I.1Поиск и навигация по информации

MyAwesomeModel — модель из репозитория tool1/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков через библиотеку Transformers. Метаданные относят её к семейству BERT и задаче feature extraction на базе PyTorch. README описывает обновлённую версию как модель с улучшенными рассуждениями, математикой, программированием, логикой, диалогами, суммаризацией, классификацией и function calling, однако эти сведения не согласуются с указанной в метаданных задачей feature extraction и не подтверждают архитектуру, размер, модальности, языки или длину контекста модели. Поэтому для каталога надёжнее рассматривать её прежде всего как Transformers-модель для получения векторных представлений текста. Модель может использоваться как компонент последующих систем машинного обучения, например для сравнения текстов, классификации или поиска по близости, если фактическая конфигурация репозитория это поддерживает. Ограничения, требования к вычислительным ресурсам и рекомендуемые параметры инференса для режима feature extraction в карточке не описаны. Лицензия модели — MIT.

synapti/nci-ner-v2 — модель распознавания именованных сущностей, дообученная Synapti на основе synapti/nci-ner-v2-stage-a. Она использует архитектуру RoBERTa для классификации токенов; содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. Репозиторий включает веса Safetensors и формат ONNX. Модель предназначена для выделения и классификации сущностей в тексте. В приведённой оценке на тестовой выборке получены precision 0,8651, recall 0,9020 и F1 0,8832. Языки и прикладная область в доступных сведениях не описаны. Лицензия — MIT.

Pix2Struct Widget Captioning Large — модель Google для понимания изображений, построенная по схеме «визуальный энкодер — текстовый декодер» и реализованная как Pix2StructForConditionalGeneration. Она принимает изображение и может отвечать на вопросы о его содержимом; семейство Pix2Struct также обучалось для создания подписей к изображениям и разбора визуально представленного языка. Предобучение включало преобразование замаскированных снимков веб-страниц в упрощённый HTML, а вход переменного разрешения позволяет работать с разнообразными визуальными материалами. Модель предназначена для визуальных вопросов и ответов, в том числе по изображениям веб-страниц, документов, интерфейсов, иллюстраций и фотографий. В метаданных указаны языки английский, французский, румынский и немецкий, а также мультиязычная поддержка. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает семейство Pix2Struct в целом, поэтому отдельные показатели качества и точные характеристики именно версии Widget Captioning Large здесь не подтверждены.

PLLuM-12B-base-2512 — базовая большая языковая модель семейства PLLuM, разработанного сначала консорциумом PLLuM, а с 2025 года — альянсом HIVE AI для открытых языковых технологий. Модель предназначена прежде всего для польского языка; в обучении также использовались английские тексты. Это плотная авторегрессионная модель на архитектуре Mistral с 12,1 млрд параметров и контекстом до 131 072 токенов. Модель генерирует связный текст и может служить основой для ответов на вопросы, суммаризации, извлечения информации и специализированных помощников. Для польских государственных и юридических сценариев README рекомендует опираться на поиск по документам и RAG. В обучении семейства использовались продолженное предобучение, инструкции на польском языке и предпочтения аннотаторов; конкретно этот вариант обозначен как base, поэтому он не является специально выровненной версией для диалога. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Результаты для конкретного варианта 12B и пределы его качества в доступных сведениях не уточнены.

Qwen-encoder-1.5B-i1-GGUF — квантованная версия текстовой encoder-модели knowledgator/Qwen-encoder-1.5B, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре Qwen и имеет около 1,5 млрд параметров. В карточке указаны английский язык и обучение на данных Wikimedia Wikipedia. Модель предназначена для задач, где нужны представления текста и анализ содержимого, включая классификацию, извлечение именованных сущностей (NER) и question answering. Как encoder она ориентирована на обработку входного текста, а не на генерацию диалоговых ответов. Максимальный размер контекста, поддерживаемые дополнительные модальности и подробные результаты оценки в README не указаны. Основное преимущество — доступность в большом наборе квантованных вариантов GGUF размером примерно от 0,5 до 1,4 ГБ, что упрощает запуск на устройствах с ограниченной памятью. При этом степень квантования влияет на качество: наиболее компактные варианты отмечены как имеющие низкое качество, а для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M. Лицензия модели — Apache-2.0.

Eka-Korn выпустил модель распознавания именованных сущностей на основе RoBERTa, дообученную на blinoff/roberta-base-russian-v0. Она выполняет токенную классификацию: каждому токену текста присваивается метка, что подходит для извлечения сущностей из русскоязычных текстов. В карточке приведены результаты на наборе оценки: F1 0,9570, точность 0,9483, полнота 0,9658 и accuracy 0,9923. Архитектура — RobertaForTokenClassification, размер — 151,7 млн параметров, длина контекста — 514 токенов; модель использует библиотеку Transformers и формат safetensors. Датасет обучения и набор распознаваемых типов сущностей не описаны, поэтому качество для конкретных категорий и предметных областей требует отдельной проверки. Лицензия в предоставленных данных не указана.

GinnM/ThermoFormer — модель на базе Transformers, опубликованная пользователем GinnM на Hugging Face. В метаданных она обозначена для задачи feature-extraction, то есть получения векторных представлений входных данных для последующего анализа или использования в прикладных системах. Модель содержит около 865,1 млн параметров и поддерживает контекст длиной до 1026 токенов. Модель может применяться как компонент систем, которым нужны признаки или эмбеддинги для сравнения объектов, поиска по смыслу, классификации и других downstream-задач. Библиотека Transformers и формат safetensors указаны в метаданных. Сведения о разработчике, языках, обучающих данных, архитектуре более высокого уровня, результатах оценки, лицензии и рекомендуемых сценариях использования в доступных материалах не приведены.

nreimers/TinyBERT_L-4_H-312_v2 — версия General_TinyBERT_v2, перенесённая в библиотеку Hugging Face Transformers. Это компактная модель архитектуры BERT с 4 слоями и размерностью скрытого представления 312; в метаданных указано 15,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и использования в задачах, построенных на таких представлениях. Модель принимает текст и выдаёт векторные представления. В карточке указаны реализации PyTorch и Flax. Языковая специализация и условия лицензии в доступных данных не описаны.

Davlan/xlm-roberta-large-ner-hrl — многоязычная модель распознавания именованных сущностей, разработанная Davlan на основе XLM-RoBERTa Large, дообученной для разметки токенов. Модель содержит 658,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель предназначена для извлечения из текста имён людей (PER), организаций (ORG) и мест (LOC) на арабском, немецком, английском, испанском, французском, итальянском, латышском, нидерландском, португальском и китайском языках. Её можно применять для разметки новостных текстов и извлечения сущностей в многоязычных потоках документов. Обучение проводилось на размеченных новостных корпусах для этих десяти языков. Поэтому качество может снижаться на других предметных областях и текстах, отличающихся от обучающих данных. Модель распространяется по лицензии AFL-3.0.

sgugger/bert-finetuned-mrpc — модель BERT, дообученная на наборе GLUE MRPC для классификации пар предложений. Она определяет, выражают ли два предложения одно и то же значение; на оценочной части MRPC в карточке указаны accuracy 0,8603 и F1 0,9032. Модель содержит 135,5 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель основана на bert-base-cased и предназначена для английского языка. Подходит для обнаружения перефразирований и проверки семантического сходства коротких текстов. Распространяется по лицензии Apache-2.0. Показатели относятся к оценке на MRPC; качество на других данных может отличаться.

Модель flair/entity-english-4class — модель распознавания именованных сущностей для английского языка, опубликованная для библиотеки Flair. Она размечает токены в тексте четырьмя классами сущностей; в карточке перечислены PER (имена людей), LOC (места) и ORG (организации), а четвёртый класс не описан. В README указан F1-score 95,6. Модель подходит для извлечения имён людей, мест и организаций из англоязычных текстов и структурирования упоминаний сущностей. Файлы представлены в формате PyTorch, задача Hugging Face — token-classification. Модель распространяется по лицензии Flukes NC 1.0: коммерческое использование требует отдельной лицензии.

EVA-CLIP-8B-448 — разработанная BAAI модель семейства CLIP для совместного представления изображений и текста. Она использует контрастивное обучение на парах изображение–текст и содержит 8,1 млрд параметров; вариант 448 дообучен на разрешении 448 пикселей на основе EVA-CLIP-8B. Модель предназначена для извлечения сопоставимых признаков изображений и текстовых описаний, классификации изображений без обучения на целевых классах и поиска изображений по тексту или текста по изображению. В карточке приведены результаты на наборах классификации изображений и видео и для задач retrieval; авторы сообщают среднюю точность zero-shot классификации изображений 80,0% на 27 бенчмарках. Обучение проводилось на объединённом наборе Merged-2B, составленном из LAION-2B и COYO-700M. Для работы доступны веса PyTorch и Hugging Face. Лицензия — Apache-2.0. Модель обрабатывает изображения и текст, но не предназначена для генерации описаний или изображений. Авторы предупреждают, что результаты при использовании Hugging Face-весов могут отличаться от опубликованных для PyTorch-весов; качество также зависит от целевого набора данных и формулировок текстовых меток.

Gemma4-26B-A4B-Uncensored-HauhauCS-1M-GGUF — GGUF-сборка, опубликованная satgeze на основе модели HauhauCS/Gemma4-26B-A4B-QAT-Uncensored-HauhauCS-Balanced-MTP, использующей архитектуру Gemma 4 с 26 млрд параметров и 4 млрд активных параметров в конфигурации MoE. Веса идентичны исходному релизу HauhauCS; в сборку добавлены масштабирование контекста, MTP-голова для спекулятивного декодирования и компоненты для обработки изображений. Модель предназначена для генерации текста, работы с очень большими документами и длинными промптами, а также для мультимодальных сценариев с изображениями. Заявлен контекст до 1 048 576 токенов благодаря YaRN-масштабированию в 4 раза относительно исходных 262 144 токенов. Vision-компонент проверен на распознавании текста и объектов на изображениях. MTP-голова совместно с llama.cpp может ускорять генерацию: в README указаны результаты 249,1–369,2 токена в секунду и прирост до 48% на RTX 5090 без изменения результата декодирования. К сильным сторонам относятся сверхдлинный контекст, поддержка изображений, возможность спекулятивного декодирования и формат GGUF, совместимый с llama.cpp и Ollama. При этом средний результат теста needle-in-a-haystack составляет около 91%, поэтому редкие пропуски при извлечении информации возможны; тестирование выше 524 тысяч токенов на момент публикации не завершено. Независимая оценка качества «раскодирования» и базовые языковые бенчмарки для этой сборки не приведены. Для работы требуются значительные ресурсы, особенно при использовании контекста в миллион токенов. Модель распространяется по лицензии Gemma.

GeRaCl-USER2-base — русскоязычная модель для классификации текста без примеров для заданных классов. Её разработали как часть семейства GeRaCl, дообучив sentence encoder USER2-base; модель содержит 155 млн параметров и использует плотную архитектуру классификатора. При работе пользователь передаёт текст и названия возможных классов, а модель оценивает их и выбирает наиболее подходящий. Модель предназначена для быстрой многоклассовой классификации русских текстов, в том числе по пользовательским категориям. В README приведены результаты на задачах MTEB-rus: среднее значение Mean(task) — 0,65; среди примеров — классификация отзывов Kinopoisk, заголовков и текстов по рубрикам GRNTI и OECD. Это результаты авторской оценки на указанном бенчмарке, а качество на других данных может отличаться. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Карточка модели Yukang/Llama-2-7b-longlora-100k-ft на Hugging Face совпадает с карточкой Yukang/Llama-2-7b-longlora-32k-ft, поэтому описание составлено по ней. Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

Prience91/ner_model_output — модель BERT для распознавания именованных сущностей в тексте, созданная дообучением huggingface-course/bert-finetuned-ner. Она выполняет поклассовую разметку токенов и подходит для извлечения имён людей, организаций, мест и других сущностей из текстов. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики на оценочном наборе: precision 0,6421, recall 0,6747, F1 0,6580 и accuracy 0,9242. Данные обучения названы неизвестным набором, поэтому область применимости и качество на иных текстах оценить нельзя. Лицензия — Apache-2.0.

NuExtract-1.5-tiny — разработанная NuMind модель извлечения структурированной информации, дообученная на Qwen/Qwen2.5-0.5B на частном высококачественном наборе данных. Она принимает текст документа и JSON-шаблон с нужными полями и генерирует заполненную структуру; модель настроена на точное извлечение, поэтому старается сохранять формулировки исходного текста. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. README заявляет поддержку английского, французского, испанского, немецкого, португальского и итальянского языков, а также работу с длинными документами. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для извлечения полей из документов и преобразования неструктурированного текста в JSON. Для более стабильного извлечения рекомендуется температура, равная нулю или близкая к ней. Русский язык среди заявленных языков не указан; качество извлечения в README не охарактеризовано численными результатами.

OpenThaiLLM-Prebuilt-7B — базовая языковая модель, разработанная командой OpenThaiLLM и продолжающая предобучение Qwen2.5-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 131 072 токена. В карточке указаны тайский, китайский и английский языки. Модель предназначена для прикладной адаптации и сценариев генерации, включая RAG, генерацию с ограничениями и задачи рассуждения. README приводит сравнительные результаты на тайских экзаменационных и языковых тестах. Авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения; для адаптации упоминается LoRA. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Polygraf NER Stage 3 — англоязычная модель для распознавания и классификации именованных сущностей в тексте. Разработана в рамках технического задания Polygraf Applied NLP и дообучена целиком на наборе inovruzova/polygraf-ner-stage2-expanded на базе энкодера ELECTRA Small Discriminator от Google. Архитектура — ElectraForTokenClassification, около 20,4 млн параметров по метаданным, контекст — до 512 токенов. Модель размечает восемь типов сущностей: людей, организации, места, дату и время, продукты, произведения искусства, профессии и суммы. Выпущена в формате safetensors. Подходит для извлечения сущностей из англоязычных текстов, например для предварительной разметки документов и поиска упоминаний людей, организаций, мест, товаров или денежных сумм. На тестовой выборке указана micro-F1 0,745; качество на обучающей выборке существенно выше, что указывает на запоминание обучающих примеров. Модель часто переопределяет сущности, хуже справляется с организациями, продуктами и произведениями искусства, а её некейсированный токенизатор не использует прописные буквы как признак имени. Весы распространяются по лицензии Apache 2.0; для повторного использования обучающих данных следует отдельно учитывать условия лицензий исходных корпусов.

RAGHal-large-en-v1 — англоязычный детектор неподдержанных фрагментов в ответах для RAG, суммаризации и преобразования данных в текст. Его разработчик дообучил энкодер ModernBERT-large с 394,7 млн параметров и головой классификации токенов на два класса: clean и hallucinated. Модель принимает prompt с контекстом и инструкцией вместе с ответом и выделяет неподдержанные или противоречащие источнику фрагменты; итоговый флаг отмечает ответ, если найден хотя бы один такой фрагмент. Максимальная длина входа — 8192 токена. Модель проверяет соответствие ответа предоставленному источнику, а не истинность утверждений в целом. Её можно применять для постфактум-аудита ответов RAG, суммаризаций и data-to-text, а также для подсветки фрагментов на ручную проверку. Лицензия — Apache-2.0. Модель предназначена только для английского языка. Результаты чувствительны к шаблону prompt; обучающая разметка автоматическая и может содержать шум, а для суммаризации отмечен низкий span recall. Для входов длиннее 8192 токенов потребуется усечение или разбиение контекста на фрагменты. README не рекомендует использовать модель для блокировки ответов без проверки человеком из-за возможных ложных срабатываний.

Veritone/siglip2-base-patch16-512-vision — это отдельная зрительная башня SigLIP 2 Base, созданная на основе google/siglip2-base-patch16-512. Репозиторий содержит только vision tower: она кодирует изображения и видеокадры в общее пространство эмбеддингов и рассчитана на отдельную загрузку при индексации. Текстовая башня для этапа поиска размещена в Veritone/siglip2-base-patch16-512-text. Модель на базе архитектуры SigLIP предназначена для классификации изображений по текстовым меткам без дообучения, поиска по сходству изображений и текста, а также использования в качестве визуального энкодера для мультимодальных моделей. SigLIP 2 предварительно обучена на наборе WebLI; версия Base использует изображения с разрешением 512 пикселей и патчи 16. Модель распространяется в формате Safetensors и доступна по лицензии Apache-2.0. Для сравнения изображения с текстовыми запросами нужна совместимая текстовая башня; этот репозиторий содержит только зрительную часть.

Модель learnrr/bert-base-ontonotes5-ner — англоязычная BERT-base-cased, дообученная на английской части набора OntoNotes 5.0 (CoNLL-2012) для распознавания именованных сущностей. Она размечает токены в тексте и распознаёт 18 типов сущностей, включая имена людей и организаций, географические названия, даты, суммы, события и произведения. Архитектура — BertForTokenClassification, размер — 135,5 млн параметров, формат весов — Safetensors, максимальная длина контекста — 512 токенов. Модель подходит для извлечения сущностей из англоязычных текстов и их последующей структуризации. В README приведены результаты на тестовой части OntoNotes 5.0, но показаны лишь отдельные классы, поэтому по карточке нельзя оценить качество на всех типах сущностей или на данных из других областей. Модель распространяется по лицензии MIT.

shimogerald/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Модель основана на google-bert/bert-base-uncased и распространяется в формате Safetensors. На указанном в карточке наборе для оценки модель достигла F1 0,9463, точности 0,9421, полноты 0,9505 и accuracy 0,9892. Датасет и набор меток не описаны, поэтому неизвестно, какие именно типы сущностей она распознаёт и насколько результаты применимы к другим данным. Лицензия — Apache-2.0.

Модель Sartaj, дообученная на основе google-bert/bert-base-uncased для распознавания именованных сущностей в английском тексте. Она размечает токены, выделяя сущности, включая местоположения, организации и категории MISC, и подходит для извлечения структурированных упоминаний из предложений и документов. Модель построена на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Для работы используются Transformers и формат весов safetensors. В карточке указаны результаты на наборе CoNLL-2003: F1 0,9053, точность 0,8992 и полнота 0,9115. Модель предназначена для английского языка; показатели на других языках и доменах не приведены. Лицензия Apache-2.0.

camembert-ner-with-dates — французская модель распознавания именованных сущностей на основе CamemBERT, созданная Jean-Baptiste как расширение модели camembert-ner. Она выполняет разметку токенов, выделяя людей, местоположения, организации, прочие сущности и даты. Модель обучена на обогащённой версии WikiNER на французском языке, содержащей около 170 тысяч предложений, и подходит, например, для извлечения сущностей из электронных писем и чатов. Модель содержит 137,8 млн параметров и принимает контекст до 514 токенов. Для общей разметки сущностей в README указаны precision и recall 0,928 и F1 0,928; автор оценивает F1 для метки DATE примерно в 90%, но отмечает, что эта оценка получена особым способом добавления дат в датасет. Лицензия — MIT. Для преобразования найденных выражений дат в объекты даты и времени README предлагает дополнительно использовать dateparser.

murtsu/capnstop — чат-модель на базе Granite 4.2 с системным промптом, который задаёт ограниченный бюджет усилий для ответа. Она предназначена для диалога и генерации текста, когда важны краткость и проверяемость: модель разбивает задачу на подцели, проверяет их по критериям завершения и останавливается после подтверждения результата. Если не может проверить часть ответа, она должна сообщить об этом и оценить уверенность, а при затруднении — попробовать другой подход вместо повторения одной попытки. Подход Budgeted Reward Allocation Марко Тахванайнена реализован промптингом, а не дообучением. Модель основана на Granite 4.2 и распространяется в формате GGUF для запуска через Ollama. В README указаны параметры генерации: temperature 0.6, top_p 0.95 и repeat_penalty 1.15. Лицензия — Apache 2.0.

Conflibert-named-entity-recognition — модель на архитектуре BERT, разработанная на основе ConfliBERT и дообученная для распознавания и классификации именованных сущностей в тексте. Она выделяет, в частности, людей, организации, географические названия, выражения времени и денежные значения. Модель предназначена для извлечения сущностей из текстовых материалов, в том числе для подготовки данных к анализу политических конфликтов и насилия. Размер составляет 136,3 млн параметров, максимальная длина контекста — 512 токенов; веса опубликованы в формате safetensors. Лицензия — GPL-3.0.

google/electra-base-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель основана на Transformer и обучалась различать исходные токены текста и заменённые токены, сгенерированные другой нейросетью. Веса содержат 136,7 млн параметров, контекст — до 512 токенов; доступны версии для PyTorch, TensorFlow и Flax. Модель предназначена для тонкой настройки на задачи классификации текста, ответов на вопросы и разметки последовательностей, включая извлечение фрагментов текста. Это базовый дискриминаторный энкодер, а не готовая модель для генерации ответов: для прикладных задач обычно требуется соответствующая голова и дообучение. Лицензия — Apache 2.0.

Faro-Yi-34B — чат-модель на основе Yi-34B-200K, разработанная Wenbopan и дообученная на больших объёмах синтетических инструкционных данных из Fusang-V1. Она предназначена для диалогов и широкого круга задач по инструкциям, включая работу с длинными документами и сложными запросами. Модель использует плотную архитектуру семейства Llama с 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Она рассчитана на китайский и английский языки; для длинных входов автор рекомендует запуск через vLLM. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка заявляет улучшенное выполнение различных задач и устойчивую работу с длинным контекстом, но не приводит количественных оценок или результатов бенчмарков. Качество на других языках не заявлено.

GuardrailsAI/finetuned_nli_provenance — модель классификации текста, разработанная Guardrails AI. Она предназначена для проверки связи между утверждением и исходным контекстом в сценариях контроля происхождения и фактической обоснованности ответов языковых моделей, включая оценку того, следует ли гипотеза из предоставленного текста. Модель основана на архитектуре RoBERTa и содержит около 454,1 млн параметров; поддерживает текстовый ввод и контекст до 514 токенов. В Hugging Face она опубликована для задачи text-classification и распространяется по лицензии Apache-2.0. Доступная карточка модели содержит ограниченное описание, поэтому сведения о точных данных обучения, метриках, поддерживаемых естественных языках и деталях меток классификации не установлены.