I.3Извлечение и структурирование данных

DAI-NER-nested — адаптер LoRA на базе QWEN/Qwen3.5-9B, разработанный для распознавания именованных сущностей во французских приходских записях XVI–XVIII веков. Модель дообучена на изображениях исторических документов; в карточке указаны ширина изображения 1500 пикселей, ранг LoRA 8, alpha 32 и 10 эпох обучения (около 4 тысяч шагов). Модель предназначена для извлечения сущностей из рукописных приходских записей на французском языке. Для работы требуется базовая модель QWEN/Qwen3.5-9B и поддержка адаптеров PEFT. Лицензия в предоставленных данных не указана.

DTAEC Type Normalizer — модель aehrm, обученная с нуля для нормализации исторического немецкого написания в современную орфографию. Это encoder-decoder-модель семейства BART с 4,2 млн параметров; она принимает один токен без пробелов и генерирует его нормализованный вариант. Для работы с неоднозначными формами в полном контексте модель используется в составе более крупной системы с дополнительной GPT-моделью. Модель обучена на лексиконе aehrm/dtaec-lexica, созданном на основе параллельных текстов Немецкого текстового архива, где исторические печатные документы сопоставлены с современными изданиями. В README указаны точность на уровне слов 0,9546 и точность для слов вне обучающего словаря 0,9096 на оценочном наборе. Контекст ограничен 1024 токенами, хотя обычный сценарий модели — обработка отдельного слова. Лицензия — CC0 1.0.

Go-Gourmet — дообученная модель Sadiah на базе mistralai/Mistral-7B-Instruct-v0.2 для создания структурированных карточек ресторанов по названию и местоположению. Это плотная авторегрессионная модель Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов; она обучена методом QLoRA с помощью SFT Trainer на пользовательском наборе ресторанных данных. Карточки могут включать кухню, часы работы, адрес, рейтинг, средний чек, рекомендуемые блюда, необходимость бронирования, дресс-код и сайт. Модель подходит для ресторанных и туристических приложений, которым нужно формировать краткие структурированные справки по заведениям. Основной язык карточки — английский. Сведения могут быть неточными или устаревшими, особенно если данных о заведении нет в обучающем наборе, поэтому их следует проверять по официальным источникам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это японская модель для ответов на вопросы, созданная дообучением luke-japanese-large-lite на наборе DDQA для автомобильной тематики. Модель семейства LUKE использует Transformer с механизмом entity-aware self-attention, который учитывает слова и сущности как отдельные токены. Размер модели — 436,2 млн параметров, максимальный контекст — 514 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из предоставленного текста и может применяться в сценариях вопросно-ответного поиска по японским материалам, в том числе по автомобильной тематике. В README приведены результаты на наборе оценки: exact match 0,863 и F1 0,930. Лицензия — MIT.

Это конвертированная в SafeTensors модель сегментации речевых пузырей на страницах манги и комиксов. Репозиторий создан для использования в Torch-реализации Koharu и содержит веса YOLO11n для сегментации экземпляров с одним классом — balloon. Модель принимает изображения; рекомендованный размер инференса — 1600 пикселей. Модель предназначена для выделения областей речевых пузырей на страницах манги и комиксов. Веса скопированы из исходного чекпойнта без квантизации и изменения типа данных; конверсия не меняет архитектуру. Исходная модель дообучена на задаче сегментации пузырей. Репозиторий распространяется по лицензии Apache-2.0.

Manifestoberta — модель на базе xlm-roberta-large, дообученная проектом Manifesto на примерно 1,6 млн размеченных высказываний из Manifesto Corpus версии 2023a. Она классифицирует текст по 56 политическим темам согласно схеме кодирования Manifesto Project, Handbook 4. Модель предназначена для анализа политических программ и других текстов: она присваивает текстовым фрагментам тематические категории. Архитектура — XLM-RoBERTa для классификации последовательностей; размер составляет 658,7 млн параметров, контекст — до 514 токенов. Модель поддерживает языки предварительно обученной XLM-RoBERTa и лучше всего работает на языках, представленных в Manifesto Corpus; карточка называет 38 таких языков. В README приведены результаты тестирования: точность sentence-модели — 0,57, а context-модели — 0,64. Модель полезна для количественного анализа политической повестки, но качество зависит от языка и контекста, а показатели тестирования показывают, что предсказания не всегда точны. Распространяется по лицензии BigScience OpenRAIL-M.

samrawal/medical-sentence-tokenizer — модель семейства BERT для разбиения клинического текста на предложения. Её разработчики обучили модель на нескольких наборах данных i2b2, ныне n2c2, для обработки неструктурированных медицинских записей, включая электронные истории болезни. Модель выполняет классификацию токенов, чтобы находить границы предложений. Она рассчитана на английские клинические тексты, где обычные токенизаторы предложений могут ошибаться из-за медицинских сокращений, жаргона и особенностей записей. Размер модели — 432,3 млн параметров, контекст — до 512 токенов. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Для текстов вне медицинской области авторы рекомендуют применять более универсальные токенизаторы предложений, которые могут давать лучшие результаты.

Koichi Yasuoka разработал эту модель на архитектуре ModernBERT и предварительно обучил её на японской Википедии и текстах «Аодзора бунко». Это языковая модель с маскированными токенами, предназначенная для заполнения пропусков в японском тексте; её также можно дообучить для разметки частей речи, синтаксического анализа зависимостей и других задач обработки японского языка. Модель содержит 160,2 млн параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Она распространяется в формате PyTorch по лицензии Apache-2.0. Для применения через Transformers в README показана загрузка с параметром trust_remote_code=True. Качество на перечисленных задачах после дообучения зависит от обучающих данных и настройки.

OpenMed разработала OpenMed-NER-ProteinDetect-SuperClinical-184M — дообученную модель DeBERTa для распознавания биомедицинских сущностей в тексте. Она выделяет белки, белковые комплексы, семейства и группы белков, варианты белков и другие типы сущностей, размечая их тегами BIO. Модель содержит 211,6 млн параметров, принимает токенизированный текст и поддерживает контекст до 512 токенов. Модель обучена на корпусе FSU, посвящённом белкам, их взаимодействиям и сущностям молекулярной биологии. Её можно применять для извлечения белковых сущностей из научных статей и медицинских текстов, подготовки данных для анализа молекулярных путей и построения биомедицинских баз знаний. Заявленные в карточке показатели на FSU: F1 0,92, точность 0,91, полнота 0,93 и accuracy 0,97. Модель предназначена для английского языка и доступна в формате Safetensors для экосистемы Transformers. Лицензия — Apache-2.0. Качество на других корпусах и за пределами английского языка не подтверждено; окно контекста ограничено 512 токенами.

ParlBERT-Topic-German — модель классификации немецкоязычных парламентских интерпелляций по 20 темам из кодбука Comparative Agendas Project. Её разработчик дообучил доменно адаптированную GermanBERT, ранее настроенную на корпусе DeuParl, на примерно 10 тысячах вручную размеченных интерпелляций. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для определения темы парламентского запроса к правительству; пример в карточке относит текст о государственных инвестиционных расходах к макроэкономике. Она может быть полезна для тематической разметки и анализа немецких парламентских документов. Карточка сообщает об оценке на отложенной части данных, но не приводит полные результаты в доступном фрагменте. Качество может снижаться на темах и типах текстов, не представленных в обучающей выборке. Сведения о лицензии в предоставленных данных отсутствуют.

Модель shresthagarwal-Llama-3.2-1B-Instruct-LineItem-GGUF представляет собой набор GGUF-квантизированных версий instruct-модели shresthagarwal/Llama-3.2-1B-Instruct-LineItem. Исходную модель разработал пользователь или организация с идентификатором shresthagarwal, а квантизацию выполнила команда featherless-ai-quants. Модель относится к категории text-generation и предназначена для генерации текста в сценариях, поддерживаемых исходной instruct-моделью. В набор входят варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов варьируется примерно от 553,96 МБ до 1,26 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Формат GGUF ориентирован на локальный запуск в совместимом программном обеспечении, однако конкретные требования к оборудованию, максимальный контекст, архитектурные детали, модальности и поддерживаемые языки в README не указаны. Основное преимущество набора — наличие множества уровней квантизации для устройств с разными ресурсами. При этом README не содержит результатов тестирования, оценки качества, описания специализированных возможностей LineItem или ограничений исходной модели. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять в карточке исходной модели и в сопутствующих материалах.

Карточка модели next-tat/tat-llm-13b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

Карточка модели next-tat/tat-llm-70b-fft на Hugging Face совпадает с карточкой next-tat/tat-llm-7b-fft, поэтому описание составлено по ней. TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

TunBERT — модель для классификации последовательностей на базе архитектуры BERT, опубликованная tunis-ai. Репозиторий содержит конвертированную из формата NeMo версию модели Instadeep в формате Safetensors; размер — 136,7 млн параметров, контекст — до 512 токенов. Для загрузки предусмотрена связка токенизатора и AutoModelForSequenceClassification из Transformers. Модель предназначена для классификации текстов на арабском языке. Она может применяться в задачах, где требуется присвоить тексту одну или несколько категорий; карточка не уточняет набор меток или конкретные сценарии. Модель распространяется по лицензии MIT. Классификация на иных языках и качество на конкретных данных не подтверждены карточкой.

AfroXLMR-large — языковая модель на базе XLM-R-large, созданная Davlan и адаптированная методом MLM к 17 африканским языкам, а также арабскому, французскому и английскому. Это плотная архитектура XLM-RoBERTa с примерно 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для заполнения пропусков в тексте и может служить языковой основой для задач понимания африканских языков. В оценке на MasakhaNER она показала средний F-score 83,9 по сравнению с 80,5 у XLM-R-large; это результат конкретного бенчмарка, а не гарантия качества на других задачах. Модель принимает текст и предсказывает замаскированные токены. Поддерживаемые языки включают африкаанс, амхарский, хауса, игбо, малагасийский, чичева, оромо, нигерийский пиджин, киньяруанда, кирунди, шона, сомали, сесото, суахили, коса, йоруба, зулу, арабский, французский и английский. Репозиторий распространяется по лицензии MIT.

AfroXLMR-small — модель XLM-RoBERTa для работы с африканскими языками. Её создали, уменьшив словарь XLM-R-base с 250 тысяч до 70 тысяч токенов и адаптировав модель методом masked language modeling. Веса содержат 167,5 млн параметров; архитектура — XLMRobertaForMaskedLM, контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и safetensors и распространяется по лицензии MIT. Модель предназначена для подстановки пропущенных токенов и может служить основой для задач понимания текста на африканских языках, например распознавания именованных сущностей после дообучения. Адаптация охватывает 17 африканских языков, а также арабский, французский и английский. В оценке MasakhaNER модель показала результаты, сопоставимые с XLM-R-base на ряде языков; это оценка задачи NER, а не гарантия качества на любых сценариях. Архитектура и метаданные указывают на задачу fill-mask.

Apollo-LMMs-Apollo-1_5B-t32 — видеоязыковая мультимодальная модель семейства Apollo, опубликованная GoodiesHere. Это плотная модель с 1,5 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; она рассчитана на диалоговое понимание видео и формирование текстовых ответов по его содержанию. Модель предназначена для вопросов и ответов по видео, понимания длинных роликов, временных рассуждений и многоходовых диалогов с опорой на видеоматериал. В описании семейства Apollo заявлена работа с видео длительностью до часа, эффективная выборка кадров и сочетание визуальных и видеопредставлений; в этой карточке конкретные характеристики часового контекста для версии 1,5B отдельно не приведены. Модель принимает видео и текстовые инструкции и выдаёт текст. Языки обучения или поддержки в предоставленных данных не перечислены. Лицензия Apache-2.0 разрешает использование на её условиях. В README утверждения о превосходстве Apollo относятся к семейству моделей и не подтверждают отдельные сравнительные результаты именно для версии 1,5B.

CMB-ClimateModernBERT/A_S_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это чекпойнт ModernBERT-Base на 149 млн параметров, дообученный продолжением предобучения на академических и синтетических климатических текстах. Модель использует архитектуру ModernBertForMaskedLM, работает с контекстом до 8192 токенов и предназначена для заполнения маскированных пропусков, получения представлений климатических текстов и последующего дообучения для классификации, многометочной разметки и поиска. Модель рассчитана на исследовательские и прикладные задачи климатического NLP: анализ научной литературы, новостей, корпоративных раскрытий и документов климатической политики. В описанной авторами оценке на девяти климатических бенчмарках средний F1 составил 74,8; результат зависит от задачи и настройки последующего дообучения. Это маскированная языковая модель, а не чат-бот: она не следует инструкциям и не гарантирует достоверность климатических утверждений. Данные обучения включали синтетические тексты, влияние которых различается в зависимости от задачи. Лицензия в предоставленных сведениях не указана.

bengali_pos_v1 — модель mHossain, дообученная на csebuetnlp/banglabert с использованием набора pos_tag_100k для разметки частей речи на уровне токенов. Это дискриминативная модель ELECTRA с архитектурой ElectraForTokenClassification, содержащая 137,8 млн параметров и поддерживающая контекст до 512 токенов. В метаданных указан формат весов safetensors. Модель предназначена для присвоения токенам бенгальского текста тегов частей речи. На оценочном наборе указаны точность 0,8182, precision 0,7541, recall 0,7567 и F1 0,7554. Лицензия в предоставленных данных не указана.

bertin-project/bertin-roberta-base-spanish — испаноязычная модель RoBERTa, разработанная командой BERTIN. Это модель маскированного языкового моделирования для восстановления скрытых токенов в испанском тексте. В репозитории представлены версии модели; для текущего чекпойнта указано около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для задачи fill-mask и может служить основой для дообучения на испаноязычные задачи обработки естественного языка. В README приведены эксперименты с POS-разметкой, распознаванием сущностей, определением текстового следования, выявлением парафразов и ответами на вопросы; для прикладного использования этих задач нужны соответствующие дообученные модели. Модель использует архитектуру RoBERTa и поддерживает испанский язык. Доступны веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Авторы отмечают, что обучение и оценка некоторых downstream-задач были нестабильны; также систематический анализ смещений не проводился.

BooruNL-0.8B — модель CooperDK для преобразования описаний персонажей и сцен на английском языке в списки тегов Danbooru. Она дообучена на 124 000 размеченных пар «описание → теги» на базе Qwen/Qwen3.5-0.8B-Base. Архитектура — плотная Qwen3.5 с 0,8 млрд параметров; модель принимает текст и выдаёт текст, обычно список тегов через запятую, а по инструкции может формировать JSON с тегами, сгруппированными по категориям. Модель предназначена для подготовки тегов внешности, одежды, действий и сцены для последующей обработки или использования в рабочих процессах генерации изображений. В карточке заявлена поддержка полного словаря Danbooru, включая теги откровенного контента; лицензия — Apache-2.0. Указанные GGUF-файлы Q6_K, Q8_0 и Q4_K_M являются квантизованными вариантами для локального запуска. Ограничения: модель обучалась только на текстовых описаниях, поэтому не принимает изображения; прямой ввод изображения может приводить к бессвязным тегам. Она не генерирует теги персонажей и художников, может пропускать теги для слишком коротких запросов и ошибаться с неоднозначной одеждой; в обычном списке тегов также не выдаёт рейтинг безопасности.

Koichi Yasuoka разработал DeBERTa V2 large, предварительно обученную на японских текстах из 青空文庫 (Aozora Bunko). Модель с архитектурой DeBERTa V2 и 435,4 млн параметров обучена для предсказания замаскированных токенов; она подходит как основа для дообучения под задачи обработки японского языка, включая разметку частей речи и синтаксический анализ зависимостей. Работает с текстом в контексте до 512 токенов и распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

GENIE (Generative Note Information Extraction) — англоязычная модель для структурирования свободного текста из электронных медицинских карт. Она дообучена группами Sheng Yu, Tianxi Cai и Isaac Kohane на базе Meta Llama 3.1 8B Instruct; размер модели — около 7,5 млрд параметров, контекст — до 8192 токенов. Модель за один проход извлекает биомедицинские сущности и их атрибуты: статус утверждения, локализацию в теле, модификаторы, значения, единицы измерения и назначение, а затем выдаёт результат в формате JSON. GENIE предназначена для извлечения медицинской информации из записей EHR без разработки специализированной цепочки NLP-компонентов, prompt engineering и примеров в запросе. Это может упростить сопровождение и снизить время обработки и эксплуатационные затраты. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель ориентирована на английский язык и медицинские записи; качество структурирования на иных типах текстов и за пределами английского README не описывает.

Это англоязычная модель классификации текста, созданная дообучением distilbert/distilbert-base-uncased. По названию репозитория она предназначена для определения, относится ли текст к еде, однако карточка не описывает метки и примеры данных. Модель построена на архитектуре DistilBERT и рассчитана на входные последовательности длиной до 512 токенов; её можно применять для классификации текстовых записей о продуктах или блюдах. В README приведены результаты оценки: loss 0,0005 и accuracy 1,0, но набор данных и методика оценки не раскрыты, поэтому эти показатели не позволяют судить о качестве на новых данных. Модель распространяется по лицензии Apache-2.0.

LEGAL-BERT-base-uncased — англоязычная модель семейства BERT для обработки юридических текстов, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса (AUEB). Модель содержит 136,7 млн параметров, обучена на юридических корпусах и предназначена для исследований в области юридического NLP, вычислительного права и правовых технологий. В качестве основной задачи поддерживает заполнение маскированных токенов (fill-mask); контекст — до 512 токенов. Обучающие данные охватывают законодательство ЕС и Великобритании, судебные решения европейских судов и судов США, а также американские договоры. Авторы сообщают, что LEGAL-BERT и его узкоспециализированные варианты показывают лучшие результаты на юридических задачах, чем исходный BERT. Модель подходит для адаптации к классификации, извлечению информации и другим прикладным задачам на юридических текстах, но сама по себе не является готовой системой юридических консультаций. Распространяется по лицензии CC BY-SA 4.0.

Merge_DARE_D07_LRD — англоязычный климатический энкодер из семейства ClimateModernBERT, разработанного для исследований обработки текстов о климате. Модель основана на ModernBERT-Base и прошла дальнейшее предобучение на корпусе из академических публикаций, синтетических текстов и веб-материалов о климате; в метаданных указано 149 млн параметров и контекст до 8192 токенов. Это masked language model для заполнения пропусков, которую также можно дообучать для классификации, многометочной разметки и поиска по климатическим текстам. В README сообщается о среднем F1 74,3 на девяти климатических NLP-бенчмарках при заданном протоколе оценки. Модель рассчитана на английский язык; это не чат-ассистент и не система для генерации ответов с проверенной фактической точностью. Авторы отмечают, что оценка в основном охватывает предложения и фрагменты текста, поэтому возможности длинного контекста проверены не полностью; эффект синтетических данных зависит от задачи. README не сообщает лицензию модели.

Merge_Soup_drop_A_LRD — англоязычная модель-энкодер ClimateModernBERT на архитектуре ModernBERT-base, разработанная как часть семейства климатических моделей. Это чекпойнт продолженного предобучения на синтетических текстах и климатических веб-материалах; веса перепубликованы из sraj/Merge_Drop_MARK_FastText без изменений. Модель содержит 149 млн параметров, работает с контекстом до 8192 токенов и доступна в формате safetensors для Transformers. Модель предназначена для заполнения маскированных пропусков и как основа для дообучения под классификацию климатических текстов, многометочную разметку и поиск по корпоративной отчётности, политическим документам, научным публикациям и климатическим новостям. README сообщает, что для общего применения авторы предпочитают Merge_Soup_LRD: для этого чекпойнта не приведён агрегированный результат бенчмарка, а удаление академического корпуса сопровождалось снижением среднего F1 на 4,0 пункта относительно полной смеси. Лицензия в предоставленных данных не указана.

MiniCPM-V, также называемая OmniLMM-3B, — компактная мультимодальная модель от OpenBMB для понимания изображений и диалога по визуальному содержимому. Она сочетает визуальный энкодер SigLip-400M и языковую модель MiniCPM-2.4B через perceiver resampler; общее число параметров — 2,7 млрд. Результаты кодирования изображения сжимаются до 64 токенов, что снижает затраты памяти и ускоряет вывод. Модель рассчитана на локальный запуск на компьютерах и мобильных устройствах. MiniCPM-V отвечает на вопросы об изображениях и поддерживает мультимодальное взаимодействие на английском и китайском языках. В README описаны сравнительные результаты на мультимодальных бенчмарках, однако конкретные значения таблиц в доступном тексте отсутствуют. Контекст составляет 4096 токенов. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; в репозитории указаны веса safetensors и использование Transformers. Условия лицензии в предоставленных данных не приведены.

Koichi Yasuoka разработал ModernBERT для японского языка и предварительно обучил модель на японской Википедии и текстах Aozora Bunko. Это плотная модель с архитектурой ModernBertForMaskedLM, содержащая 128,2 млн параметров и работающая с контекстом до 8192 токенов. Основная задача — предсказание замаскированных фрагментов японского текста; модель также можно дообучать для разметки частей речи и синтаксического анализа зависимостей. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

matmei/MulticlassReaction — модель классификации последовательностей на базе DistilBERT, дообученная на наборе данных, название которого в карточке указано как None. Она предназначена для отнесения текста к одному из классов; название задачи MulticlassReaction указывает на многоклассовую классификацию реакций, однако карточка не уточняет тип входного текста и значения классов. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведено значение loss 0,5756 на оценочном наборе, но не описаны состав классов, обучающие данные или практическая точность. Распространяется по лицензии Apache-2.0.