняет полную классификацию изображений без визуальной башни.

ThakiCloud разработала SKILLRET-Reranker-0.6B — компактный реранкер для поиска навыков AI-агентов. Модель принимает запрос пользователя на естественном языке и описание навыка-кандидата, после чего оценивает их релевантность; её предполагается использовать на втором этапе поиска для переупорядочивания кандидатов, найденных, например, моделью SkillRet-Embedding. Модель содержит 507,6 млн параметров, основана на плотной архитектуре Qwen3 и дообучена на обучающей части бенчмарка SkillRet. Она сохраняет интерфейс оценки Qwen3-Reranker, а её контекст составляет до 40 960 токенов. В README описана оценка на английских запросах и навыках; метаданные также указывают английский язык. На тестовом наборе SkillRet реранкер улучшил NDCG@5 с 0,8458 до 0,8610 при повторной сортировке 20 кандидатов. Переоценка кандидатов медленнее первичного поиска: для 20 навыков в README указано около 0,8 секунды на запрос на B200. Модель опубликована под лицензией Apache-2.0.

SmqBERT 100M Kazakh — энкодерная языковая модель с 100,1 млн параметров, разработанная автором репозитория salyamq и предварительно обученная на казахском корпусе salyamq/kk-corpus-v1. Она предназначена для предсказания замаскированных токенов и как предварительно обученный энкодер для последующей настройки под задачи NLP на казахском языке. Модель использует архитектуру SmqBERT с 16 слоями Transformer, скрытым размером 768 и словарём SentencePiece на 32 000 токенов. Контекст — до 8 192 токенов; внимание сочетает локальные окна и глобальные слои. Это не чат-модель и не модель авторегрессионной генерации текста. Модель подходит для контекстных представлений, извлечения признаков и дообучения для классификации, разметки токенов и поиска на казахском языке. Качество для других языков может снижаться; карточка не приводит результатов бенчмарков, а предсказания MLM не являются проверенными фактами. Для запуска с Transformers требуется пользовательский код модели и параметр trust_remote_code=True. Лицензия — Apache-2.0.

NeuML SportsBERT Small Embeddings — компактная модель эмбеддингов, разработанная NeuML и дообученная с помощью Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и извлечения релевантных материалов в системах RAG. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Обучение включало дистилляцию эмбеддингов более крупной модели DenseOn на случайной выборке статей Википедии, размеченных как относящиеся к спорту. README сообщает о результатах на отдельном наборе для оценки поиска: модель превзошла all-MiniLM-L6-v2 сопоставимого размера, но немного уступила DenseOn. Небольшой размер позволяет использовать её в том числе на CPU. Модель рассчитана прежде всего на англоязычные тексты спортивной тематики; качество для других областей и языков не подтверждено приведёнными данными. Лицензия — Apache-2.0.

TAPAS Large — модель Google на базе трансформера, похожего на BERT, для проверки утверждений по содержимому таблиц. Версия из репозитория дообучена на наборе TabFact: по текстовому утверждению и таблице она определяет, подтверждается ли утверждение таблицей или опровергается. Модель содержит 433,9 млн параметров, использует относительные позиционные эмбеддинги с перезапуском индексов в каждой ячейке; для обработки текст и таблица объединяются в последовательность. Контекст — до 1024 токенов по метаданным модели. TAPAS предварительно обучалась на англоязычных таблицах и связанных текстах из Википедии с помощью masked language modeling и дополнительного этапа обучения на синтетических примерах проверки утверждений и числовых рассуждений. Затем модель дообучили на TabFact. Она предназначена для проверки фактов в таблицах и может служить основой для задач вопросов и ответов по табличным данным, однако эта версия обучена именно классификации поддержки или опровержения утверждений. Репозиторий предоставляет веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

Карточка модели yifeihu/TF-ID-base на Hugging Face совпадает с карточкой yifeihu/TF-ID-large, поэтому описание составлено по ней. TF-ID-large — модель компьютерного зрения, разработанная Yifei Hu для поиска таблиц и рисунков на страницах научных статей. Это версия семейства TF-ID с 0,77 млрд параметров, дообученная на контрольных точках Microsoft Florence-2. На вход подаётся изображение одной страницы статьи; модель возвращает рамки объектов и их метки, включая подписи к таблицам и рисункам. Модель предназначена для извлечения структурных элементов научных публикаций и подготовки страниц к дальнейшему разбору или индексации. В проверке на 258 страницах статей вне обучающей выборки корректный результат получен для 253 страниц (98,06%); при этом возможны лишние или дробящие один объект рамки. Репозиторий содержит веса PyTorch в формате Safetensors. Лицензия — MIT.

transformers-ud-japanese-electra-base-discriminator — японская модель семейства ELECTRA, разработанная Megagon Labs и предварительно обученная примерно на 200 млн предложений из японской части корпуса mC4. Архитектура соответствует ELECTRA Base: 12 слоёв, скрытое представление размерности 768 и 12 голов внимания; число параметров — около 136,4 млн. Для токенизации используется SudachiTra с подсловным токенизатором WordPiece, максимальная длина контекста — 512 токенов. Модель предназначена для задач понимания японского текста и может служить дискриминатором ELECTRA или основой для дальнейшей адаптации под прикладные NLP-задачи. Это базовая модель предобучения, а не готовая диалоговая система. Репозиторий содержит веса PyTorch; лицензия — MIT.

Vela Domain — модель vllm-sr для определения тематики запроса и выбора подходящих моделей или инструментов среди 14 предметных областей. Это дообученная версия Vela-1.0-Encoder-307M на архитектуре ModernBERT для классификации последовательностей; модель содержит 306,9 млн параметров и принимает до 32 768 токенов с учётом специальных токенов. В метаданных указаны форматы safetensors и ONNX, библиотека Transformers и лицензия Apache-2.0. В карточке приведены результаты на наборах разработки для коротких запросов и длинного контекста: Vela показала более высокий Macro F1, чем исходная mmBERT32K Domain. Наборы разработки использовались при выборе чекпойнта и не являются независимым тестом; длинноконтекстная оценка включает лишь 28 примеров на длину и охватывает английский и китайский языки. Короткие запросы в оценке включали английский, китайский, испанский, французский, немецкий и японский.

Vintern-1B-v2 (Viet-InternVL2-1B-v2) — мультимодальная модель 5CD-AI для ответов на вопросы по изображениям на вьетнамском языке. Она дообучена на базе OpenGVLab/InternVL2-1B и сочетает визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую часть Qwen2-0.5B-Instruct. Модель имеет около 1 млрд параметров и контекст 4096 токенов. Модель предназначена для OCR-VQA, вопросов и ответов по документам и графикам, распознавания текста и общего визуального вопросно-ответного взаимодействия. В карточке описано дообучение на более чем 3 млн специализированных пар «изображение — вопрос — ответ»; авторы также указывают сценарии использования на устройствах с ограниченными ресурсами. Для дообучения приводится вариант с GPU T4 в Google Colab. Вьетнамский язык — основной; метаданные также указывают английский. README сообщает о сравнительной оценке на вьетнамских визуальных задачах, но отмечает, что использованные метрики являются предварительными. Модель распространяется по лицензии MIT.

TurkuNLP разработала многоязычную модель классификации регистров веб-текстов. Это дообученная на основе FacebookAI/xlm-roberta-large модель XLM-RoBERTa-large с архитектурой классификации последовательностей и 658,7 млн параметров. Она присваивает документам метки таксономии CORE: например, определяет, является ли текст новостным сообщением, инструкцией, отзывом, обсуждением или информационным описанием; некоторые метки образуют иерархию. Модель обучена на корпусах CORE для английского, финского, французского, шведского и турецкого языков. Она может выдавать прогнозы для языков, охватываемых XLM-RoBERTa-large; в README приведены результаты переноса на дополнительные языки. Контекст модели составляет 514 токенов. В тестах на обучающих языках F1 для всех меток составляет 0,72–0,79, а для основных меток — 0,75–0,82; результаты переноса на другие языки ниже, поэтому качество может зависеть от языка и типа текста. Модель предназначена для анализа жанровых и регистровых различий в корпусах и поддержки разработки открытых языковых моделей. Распространяется по лицензии Apache-2.0.

WRAPresentations — англоязычная модель Sentence-Transformers от TomatenMarc для построения эмбеддингов твитов и поиска сходства между ними в задачах анализа аргументации. Она основана на BERTweet-base с архитектурой RoBERTa и дообучена контрастивным обучением на датасете TACO. Модель кодирует твиты в 768-мерные векторы, в которых отражены классы Reason, Statement, Notification и None; эти представления можно использовать для последующей классификации и группировки твитов по смыслу аргументации и содержащейся информации. Модель предназначена для анализа англоязычных сообщений Twitter. В обучении использовались твиты по пяти темам, а отдельная тема #abortion служила отложенной выборкой для оценки. В карточке указаны 162,4 млн параметров и контекст до 130 токенов. Для получения эмбеддингов используется mean pooling; при применении через Transformers требуется корректно добавить pooling к выходам модели. Лицензия — CC BY-SA 4.0.

nahiar/xlm-roberta-ner-v2 — дообученная модель XLM-RoBERTa-Base для распознавания именованных сущностей в неформальных публикациях и комментариях в социальных сетях. Модель разработана для текстов на индонезийском и английском языках; её архитектура — XLMRobertaForTokenClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель присваивает токенам BIO-метки и распознаёт людей, организации, политические организации, географические объекты, события, места, законы, объекты инфраструктуры и произведения искусства. Она предназначена для мониторинга социальных сетей, отслеживания брендов и организаций, а также для поддержки модерации и анализа контента. В README указан F1 0,8354 на валидационном наборе, но результаты на других данных могут отличаться. Модель распространяется по лицензии Apache-2.0. Её качество может снижаться на формальных документах, коротких или неоднозначных сообщениях, текстах с обильным сленгом, сарказмом и смешением языков. Возможны смещения, унаследованные от обучающих данных; для чувствительной модерации рекомендуется проверка человеком.

afk-setfit-camembert-base-v1 — модель классификации французских новостных заголовков, разработанная для проекта AFK.live. Она дообучена с помощью SetFit на базе almanach/camembert-base и присваивает заголовкам одну из 12 тематических меток, включая франкоязычную политику, мировую геополитику, экономику, рынки и бизнес-технологии. Модель предназначена для тематической сортировки новостей и построения трендов в агрегаторе AFK.live. Модель имеет архитектуру CamemBERT, содержит 137,8 млн параметров и принимает текст с контекстом до 514 токенов. В карточке указаны accuracy 80,57% и средний F1 0,7962. Она распространяется по лицензии MIT. Результаты относятся к описанной задаче классификации французских новостных заголовков; для других типов текста и категорий качество не установлено.

leafxyz/arabic-ecom-cross-encoder-v4 — текстовый Cross-Encoder, дообученный разработчиком leafxyz на базе cross-encoder/mmarco-mMiniLMv2-L12-H384-v1 с библиотекой Sentence Transformers. Модель принимает пары текстов и выдаёт оценку их релевантности, которую можно использовать для переупорядочивания результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и имеет 124,3 млн параметров. Модель обучалась на 334 256 примерах и проверялась на 6 822 примерах. README указывает максимальную длину последовательности 128 токенов; метаданные каталога указывают нативный контекст 514 токенов. Примеры обучающих данных относятся к поиску товаров на арабском языке, поэтому модель ориентирована на ранжирование запросов и товарных описаний в арабской электронной коммерции. Модель возвращает один числовой показатель для пары текстов, а не готовый список или текстовый ответ. Лицензия в предоставленных данных не указана.

CogComp разработала модель классификации на базе BART, обученную определять, соответствует ли краткое изложение исходной статье. Для проверки на вход подают сначала текст краткого изложения, затем исходный документ; порядок важен. Модель предназначена для оценки достоверности резюме и поиска случаев, когда оно искажает содержание источника. Модель содержит 95,2 млн параметров, использует архитектуру BART для классификации последовательностей и принимает контекст длиной до 1024 токенов. В репозитории доступны версии для PyTorch и Flax; в карточке указан английский язык и датасет XSum. Модель опубликована в рамках исследовательской работы NAACL 2021. Лицензия — CC BY-SA 4.0.

Nithiwat/bert-base_claimbuster — модель классификации текста на базе BERT, дообученная на датасете ClaimBuster для обнаружения утверждений, заслуживающих проверки фактов. Она принимает текст и относит его к классам в рамках задачи выявления утверждений; в карточке указана точность 82%. Модель имеет 136,7 млн параметров, контекст до 512 токенов и доступна в формате PyTorch. Поддерживаемый язык — английский. Модель подходит для предварительного отбора утверждений в новостях, публикациях и других текстах перед проверкой фактчекерами. Лицензия — MIT. Показатель точности приведён в README без описания набора оценки и условий измерения, поэтому его не следует считать гарантией качества на других данных.

Модель fabr iceyhc/bert-base-uncased-yahoo_answers_topics — дообученная версия BERT base uncased для классификации текстов по темам набора Yahoo Answers Topics. Она принимает текст и относит его к тематической категории; опубликованный результат на оценочной выборке — точность 0,7499 при значении loss 0,8092. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для тематической сортировки вопросов и ответов, похожих на данные Yahoo Answers. Карточка не описывает категории, обучение и ограничения подробнее. Базовая модель ориентирована на английский текст. Лицензия — Apache-2.0.

Gurveer05/bge-base-eedi-2024 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 на наборе из 2 940 примеров. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В обучающих примерах используются вопросы и ответы по математике и варианты типичных ошибочных рассуждений учащихся. Это делает модель подходящей для поиска похожих учебных задач и сопоставления ответа с типом ошибки. Максимальная длина последовательности — 512 токенов. В метаданных указаны 136,7 млн параметров и лицензия не приведена.

FremyCompany/BioLORD-2023-M-Dutch-InContext-v1 — модель эмбеддингов на базе XLM-RoBERTa, разработанная Франсуа Реми, Крисом Демуйнком и Томасом Дестермером. Она преобразует фразы и предложения в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель дообучена для биомедицинской области и особенно подходит для клинических записей и медицинских документов. Модель кодирует биомедицинские упоминания на нидерландском и английском языках, учитывая контекст упоминания. Для этого используется шаблон «упоминание [SEP] (context: пример текста с упоминанием и окружающим текстом)». Поддерживается также кодирование упоминаний без контекста, особенно на английском. В отличие от других моделей серии, для представления упоминания используется токен CLS. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов. Лицензия указана как other; конкретные условия в доступных данных не описаны. Модель сохраняет способность строить эмбеддинги для текстов общего назначения, но ориентирована прежде всего на биомедицинские тексты.

almanach/camembertav2-base-pawsx — франкоязычная модель классификации текста, разработанная Виссамом Антуном из Almanach, Inria-Paris. Это дообученная для распознавания перефразировок модель DeBERTa-v2 с 138,4 млн параметров и контекстом до 1024 токенов. Она определяет, выражают ли две фразы или предложения одинаковый смысл, и предназначена для классификации французского текста. Модель обучена на FLUE-PAWS-X и показала точность 0,93511 на этом наборе данных. Лицензия MIT. Результаты могут зависеть от обучающих данных, а качество на других наборах данных и задачах может быть ниже.

Iker/ClickbaitFighter-2B — дообученная модель на основе Google Gemma 2B IT, созданная для генерации кратких содержательных пересказов статей по кликбейтным заголовкам на испанском языке. Она основана на плотной архитектуре GemmaForCausalLM, содержит 2,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель рассчитана на текстовую генерацию в диалоговом формате и обучена на датасете Iker/NoticIA. Модель подходит для подготовки краткого пересказа веб-статьи, чтобы передать её содержание без сенсационной подачи заголовка. В README упоминается более крупная ClickbaitFighter-10B как вариант с лучшими результатами. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции и ограничивает коммерческое использование и распространение производных работ условиями ShareAlike.

onnx-community/dictabert-ner-ONNX — ONNX-версия модели DictaBERT, разработанной Shaltiel Shmidman, Avi Shmidman и Moshe Koppel. Это дообученная модель архитектуры BERT-base для распознавания именованных сущностей в современном иврите. Модель предназначена для извлечения сущностей из текстов на иврите, включая людей, географические объекты, даты и временные выражения, а также некоторые титулы и другие категории. Она может использоваться в задачах анализа текста, поиска информации, структурирования документов и построения систем обработки естественного языка. В README приведён пример применения через пайплайн распознавания сущностей Transformers с агрегацией фрагментов токенов. Известно, что модель поддерживает иврит и основана на BERT-base; сведения о точном размере, длине контекста, используемых данных обучения и дополнительных модальностях не указаны. Модель специализирована для NER и не предназначена как универсальная генеративная языковая модель. К ограничениям относятся зависимость качества от домена и текста, а также отсутствие в README количественных метрик и подробного описания набора меток. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0), предусматривающая указание авторства.

trt19/gemma-300m-legal-ft1 — модель Sentence Transformers, дообученная на базе google/embeddinggemma-300m для представления юридических текстов в виде плотных эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и других задач, где нужно находить близкие по смыслу документы. Для сравнения используется косинусное сходство. Модель основана на плотной текстовой архитектуре Gemma 3 и содержит 302,8 млн параметров. Максимальная длина входной последовательности — 2048 токенов. В карточке приведены примеры на португальском языке из обучающего набора размером 1000 пар и троек текстов; поддержка других языков не подтверждена. Репозиторий использует safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

GIT-large-TextVQA — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная для ответов на вопросы по изображениям на наборе TextVQA. Она принимает изображение и текстовый вопрос, а затем генерирует текстовый ответ. Архитектура представляет собой плотный Transformer-декодер GitForCausalLM, работающий с визуальными токенами изображения и текстовыми токенами; размер модели — 80,1 млн параметров, контекст — 1024 токена. Модель предназначена прежде всего для визуальных вопросов и ответов, в том числе вопросов, для которых нужно прочитать текст на изображении. Семейство GIT также применимо к описанию изображений и видео, однако этот чекпойнт специально дообучен на TextVQA. Карточка указывает английский язык. Модель распространяется по лицензии MIT.

soddokayo/koelectra-base-klue-ner — дообученная модель семейства ELECTRA для распознавания именованных сущностей в корейском тексте. Она основана на monologg/koelectra-base-v3-discriminator и обучена на наборе данных KLUE. Модель содержит 140,1 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения и классификации сущностей в тексте на корейском языке. В оценке на тестовой выборке KLUE указаны F1 0,7911, точность 0,7710, полнота 0,8124 и accuracy 0,9588. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Подробные сведения о составе обучающих данных, типах сущностей и ограничениях применения в карточке не приведены.