I.3Извлечение и структурирование данных

GLM-4.1V-9B-Thinking — мультимодальная модель семейства GLM-4V от Zhipu AI, опубликованная в формате Unsloth. Это дообученная модель с архитектурой Glm4vForConditionalGeneration и 8,8 млрд параметров, предназначенная для диалога и рассуждений по тексту и изображениям. Она поддерживает английский и китайский языки и контекст до 65 536 токенов. Модель рассчитана на решение задач, где нужно совместно анализировать изображение и текст: отвечать на вопросы по изображению, разбирать визуальные задачи и вести диалог с учётом изображения. README заявляет поддержку произвольных соотношений сторон и изображений разрешением до 4K, а также улучшенные результаты на ряде бенчмарков VLM благодаря подходу с рассуждениями и обучению с подкреплением. Модель распространяется под лицензией MIT. Указанные возможности и результаты основаны на описании разработчика; качество может различаться в зависимости от задачи и входных данных.

m3hrdadfi/gpt2-persian-qa — дообученная модель GPT-2 для ответов на вопросы по тексту на персидском языке. Её обучали на PersianQA и оценивали на PersianQA и задаче чтения с пониманием из ParsinLU; карточка также упоминает демонстрационное приложение на Streamlit. Модель предназначена для сценариев вопросно-ответного поиска по предоставленному контексту. Она использует плотную архитектуру GPT2LMHeadModel, принимает текст и генерирует текстовый ответ. Максимальная длина контекста — 1024 токена; доступны веса в форматах PyTorch и TensorFlow. В README приведены F1 45,93 и Exact Match 23,19 для PersianQA, а для ParsNLU — F1 46,95 и Exact Match 20,39. Эти результаты относятся к указанным наборам данных. Инструкция по использованию в карточке пока не заполнена. Лицензия и число параметров в предоставленных источниках не указаны.

Historical NER Baseline — модель распознавания именованных сущностей в исторических газетных текстах, опубликованная в рамках экспериментов historical-ner. Она основана на многоязычной BERT-модели dbmdz/bert-base-historic-multilingual-cased и дообучена для классификации токенов; размер составляет 137,8 млн параметров, контекст — до 512 токенов. Модель предназначена прежде всего для выделения сущностей в исторских французских текстах. Она предсказывает укрупнённые метки людей, мест, организаций, продуктов и дат; в README приведена оценка F1 0,7668 в целом, с заметно различающимися результатами по классам. Метаданные также связывают модель с французским, английским и немецким языками и набором HIPE-2022. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0. Результаты на других языках и типах текстов, а также качество на современных документах не подтверждены; наибольшая оценка в приведённых результатах относится к местам, а распознавание дат показывает более низкий F1.

Magi — модель Ragav Sachdeva и Andrew Zisserman из Оксфордского университета для работы с мангой и комиксами. Карточка описывает её как систему автоматической генерации транскрипций для комиксов. В метаданных указаны архитектура MagiModel и задача feature-extraction; репозиторий содержит веса PyTorch в формате Safetensors. Английский указан как язык карточки, но подробности о поддерживаемых языках транскрипции, размере модели и длине контекста не приведены. Лицензия в доступных данных не указана.

rwillh11/mdeberta_groups_2.0 — модель классификации текста на базе DeBERTa-v2 с 306 млн параметров и контекстом до 512 токенов. Она анализирует политическую речь и относит упомянутые в ней социальные группы к заданным категориям. Одно выражение может соответствовать нескольким категориям: например, «girls» относится и к «women», и к «children». Модель предназначена для разметки упоминаний социальных групп в политических текстах, в том числе для последующего анализа этих упоминаний. В карточке приведены результаты оценки: accuracy 0,995 и F1 0,894; качество зависит от данных и категорий, на которых проводится анализ. Модель представлена в формате safetensors для библиотеки Transformers. Разработчик и лицензия в доступных данных не указаны.

Модель mljn/mdeberta-v3-base-finetuned-climate_explicit-classification — дообученная классификационная модель на базе многоязычной microsoft/mdeberta-v3-base. Она предназначена для классификации текста, связанного с климатической тематикой; название модели указывает на явную классификацию таких текстов. Модель построена на архитектуре DeBERTa V2, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,9837, macro F1 0,9820 и ROC AUC 0,9950. Датасет обучения обозначен как None, поэтому результаты нельзя уверенно связать с конкретной выборкой или классами. Модель распространяется по лицензии MIT.

ModernCamemBERT-bio-v2-base — франкоязычный биомедицинский энкодер на архитектуре ModernBERT, разработанный Рианом Тушантом и Эриком де ла Клержери из Sorbonne Université и Inria Paris. Модель дообучена продолжением предобучения almanach/ModernCamemBERT-bio-base на клинических текстах и синтетических учебных текстах, построенных на основе онтологий CIM-10, CCAM и ATC. Она предназначена для заполнения масок и извлечения информации из биомедицинских документов на французском языке. Модель содержит 135,5 млн параметров по метаданным (в README округлено до 150 млн) и обрабатывает контекст до 8 192 токенов. В оценке на документном бенчмарке французского биомедицинского NLP она получила средний micro-F1 70,0 по девяти запускам, улучшив результат исходной модели на 1,4 пункта. Доступна под лицензией MIT. Это базовая модель без специализированной головы для конкретной downstream-задачи; результаты бенчмарка не гарантируют качество на других данных.

Модель janmbuys/omniASR-CTC-300m-v2-Zulu-Lwazi — дообученная для распознавания речи на isiZulu версия uctnlp/omniASR-CTC-300m-v2-Zulu-Baseline. Это модель Wav2Vec2ForCTC с символьным CTC-выходом; адаптация LoRA к телефонной речи с частотой 8 кГц объединена с весами. В репозитории также находятся символьный декодер, лексикон и 6-граммовая субсловная языковая модель для декодирования. Модель предназначена прежде всего для транскрибации спонтанной isiZulu-речи в телефонных записях. В README для набора Lwazi приведён WER 38,16% для адаптированной модели при жадном декодировании; тестовые выборки небольшие, поэтому небольшие различия в результатах могут быть незначимы. Модель содержит 413,2 млн параметров по метаданным Hugging Face; README указывает 326 млн параметров для акустической модели. Доступна через Transformers и загружается как самостоятельный чекпойнт. Лицензия — CC BY 4.0. Ограничения: настройка рассчитана на узкополосную телефонную речь 8 кГц; для широкополосного аудио базовая модель без адаптации может работать лучше. Языковая модель обучена на письменных веб- и новостных текстах, около 10% слов в разметке Lwazi отсутствуют в её словаре; отдельная оценка смешения языков не проводилась.

OmniTab Large fine-tuned на WikiTableQuestions — модель для ответов на вопросы по таблицам, разработанная исследовательской группой NeuLab. Она основана на архитектуре BART и инициализирована весами neulab/omnitab-large; в карточке указано 252,8 млн параметров и контекст до 1024 токенов. Модель обучена для интерпретации таблиц и генерации ответов на вопросы на естественном языке, в том числе в сценариях few-shot question answering. Модель предназначена для работы с таблицами на английском языке. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

OpenMed-ZeroShot-NER-DNA-Tiny-60M — модель OpenMed для распознавания биомедицинских именованных сущностей в научных и клинических текстах. Она основана на архитектуре GLiNER и дообучена на корпусе JNLPBA, содержащем аннотации белков, ДНК, РНК, клеточных линий и типов клеток. Размер модели — 60 млн параметров; формат файлов — PyTorch. Модель принимает текст и возвращает найденные сущности с типами. Режим zero-shot позволяет задавать категории сущностей без отдельного дообучения, хотя качество для редких или новых категорий может зависеть от порога распознавания. В описании приведён F1 0,63 на тестовой выборке JNLPBA; обобщать эту оценку на другие наборы данных и типы сущностей нельзя. Карточка заявляет сценарии анализа биомедицинской литературы, молекулярной биологии и клинических текстов. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Oncology-Tiny-60M — специализированная модель OpenMed для распознавания именованных сущностей в онкологических и генетических текстах. Модель построена на архитектуре GLiNER и дообучена на корпусе BioNLP 2013 CG; метаданные указывают размер файлов в формате PyTorch, но не сообщают число параметров. Модель извлекает из текста упоминания рака, генов и их продуктов, аминокислот, клеток, тканей, органов и других биомедицинских сущностей. Она предназначена для анализа научной литературы по онкологии, курирования генетических путей и поиска генов-мишеней. GLiNER поддерживает задание типов сущностей для zero-shot извлечения, однако качество для типов и текстов вне обучающего домена может различаться. В README приведён F1 0,54 на тестовом наборе BioNLP 2013 CG. Принимает биомедицинский текст и возвращает размеченные сущности. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Ows2-MiniLM — модель эмбеддингов предложений, разработанная в проекте OWS² исследователями INRAE для семантического сопоставления научного текста с терминами агропродовольственных онтологий. Она предназначена для поиска релевантных понятий из словаря примерно на 14 600 терминов по предложениям из научных аннотаций и публикаций, автоматической разметки текстов и связывания свободных описаний с контролируемыми словарями. Модель основана на sentence-transformers/all-MiniLM-L6-v2: это биэнкодер на архитектуре BERT с усреднением токеновых представлений и L2-нормализацией. Модель содержит 25,9 млн параметров, принимает текстовые предложения и формирует векторные представления; максимальный контекст — 512 токенов. Модель настроена на английский язык и научную лексику агрономии, растениеводства и пищевой науки. В тестах на экспертных запросах дообученная модель превзошла базовую по поисковым метрикам, но результаты зависят от состава словаря и тестовой выборки. Модель рассчитана на англоязычный научный поиск в агропродовольственной области; качество на общих и сторонних доменах может быть ниже. Она не найдёт понятия, отсутствующие в используемом словаре, а на запросах без буквального совпадения с целевым термином показатели слабее, что указывает на ограниченную семантическую генерализацию. Распространяется по лицензии Apache-2.0.

PolymerNER — модель распознавания именованных сущностей, разработанная на основе MaterialsBERT и дообученная на 638 аннотациях научных публикаций о полимерах. К архитектуре BERT добавлен линейный классификатор, который определяет тип каждого токена; модель не учитывает регистр символов и принимает последовательности длиной до 512 токенов. Модель предназначена для разметки текстов по материаловедению: она выделяет полимеры и их семейства, органические и неорганические вещества, мономеры, названия и значения свойств, а также количества материалов. Обучающие, валидационные и тестовые данные связаны с полимерами, но авторы указывают, что определённая моделью онтология применима и к другим текстам по материаловедению. Модель опубликована в формате PyTorch и использует лицензию с обозначением «other»; конкретные условия лицензии следует проверить на странице репозитория. Карточка рекомендует Transformers для запуска и отмечает, что метрики качества приведены в связанной научной статье.

PulseThink-TestRepo-r30 — опубликованный SOTAagi2030 чекпойнт на базе архитектуры BERT, предназначенный для извлечения признаков из текста. README описывает PulseThink как обновлённого разговорного помощника с улучшенными рассуждениями, генерацией и вызовом функций, но эти возможности не подтверждаются метаданными модели, где указана только задача feature-extraction. В README приведены результаты PulseThink на тестах математики, логики и здравого смысла, однако конкретные характеристики этого репозитория, включая размер модели и контекст, не сообщаются. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия — MIT.

Модель Prajwal Jumde — дообученная версия XLM-RoBERTa Base для ответов на вопросы. Она использует плотную архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии MIT. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0007 на оценочной выборке, но не описывает методику оценки или предназначенные сценарии использования. XLM-RoBERTa поддерживает множество языков, однако конкретные языки и качество ответов этой версии в карточке не уточнены.

rjzevallos/quebert_qu_bpe — языковая модель RoBERTa-base, разработанная для обработки кечуа. Она обучена с нуля на задаче masked language modeling на очищенном монолингвальном корпусе примерно из 8 миллионов слов, преимущественно на южном кечуа. Модель содержит 96,6 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель предсказывает замаскированные токены и предназначена для дообучения на задачах NLP для кечуа: классификации текста, распознавания именованных сущностей, разметки частей речи, ответов на вопросы и оценки семантического сходства. Её также можно использовать для поиска по текстам, получения эмбеддингов предложений и адаптации к новым предметным областям. Качество зависит от разновидности кечуа: южный диалект представлен лучше других, а результат может снижаться на малопредставленных диалектах и специализированных текстах. Модель может наследовать культурные и языковые смещения корпуса; её не следует использовать как единственный источник для решений с высокими ставками.

hungvtm/qwen3vl-food-lora — LoRA-адаптер, опубликованный пользователем hungvtm и дообучающий мультимодальную Qwen3-VL-4B-Instruct в 4-битной версии unsloth. Модель предназначена для анализа фотографий еды и формирования структурированного текстового описания: названия блюда, типа пищи, основных ингредиентов, способа приготовления, размеров порций и пищевой ценности, включая калорийность, белки, жиры и углеводы. Обучение проводилось на датасете Codatta/MM-Food-100K; использовалась выборка из 5000 изображений, включающая домашние, ресторанные, сырые и упакованные продукты. Это vision-language-модель с адаптером LoRA ранга 16, контекстом до 2048 токенов и замороженным визуальным энкодером. Для наилучших результатов рекомендуется использовать фиксированный англоязычный промпт, на котором проводилось обучение. Модель особенно полезна для предварительной классификации блюд, извлечения ингредиентов и приблизительной оценки порций и макронутриентов по фотографии. Сильными сторонами являются близкие к эталонным определения ингредиентов, способа приготовления и порций, особенно для упакованных продуктов и изображений с заметным ориентиром размера. Точность названия блюда на проверочной выборке составила 50%, однако часть ошибок связана лишь с различиями формулировок. Оценки калорий и макронутриентов являются приблизительными: по одной фотографии нельзя надежно определить фактический вес, количество масла и особенности рецепта, а размеры порций неупакованных продуктов могут быть неточными. Модель распространяется по лицензии Apache-2.0.

BERTa — языковая модель семейства RoBERTa, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра. Это версия для каталонского языка, основанная на RoBERTa base и дообученная на корпусе примерно из 1,8 млрд токенов, собранном из открытых текстовых источников и веб-материалов. Архитектура — RoBERTa для masked language modeling, около 153,2 млн параметров; модель принимает текст с пропуском и предсказывает подходящие токены. Контекст — до 514 токенов. Модель предназначена прежде всего для заполнения пропусков в каталонском тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей, ответов на вопросы, разметки частей речи и оценки семантического сходства. На бенчмарке CLUB BERTa показала сильные результаты по ряду каталонских задач относительно сравниваемых многоязычных моделей. Готовая версия ориентирована на fill-mask и сама по себе не является генеративным чат-ботом; для перечисленных downstream-задач потребуются соответствующие дообученные варианты. Модель распространяется по лицензии Apache 2.0.

RoBERTa Hindi — предобученная языковая модель на архитектуре RoBERTa для языка хинди, созданная участниками Flax/JAX Community Week при поддержке Hugging Face и Google. Модель содержит около 151,8 млн параметров и обучена предсказывать замаскированные токены по корпусам mC4, OSCAR и наборам данных для индийских языков, включая IndicGLUE и Samanantar, а также материалы хинди-новостей и газет. Модель предназначена для заполнения пропусков в тексте на хинди и может служить основой для дообучения под задачи понимания языка, например классификацию новостей, анализ тональности и разметку именованных сущностей. Она принимает текстовые фрагменты длиной до 512 токенов; применяются токенизация byte-level BPE и словарь из 50 265 токенов. Доступны версии весов PyTorch и Flax. В README приведены результаты оценки на задачах классификации новостей, распознавания именованных сущностей и анализа отзывов, но качество зависит от набора данных и конкретной задачи. Модель ориентирована на хинди и не описана как универсальная многоязычная модель. Лицензия в предоставленных сведениях не указана.

KISTI-AI/scideberta-cs — языковая модель SciDeBERTa, разработанная исследовательской группой Корейского института науки и технологий информации (KISTI). Это модель архитектуры DeBERTa с 151,8 млн параметров, предназначенная для работы с англоязычными научно-техническими текстами и публикациями. Модель использует задачу заполнения пропусков и доступна через библиотеку Transformers как masked language model. Модель обучалась на корпусе научно-технических публикаций S2ORC и ориентирована на последующее дообучение для задач понимания научного текста, включая распознавание именованных сущностей, извлечение отношений и разрешение кореференции. Максимальная длина входной последовательности составляет 512 токенов. Вариант scideberta-cs опубликован в форматах PyTorch и Safetensors. Сильной стороной модели является специализация на научной лексике и терминологии английских публикаций по сравнению с универсальными языковыми моделями. Она не предназначена для генерации длинных связных текстов, диалогов или прямого решения прикладных задач без дополнительного дообучения на соответствующем наборе данных. Сведения о лицензии для этого варианта в доступных источниках не установлены.

SciFive-base-Pubmed_PMC — модель семейства T5, представленная авторами работы SciFive для работы с биомедицинской литературой. Это текстовая модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров, обученная на корпусах PubMed и PMC Open Access. Она принимает текст и предназначена для задач обработки биомедицинских публикаций; карточка Hugging Face классифицирует её как text-classification. Модель поддерживает английский язык и имеет контекст длиной до 1024 токенов. Модель подходит для классификации текстов из биомедицинских статей и может использоваться в исследовательских и прикладных NLP-сценариях с научной литературой. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Ограничения и условия лицензии в предоставленных данных не описаны.

XiaPinJohnKe/test-trainer — дообученная модель классификации последовательностей на базе BERT Base Uncased от Google, разработанная автором репозитория. Она предназначена для отнесения входного текста к классам; обучающий датасет и конкретная схема классов не описаны. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: accuracy 0,7794, F1 0,8534 и loss 0,5037. Эти показатели относятся к указанному набору оценки, детали которого не раскрыты, поэтому переносить их на другие данные нельзя. Лицензия — Apache-2.0.

TLive-Omni-4B — мультимодальная модель понимания для прямых трансляций электронной торговли, разработанная командой TaoLiveAIGC. Она объединяет изображения, видео, аудио и текст и формирует ответы в виде текста. Модель предназначена для анализа трансляций и диалога по их содержимому; заявлены распознавание речи, анализ говорящих, привязка объектов и текста к изображению, временная привязка событий, подробное описание видео и мультимодальные ответы на вопросы. В основе модели лежит Qwen3.5, дополненный аудиоэнкодером AuT и лёгким MLP-выравнивателем. Для видео с аудио временные фрагменты организуются в сетки с метками времени, чтобы сохранять связь между звуковыми и визуальными сегментами. README заявляет контекст до 256 тысяч токенов и обучение в три этапа SFT с последующей донастройкой Faithful-RFT. Модель доступна в формате safetensors и использует библиотеку Transformers. Модель рассчитана на сценарии live commerce, но также заявлена способность обобщать на общие задачи понимания изображений и видео. Для запуска README указывает Python 3.10, Linux x86_64, CUDA 12.8 и PyTorch 2.10.0; готовая сборка предназначена для NVIDIA H20. Лицензия репозитория — Apache-2.0. Ограничения по качеству не приведены; описанная конфигурация запуска привязана к указанному программному окружению и оборудованию.

UnBIAS-Named-Entity-Recognition — дообученная модель классификации токенов на базе BERT, разработанная проектом newsmediabias. Она выделяет в предложениях именованные сущности и фрагменты текста, связанные с предвзятостью. Модель рассчитана на анализ текстовых пассажей и разметку слов или последовательностей токенов по соответствующим категориям. Модель содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с контекстом до 512 токенов. Она обучена на пользовательском наборе данных и предназначена для англоязычного текста. Весы опубликованы в формате PyTorch; лицензия — MIT. Точность зависит от обучающего набора: модель может хуже работать на других жанрах, формулировках и контекстах, а предвзятость данных может влиять на предсказания. Для применения в новых областях результаты следует проверять на целевых данных.

VGCN-BERT — модель на основе uncased-версии DistilBERT-base, разработанная автором репозитория zhibinlu и основанная на архитектуре из статьи VGCN-BERT. Она объединяет контекстные представления трансформера с графовой свёрточной сетью по графу словаря, чтобы совместно учитывать локальные связи в тексте и глобальные связи между словами. Модель предназначена прежде всего для дообучения под задачи классификации текста и другие задачи обработки английского текста; README также описывает способы построения графа на основе статистики совместной встречаемости или заданных связей сущностей. В репозитории указаны задача извлечения признаков, контекст до 512 токенов и формат весов safetensors. Метаданные также перечисляют задачи заполнения пропусков, классификации текста, ответов на вопросы, разметки токенов и multiple choice. Автор сообщает об ускорении вычисления графовых эмбеддингов и приводит пример, где дополнительное время обучения для CoLA составляет 11% относительно базовой модели. Модель лицензирована по Apache-2.0. Автор отмечает, что статистически построенный граф словаря может давать ограниченное улучшение, а практический потенциал видит в интеграции пользовательских графов; модель рекомендуется дообучать для конкретной задачи.

Модель Swedish Lion OCR разработана Национальным архивом Швеции. Это модель сегментации экземпляров YOLO26s, которая выделяет рукописные текстовые строки внутри уже обнаруженных текстовых областей исторических документов. Она предназначена для этапа HTR-конвейера: после выделения текстовых областей модель размечает строки, которые затем можно передать системе распознавания рукописи для транскрипции страниц. Модель работает с обрезанными изображениями текстовых областей и не предназначена для обработки целых страниц. Обучение проводилось на размеченном наборе исторической шведской рукописи объёмом около 31 000 страниц и 1,7 млн строк, подготовленном при участии архивных учреждений Швеции и Финляндии. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

CMB-ClimateModernBERT/A_F_CX — англоязычная encoder-only модель семейства ModernBERT с архитектурой ModernBertForMaskedLM и 149 млн параметров. Её разработали как часть семейства ClimateModernBERT: продолжили предобучение ModernBERT-Base на академических климатических текстах и отфильтрованных климатических веб-текстах. Контекст модели составляет 8192 токена; веса хранятся в формате safetensors. Модель предназначена для исследований в области обработки климатических текстов: получения представлений текста и последующего дообучения для классификации, многометочной разметки и поиска по корпоративным раскрытиям, политическим документам, научной литературе и климатическим новостям. В метаданных основная задача обозначена как fill-mask; это маскированная языковая модель, а не диалоговая система. В описанной оценке модель достигла среднего F1 74,3 на девяти климатических NLP-бенчмарках. Модель поддерживает только английский язык; оценка в основном охватывала предложения и фрагменты текста, поэтому возможности длинного контекста проверены не полностью. Результаты зависят от задачи, а модель не даёт гарантированных фактических ответов о климатической науке. README не приводит лицензию модели, поэтому условия использования установить по доступным данным нельзя.

Это модель автоматического распознавания речи на архитектуре wav2vec2 с примерно 113,3 млн параметров, представленная в формате PyTorch. Согласно карточке, модель дообучена на наборе GARY109/AI_LIGHT_DANCE - ONSET-IDMT-MDB-2; на указанном тестовом наборе достигла WER 0,1844 и loss 0,4204. Метаданные указывают датасет ai_light_dance. Подробности о предназначении, языках и условиях использования в карточке не раскрыты. Лицензия не указана.

rss9051/autotrein-BERT-iiLEX-dgs-0002 — модель классификации текста, созданная с помощью AutoTrain на основе дообученной модели iiLEX/autotrein-BERT-iiLEX-dgs-0001. Она предназначена для отнесения португалоязычных текстов к заданным классам. Модель построена на архитектуре BERT, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены метрики валидации: accuracy и micro F1 составляют около 0,674, macro F1 — около 0,519. Эти результаты указывают на умеренное качество классификации и могут зависеть от набора данных и распределения классов. Веса опубликованы в формате safetensors; лицензия в доступных сведениях не указана.

AraBERTv2 — предварительно обученная языковая модель для арабского языка, разработанная командой AUB MIND Lab на архитектуре Google BERT. Репозиторий содержит вариант BERT-Base с примерно 162,4 млн параметров и контекстом до 512 токенов; модель предсказывает замаскированные токены и служит основой для адаптации к downstream-задачам понимания арабского текста. AraBERTv2 обучена на крупном арабоязычном корпусе, включающем Википедию, OSCAR, OSIAN и другие источники. Для варианта v2 в карточке указана предварительная сегментация слов с помощью Farasa; README рекомендует применять соответствующую функцию предобработки текста перед использованием. Семейство оценивалось на задачах анализа тональности, распознавания именованных сущностей и ответов на вопросы, однако эти сценарии обычно требуют дополнительной настройки модели. Модель предназначена для работы с арабским текстом и доступна в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.