I.1Поиск и навигация по информации

AZOU — модель классификации корейского текста, разработанная Ким Хигю, Пак Сонхо, Юк Сехёном и Ким Хёджин. Она оценивает связь между входным текстом, инструкцией и заданной меткой: более высокий балл означает, что метка лучше соответствует инструкции и тексту. Такой формат позволяет применять модель к классификации без отдельного обучения на каждую задачу, в том числе для определения темы, выявления ненавистнических высказываний, поиска и фильтрации текстов по заданным критериям. Модель основана на klue/roberta-large и имеет архитектуру RoBERTa для классификации последовательностей; в репозитории представлены веса PyTorch. Размер — 435,4 млн параметров, контекст — до 514 токенов. Карточка приводит результаты на корейских наборах данных для задач классификации, включая сравнение с GPT-3.5 на отдельных тестах. Модель распространяется по лицензии MIT.

Модель gagan3012/bert-tiny-finetuned-ner — компактная модель разметки последовательностей на основе prajjwal1/bert-tiny, дообученная на наборе данных CoNLL-2003. Она использует архитектуру BERT и содержит около 4,4 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для распознавания именованных сущностей в тексте, например имён людей, организаций и географических названий. На оценочной выборке CoNLL-2003 указаны F1 0,8177, точность 0,8083, полнота 0,8274 и accuracy 0,9598. Карточка не описывает ограничения или условия лицензии, поэтому их нельзя уточнить по доступным данным.

Carnice-9b-GGUF — набор GGUF-сборок модели Carnice-9b, разработанной kai-os на основе Qwen/Qwen3.5-9B и специально дообученной для работы с Hermes-Agent. Модель предназначена прежде всего для локальных агентных сценариев, в которых требуется многошаговое взаимодействие с инструментами, включая терминал, файловую систему и браузер, а также корректное формирование действий в формате, ожидаемом Hermes-Agent. Обучение было ориентировано не на обычный диалоговый стиль, а на tool-use и поведение автономного агента в многоходовых задачах. В обучающие данные входили Hermes-совместимые траектории, примеры восстановления общего reasoning после специализированного дообучения и дополнительный этап настройки под формат действий и использование инструментов в Hermes-Agent. Модель имеет размер 9B и поддерживает текстовую генерацию; сведения о языках, максимальном контексте и мультимодальных возможностях в README не указаны. Репозиторий содержит три варианта квантизации: Q4_K_M размером около 5,3 ГБ для наиболее быстрого локального тестирования, Q6_K размером около 6,9 ГБ как компромисс между качеством и размером и Q8_0 размером около 8,9 ГБ для максимального качества среди GGUF-вариантов. Сборки предназначены для запуска через llama.cpp и являются самостоятельными объединёнными моделями, а не PEFT-адаптерами. Ограничения включают зависимость качества и скорости от выбранной квантизации и оборудования, а также специализированную ориентацию на Hermes-Agent, из-за которой поведение в универсальных чат-сценариях может не быть основной целью модели. Модель распространяется по лицензии Apache-2.0.

Babelscape/cner-base — модель на базе DeBERTa-v3-base, дообученная Babelscape на один эпохе датасета CNER. Она совместно распознаёт в тексте понятия и именованные сущности, присваивая им детализированные метки. Модель предназначена для извлечения сущностей и понятий из англоязычных текстов; её можно применять через NER pipeline библиотеки Transformers. Размер модели — 211,6 млн параметров, контекст — до 512 токенов. Результаты могут отличаться от опубликованных в статье NAACL 2024, поскольку модель обучалась один эпохой с настройками по умолчанию. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0 только для некоммерческих исследовательских целей; базовая microsoft/deberta-v3-base имеет лицензию MIT.

EM German 13B v01 — модель jphme на базе Llama 2, дообученная на большом наборе инструкций на немецком языке. Она предназначена для понимания и генерации немецкого текста в формате диалога с помощником и может применяться для ответов на вопросы, выполнения инструкций и сценариев RAG. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и имеет контекст длиной до 4096 токенов. Модель ориентирована на немецкий язык. В README автор рекомендует при неудовлетворительных результатах попробовать другую или более крупную версию семейства; также приведены результаты сравнений версий на примерах, но сведения об оценках именно этой версии не приведены. Лицензия — Llama 2; распространяется исходная лицензия базовой модели. Автор указывает, что модель предназначена только для исследовательского использования.

facebook/fasttext-de-vectors — предварительно обученные векторные представления немецких слов на основе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и использования их в задачах извлечения признаков, классификации текста и определения языка. fastText работает на обычных многоядерных процессорах; обучение и применение не требуют специализированного оборудования. Векторы размерности 300 обучены методом CBOW с весами позиций, символьными n-граммами длины 5, окном 5 и 10 отрицательными примерами. Обучающие данные взяты из Common Crawl и Википедии. Лицензия — CC BY-SA 3.0. Модель может наследовать смещения обучающих данных; сходство векторов не гарантирует семантической эквивалентности.

rookshanks/gemma_300m_grocery — модель Sentence Transformer, дообученная разработчиком на базе google/embeddinggemma-300m для поиска и сравнения текстов о продуктах и товарах в продуктовом каталоге. Она кодирует предложения и абзацы в плотные векторы размерности 768; близость векторов измеряется косинусным сходством. Модель подходит для семантического поиска, подбора похожих товаров, поиска перефразировок, кластеризации и классификации текста. Модель основана на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает текстовые последовательности длиной до 2048 токенов. В обучении использовались 4571 пример с парами положительных и отрицательных соответствий; в README приведена оценка cosine_accuracy 0,7988 на наборе TripletEvaluator. Для запуска предусмотрена библиотека sentence-transformers, веса опубликованы в формате safetensors. Лицензия модели — Apache-2.0.

ZySec-AI подготовила экспериментальную модификацию Gemma 3 27B IT с удалёнными отказами с помощью техники abliteration и минимальным дообучением. Это плотная мультимодальная модель семейства Gemma 3 на 27 млрд параметров, основанная на google/gemma-3-27b-it; она поддерживает диалог, работу с изображениями и вызов инструментов. Модель предназначена для ответов на запросы и работы с изображениями в сценариях, где требуется меньше отказов, чем у исходной версии. В карточке заявлено, что сохранена большая часть возможностей базовой модели, но независимая оценка качества не приведена. Распространяется в формате Safetensors по лицензии Gemma.

GrayLine-Qwen3-14B-i1-GGUF — это набор взвешенных imatrix-квантизаций в формате GGUF базовой модели GrayLine-Qwen3-14B, разработанной soob3123 и квантизированной mradermacher. Модель основана на Qwen3 с заявленным размером 14 миллиардов параметров. В README указаны английский язык и библиотека Transformers, однако сведения о точной архитектуре, размере контекста и поддерживаемых модальностях отсутствуют. Модель предназначена для генерации текста, прямых ответов, информационного поиска и работы с общими знаниями. В метаданных она также описана как uncensored, unfiltered и amoral-ai, поэтому её поведение может быть менее ограниченным стандартными защитными настройками. Доступны варианты квантизации от IQ1 и Q2 до Q6, размером примерно от 3,7 до 12,2 ГБ; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Более низкие уровни квантизации могут заметно снижать качество. Лицензия модели указана как Apache-2.0. Ограничения включают возможную потерю качества из-за квантизации, особенно у малых вариантов, а также отсутствие в README подробных результатов оценки, описания обучающих процедур базовой модели и гарантий точности ответов.

GrayLine-Qwen3-8B-i1-GGUF — квантизированная GGUF-версия текстовой модели GrayLine-Qwen3-8B, разработанной soob3123 и подготовленной в виде imatrix-квантов mradermacher. Модель основана на Qwen3-8B и дообучалась на наборах GrayLine-QA и GrayLine-QA-Reasoning. В README указаны сценарии генерации текста, прямых ответов, поиска информации и работы с общими знаниями; также отмечается нефильтрованный характер модели. Модель содержит около 8 миллиардов параметров, работает с текстом и предназначена для английского языка. Доступна в нескольких вариантах GGUF-квантизации размером примерно от 2,2 до 6,8 ГБ. Варианты различаются балансом между размером, скоростью и качеством: README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Более агрессивные низкобитные варианты экономят память, но могут заметно уступать в качестве; конкретный размер контекста в README не указан. Сильными сторонами являются широкий выбор вариантов квантизации и возможность запуска в средах, поддерживающих GGUF. Ограничения включают потенциальное снижение качества при низкой битности, отсутствие заявленных мультимодальных возможностей и отсутствие данных о результатах бенчмарков. Лицензия модели указана как Apache-2.0.

MeherMs разработал дообученную модель Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для сравнения смысловой близости предложений и абзацев, в частности формулировок юридических договоров. Энкодер на архитектуре BERT преобразует текст в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели заявляет максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления договорных положений, например для поиска похожих условий или выявления близких по смыслу формулировок. Она принимает и выдаёт текстовые представления в виде эмбеддингов, а не готовые юридические выводы. В README приведена оценка на небольшом наборе из 10 обучающих примеров; заявленные идеальные метрики на указанной оценке не подтверждают надёжность на более широких или иных юридических данных. Лицензия в предоставленных источниках не указана.

LongAlign-7B-64k-base — базовая языковая модель семейства Llama, подготовленная командой проекта LongAlign на основе Llama-2-7B с расширенным контекстным окном до 64 тысяч токенов. Она предназначена для генерации текста и служит основой для выравнивания LLM под инструкции на длинном контексте. Проект LongAlign предлагает набор LongAlign-10k из 10 000 инструкций длиной 8–64 тысячи токенов, стратегии обучения с упаковкой примеров и сортировкой по длине, а также оценку LongBench-Chat для запросов длиной 10–100 тысяч токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и доступна в формате PyTorch для Transformers. В карточке указана поддержка английского и китайского языков. Лицензия — Apache-2.0. Это базовая модель с расширенным контекстом; README не утверждает, что именно этот вариант уже дообучен для диалогового следования инструкциям. Практическая длина контекста при использовании и качество на длинных запросах могут зависеть от конфигурации и сценария запуска.

LWM-Text-Chat-128K — открытая авторегрессионная языковая модель LargeWorldModel на архитектуре Transformer семейства LLaMA. Модель с 6,6 млрд параметров дообучена на основе LLaMA-2; контекст составляет 131 072 токена. Модель предназначена для генерации текста и работы с длинными документами: её обучали на подмножестве Books3 из 92 тысяч документов длиной от 100 до 200 тысяч токенов. Это позволяет использовать её для диалога и создания продолжений текста с большим контекстом. В карточке указана лицензия на открытое использование, однако её условия здесь не приведены.

MyAwesomeModel — модель из репозитория asd21ecxxz12/MyAwesomeModel-TestRepo, распространяемая по лицензии MIT и предназначенная для извлечения признаков из текста. Согласно метаданным, модель использует экосистему Transformers и PyTorch, а также относится к семейству BERT по тегам Hugging Face. README позиционирует модель как обновлённую версию с улучшенными возможностями рассуждения, понимания текста, классификации, анализа тональности, ответов на вопросы, суммаризации, генерации кода и диалогов, а также с поддержкой function calling. Однако заявленные в README генеративные и диалоговые сценарии не согласуются с pipeline-тегом feature-extraction, поэтому их следует рассматривать как заявления карточки, требующие проверки по конфигурации и файлам модели.

Qwen3.5-0.8B Pure Text ZH-EN — производная текстовая модель, созданная автором репозитория на основе Qwen/Qwen3.5-0.8B. Из неё удалены компоненты для обработки изображений, аудио и видео, а также веса MTP; архитектура преобразована в Qwen3_5ForCausalLM. Словарь сокращён с 248 320 до 182 684 токенов, сохранённые веса не дообучались. Модель содержит около 685 млн параметров и распространяется в формате BF16 safetensors; заявленный контекст — до 262 144 токенов. Модель рассчитана на генерацию текста и диалоги преимущественно на китайском и английском языках. В README приведён пример классификации поисковых запросов китайской электронной торговли: точность составила 81%, а совпадение ответов с исходной моделью — 97 из 100 случаев. Для уже токенизированных наборов данных требуется перенумерация токенов с помощью old2new.json. Другие языки декодируются, но могут требовать больше токенов; перед производственным использованием автор рекомендует короткий этап дополнительного предобучения или SFT. Поддержка предусмотрена в Transformers с реализацией Qwen3_5ForCausalLM; лицензия — Apache-2.0.

ReLiK Reader — компонент для извлечения сущностей и отношений из текста, разработанный командой SapienzaNLP. Этот репозиторий содержит веса reader-компонента модели ReLiK, предназначенной для связывания сущностей с записями в базе знаний и извлечения отношений; полный конвейер ReLiK также включает retriever, который подбирает релевантные документы. В карточке указана архитектура RelikReaderREModel и формат PyTorch. Модель ориентирована на английский язык и оценивалась на наборе NYT. Для запуска полного конвейера требуется библиотека relik; лицензия в доступных данных не приведена.

McGill-NLP/roberta-large-faithcritic — модель RoBERTa large, дообученная на FaithCritic, производном датасета FaithDial. Она классифицирует высказывание как соответствующее или не соответствующее исходным знаниям и предназначена для проверки фактической верности ответов в диалоговых системах с опорой на источники. Модель имеет архитектуру RobertaForSequenceClassification, содержит 454,1 млн параметров и принимает текст с контекстом длиной до 514 токенов. Выпущена под лицензией MIT.

Samrudh-1 Brahma 7B — инструктивная языковая модель с дообучением для рассуждений и диалоговых задач, выпущенная Samrudh (dwivedula). Она основана на Qwen2.5-7B-Instruct и дообучена методом QLoRA с 4-битным NF4; в репозитории представлены веса Safetensors, а автор также указывает отдельную GGUF-версию. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста и общения. В карточке заявлена специализация на разговорном телугу, включая региональные варианты Telangana, Rayalaseema и Coastal Andhra, а также на задачах правового соответствия, количественных финансовых оценок и фармакологии. Автор также описывает извлечение точных цитат из длинных документов и генерацию синтаксических преобразований на основе правил Панини. Эти возможности и результаты тестов приведены в карточке модели; независимых подтверждений им там нет. Модель распространяется по лицензии Apache 2.0. Она может быть полезна для прототипирования тематических помощников и локального запуска, но численные заявления о качестве не следует считать гарантией точности в финансовых, правовых или клинических решениях.

SEA-CLIP-Tiny-abl-loss-clip — экспериментальный вариант мультиязычной модели CLIP, представленный как строка абляции в работе SEA-CLIP-Tiny для ACCV 2026. Модель обучена только с контрастивной функцией потерь, без компонента дистилляции. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без дополнительного обучения. Архитектура включает визуальную башню ViT-T/16 и 12-слойную текстовую башню шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Текстовый энкодер использует CLIP BPE с контекстом 77 токенов. В карточке заявлены английский и ряд языков Юго-Восточной Азии. Модель загружается через open_clip, веса доступны в формате PyTorch. В опубликованных результатах указаны точность zero-shot на ImageNet 31,4% и средний retrieval R@1 7,3% по наборам XM3600, Flickr30k-200 и XTD-200. Это контрольный вариант абляции, поэтому результаты относятся к конкретным экспериментальным настройкам и могут уступать основной модели SEA-CLIP-Tiny. Лицензия — MIT.

alunadiderot подготовил модель классификации текста на базе SetFit и intfloat/multilingual-e5-base. Она дообучена методом few-shot: Sentence Transformer сначала адаптирован контрастивным обучением, затем поверх его признаков обучен классификатор LogisticRegression. Модель распределяет тексты по 12 категориям; среди примеров в карточке указаны Business и Politics. Заявленная точность на наборе оценки составляет 0,8222. Модель предназначена для тематической классификации коротких текстов, например новостных статей и сообщений. Архитектура включает XLM-RoBERTa, размер составляет 305,2 млн параметров, максимальная длина последовательности — 512 токенов. Базовая модель multilingual-e5-base ориентирована на многоязычные текстовые эмбеддинги; конкретный перечень поддерживаемых языков для классификатора не приведён. Лицензия в предоставленных данных не указана.

SigLIP Large Patch16 384 — мультимодальная модель Google для сопоставления изображений и текста. Она предварительно обучена на англоязычных парах изображение–текст из набора WebLI и использует функцию потерь на основе сигмоиды, предложенную в работе Sigmoid Loss for Language Image Pre-Training. Модель принимает изображения с разрешением 384×384 и текстовые запросы длиной до 64 токенов. Модель предназначена для классификации изображений без примеров обучения по заданным текстовым меткам, а также для поиска соответствий между изображениями и текстом. Её можно применять для классификации изображений по описаниям и поиска изображений по текстовому запросу или текста по изображению. Текстовая часть обучалась на английских данных, поэтому поддержка других языков не подтверждена. Весовые файлы опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество может зависеть от формулировки текстовых меток и распределения данных; карточка не приводит конкретных ограничений по применению.

Это визуальный энкодер SigLIP из библиотеки timm, опубликованный на Hugging Face командой timm. Модель принимает изображения и извлекает их признаки; текстовый энкодер и возможности генерации в карточке не заявлены. В названии указаны архитектура ViT-Base с патчами 16×16 и разрешение 512 пикселей; сохранён оригинальный механизм attention pooling SigLIP. Модель предназначена для получения визуальных представлений, которые можно использовать в системах поиска по изображениям и других задачах, где нужны признаки изображения. Доступны веса PyTorch и Safetensors, лицензия — Apache 2.0.

cahya/xlm-roberta-base-indonesian-NER — модель Cahya для распознавания именованных сущностей в индонезийском тексте. Это XLM-RoBERTa с архитектурой классификации токенов, около 305,2 млн параметров и контекстом до 514 токенов. Она присваивает метки отдельным токенам, чтобы выделять сущности в тексте; карточка Hugging Face не содержит подробностей о наборе меток или оценках качества. Модель доступна в форматах PyTorch и Safetensors и предназначена для задачи token classification. Лицензия в доступных метаданных и карточке не установлена.

BibTexer — специализированная языковая модель PleIAs для извлечения библиографических ссылок из неструктурированного текста и преобразования их в записи BibTeX, пригодные для загрузки в библиографические базы данных. Модель обучена на разнообразных библиографических стилях, в том числе представленных в Zotero, и на повреждённых текстах с переносами строк и артефактами оцифровки. Модель предназначена для обработки библиографий на европейских языках и поддерживает многоязычные стили и форматы. Это DeBERTa-v2 с 306 млн параметров, настроенная для классификации токенов; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0. README описывает преобразование ссылок в BibTeX, но не приводит количественных оценок качества.

AbstractPhil разработал компактный визуальный энкодер CLIP, полученный дистилляцией модели ViT. Он формирует эмбеддинги изображений размерности 512, совместимые с текстовым энкодером CLIP-B/16 LAION-2B, и предназначен для извлечения признаков и сопоставления изображений с текстом. Архитектура включает 12 слоёв, скрытый размер 240, 4 головы внимания, CLS-токен и линейную проекционную голову; размер входа — 160×160 пикселей, патч — 16×16. В README указано 8,66 млн параметров, метаданные каталога сообщают 11,1 млн. Модель обучена дистилляцией на CC12M по консенсусу пяти CLIP-учителей; её выходы преобразуются фиксированным вращением в пространство целевого текстового энкодера. Это позволяет использовать её для получения признаков и zero-shot сопоставления, при существенно меньшем размере визуального энкодера, чем у CLIP-B/16. В опубликованных оценках качество zero-shot на CIFAR-10/100 составляет около 45–48% от учителя; результаты поиска по COCO ограничены оценкой на отложенной половине набора. Это исследовательский чекпойнт с ограниченной проверкой: в README отмечены два seed на целевую функцию, один размер модели и один набор условий обучения; требуемый авторами порог жизнеспособности не достигнут. Лицензия — Apache-2.0. Загрузка через Transformers требует `trust_remote_code=True`.

samchain/econo-sentence-v2 — модель Sentence Transformers, разработанная samchain на основе дообучения samchain/EconoBert. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска похожих текстов, обнаружения перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и косинусной мерой сходства; максимальная длина входа — 512 токенов. Модель обучена на парных текстовых данных по экономике и финансам econo-pairs-v2 с CoSENTLoss. В описанной оценке коэффициент Spearman для косинусного сходства составил 0,862 на econo-pairs-v2 и 0,8295 на econo-pairs-v1. Репозиторий распространяется по лицензии Apache-2.0. Карточка указывает английский язык; качество для других языков не подтверждено.

sapkotapraful/FullyOCR-2-dev — дообученная с помощью TRL модель на базе unsloth/Qwen3.5-0.8B. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для обработки изображений с формированием текстового ответа. В карточке Hugging Face указана задача image-text-to-text и возможность работы с изображениями. Модель можно применять для извлечения текста и сведений из изображений, а также для вопросов и ответов по визуальным материалам. README содержит пример диалоговой генерации текста, но не описывает специализированные OCR-возможности, обучающие данные, качество распознавания, поддерживаемые языки или длину контекста. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Collab-uniba разработала sentence-transformers-модель на базе MPNet для вычисления смыслового сходства текстов о проблемах GitHub. Модель обучена на наборе NLBSE22 после удаления записей с пустым описанием и дубликатов; обучающей паре служили заголовок и тело одной и той же проблемы. Обучение продолжалось 10 эпох с Multiple Negative Ranking Loss и косинусным сходством. Модель предназначена для получения эмбеддингов и сопоставления заголовков с описаниями GitHub Issues, например для поиска похожих проблем и ранжирования кандидатов. Архитектура — плотная MPNet с 136,7 млн параметров; максимальная длина контекста составляет 514 токенов. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

HassanB4 разработал halluscoring-marbert-nli — арабоязычный классификатор для оценки галлюцинаций в ответах языковых моделей. Это дообученная на наборе HalluScoring-2026-Task1.1 модель UBC-NLP/MARBERTv2 с архитектурой BERT и классификационной головой. Она получает эталонный ответ и ответ модели в формате NLI: gold_answer и model_answer разделяются специальными токенами. Максимальная длина последовательности — 512 токенов, размер модели — 190 млн параметров. Модель предназначена для определения соответствия ответа модели эталонному в задачах оценки и контроля качества ответов на арабском языке. В README указаны значения AUC-ROC 0,9562 и F1-Macro 0,8989 на официальной dev-выборке; на чистом подмножестве с ранее не встречавшимися вопросами AUC-ROC составил 0,9266. Модель не оценивалась на скрытой тестовой выборке, а её предсказания оказались избыточны относительно halluscoring-arbert-nli, поэтому она не вошла в финальный ансамбль соревнования. Распространяется по лицензии Apache-2.0.

allenai/ivila-block-layoutlm-finetuned-docbank — модель Allen Institute for AI (AI2) для классификации токенов в научных документах с учётом их визуальной структуры. Она основана на архитектуре LayoutLM и дообучена на наборе DocBank; вариант block обрабатывает документные блоки. Модель рассчитана на разметку текстовых фрагментов в научных статьях, например для определения типов элементов страницы. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и поддерживает английский язык. Карточка указывает задачу token classification и формат PyTorch. Применение возможно через Transformers. Сведения о лицензии и конкретных ограничениях качества в доступных источниках не приведены.