I.3Извлечение и структурирование данных

ai4data/devdata-search-multilingual-e5-small-nopermute-cmnrl — компактная двуязычная по формату входных данных модель эмбеддингов, разработанная ai4data для семантического поиска по структурированным статистическим метаданным. Это дообученный биэнкодер на базе BERT-модели intfloat/multilingual-e5-small, распространяемый в формате safetensors и рассчитанный на использование через Sentence Transformers или Text Embeddings Inference. Модель кодирует запросы и описания записей в векторы для поиска и сравнения; в README рекомендуются префиксы «query: » для запросов и «passage: » для документов. Обучение проводилось на DevDataBench с функцией потерь cmnrl. Вариант nopermute не использует перестановку полей и исключение полей при обучении. Контекст ограничен 512 токенами, число параметров — 124,3 млн. Модель предназначена для поиска по статистическим метаданным и не является готовым размещённым поисковым сервисом. Лицензия — Apache-2.0.

OnePoint16/distilbert-medical-question_answer — модель DistilBERT, разработанная OnePoint16 и дообученная на базе distilbert/distilbert-base-uncased для извлечения ответов на вопросы. Она предназначена для сценариев question answering, включая поиск ответов на медицинские вопросы в предоставленном контексте. Модель использует архитектуру DistilBertForQuestionAnswering, работает с текстом и рассчитана на контекст до 512 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке указана оценка Loss 5.6100 на тестовом наборе, но датасет, методика оценки и практические ограничения не описаны; поэтому качество ответов, особенно в медицинских сценариях, по имеющимся данным оценить нельзя.

wnic00/distilbert-p3 — дообученная модель DistilBERT для классификации текста, созданная на основе wnic00/distilbert-p1. Она предназначена для присвоения тексту класса; конкретные категории и сценарии применения в карточке не описаны. Модель использует архитектуру DistilBertForSequenceClassification, веса в формате PyTorch и контекст до 512 токенов. Базовая модель описана как мультиязычная и предназначенная, в частности, для анализа тональности, но применимость этих возможностей к данной версии не подтверждена. На оценочном наборе указаны loss 1.1781 и accuracy 0.6667. Датасет и подробности обучения не раскрыты, поэтому эти результаты не позволяют оценить качество для конкретной задачи. Лицензия — Apache-2.0.

DOCTOR — диалоговая модель рассуждений, разработанная LangAGI-Lab. По истории диалога она генерирует знания здравого смысла в виде цепочки рассуждений и использует для этого многошаговый подход. Модель основана на архитектуре OPT и содержит 1,7 млрд параметров; она предназначена для генерации текста с контекстом до 2048 токенов. Модель обучена на наборе данных DLI-Lab/DONUT. Её можно применять для извлечения неявных смысловых связей из диалога и построения многошаговых объяснений, помогающих анализировать контекст беседы. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

kykim/electra-kor-base — базовая модель семейства ELECTRA для корейского языка. В README указано, что для обучения использовался корпус корейских текстов объёмом 70 ГБ и словарь из 42 000 приведённых к нижнему регистру субслов. Модель содержит 145,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для извлечения контекстных представлений корейского текста и может служить основой для дообучения под задачи понимания языка. В карточке показан пример загрузки токенизатора и базовой модели через Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Fara1.5-27B — мультимодальный агент для управления веб-браузером, разработанный Microsoft Research AI Frontiers. Модель принимает скриншоты страницы и текстовую историю предыдущих действий, а затем выдаёт структурированные вызовы инструментов: например, щёлкнуть по координатам, ввести текст, прокрутить страницу или открыть URL. Она работает по изображению, без доступа к DOM и дереву доступности, и может выполнять многошаговые задачи — заполнять формы, искать сведения, собирать корзину покупок или планировать поездки. Это плотная мультимодальная decoder-only модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на траекториях, созданных конвейером FaraGen1.5. Контекст составляет 262 тыс. токенов. Модель рассчитана прежде всего на английский язык; качество на других языках ниже. Для работы требуется специализированная оболочка MagenticLite или Fara CLI с поддержкой схемы инструментов computer_use. Рекомендуемое развертывание рассчитано на GPU с достаточной памятью для bf16, обычно с распределением модели как минимум на две GPU. Модель обучена останавливаться и запрашивать подтверждение перед вводом личных данных и выполнением необратимых действий, например покупок, отправки сообщений или подачи заявлений. Ограничения включают уязвимость к визуальной неоднозначности и внедрению инструкций через содержимое страниц, накопление ошибок в длинных цепочках действий, вариативность результатов и возможные ошибки в оценке состояния страницы. Лицензия — MIT.

Sigma/financial-sentiment-analysis — модель классификации тональности финансовых текстов, разработанная на основе FinancialBERT и дообученная на наборе данных financial_phrasebank. Она предназначена для определения тональности финансовых фраз и новостных сообщений; в README для оценочной выборки приведены accuracy и F1 по 0,9924. Модель построена на архитектуре BERT, содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подойдёт для автоматической разметки тональности финансовых текстов в аналитических и исследовательских конвейерах. Результаты оценки относятся к указанной выборке и не гарантируют такое же качество на других источниках, языках или типах финансовых текстов. Лицензия в предоставленных данных не указана.

minoosh/finetuned_roberta-base-uncased — дообученная модель классификации последовательностей на базе xlm-roberta-base, опубликованная автором minoosh. Она предназначена для отнесения текста к классам; конкретные метки и прикладная область в карточке не раскрыты. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch, лицензия MIT. На указанном в карточке наборе оценки модель достигла accuracy 0,6519 и loss 1,4799. Датасет обозначен как None, поэтому по карточке нельзя определить предметную область, языки обучения или то, насколько эти результаты переносятся на другие данные.

Shaleen123 разработал Gemma 4 12B SQL — дообученную для преобразования вопросов на естественном языке в SQL модель на базе google/gemma-4-12B-it. Она принимает схему базы данных в формате DDL и вопрос, а затем генерирует запрос; предназначена для интерфейсов запросов к реляционным данным, BI-инструментов, черновиков SQL для аналитиков и разработчиков, а также исследований и тестирования text-to-SQL. Модель использует плотную архитектуру Gemma4Unified, работает через Transformers и распространяется в формате safetensors. В метаданных указан английский язык; размер контекста не приведён. Карточка рекомендует проверять сгенерированные запросы человеком и явно задавать диалект SQL. Модель может выдумывать таблицы и столбцы, ошибаться при неоднозначных вопросах и сложных запросах, а также создавать дорогостоящий или разрушительный SQL. Оценочные результаты не приведены. Сведения о лицензии в предоставленных данных отсутствуют.

Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated-4bit — мультимодальная модель для преобразования изображений и текста в текст, доступная в формате MLX. Она преобразована сообществом mlx-community из модели huihui-ai/Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated с использованием mlx-vlm версии 0.4.0; базовая модель указана как Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Модель предназначена для сценариев визуального анализа и генерации текста по изображениям, включая описание изображений. В README указаны размер 27B параметров, плотная архитектура и 4-битное представление, оптимизированное для запуска в экосистеме MLX. Для работы рекомендуется пакет mlx-vlm. Поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. К сильным сторонам относятся мультимодальный режим image-text-to-text, 4-битная квантизация и совместимость с MLX. Ограничения включают отсутствие в README подробностей о языках, контекстном окне, результатах оценки и точных характеристиках исходной модели; производительность также зависит от аппаратной платформы и настроек запуска. Модель распространяется по лицензии Apache 2.0.

InternViT-6B-448px-V1-2 — визуальная foundation-модель и backbone для извлечения признаков, разработанная OpenGVLab. Это продолжительно предобученная версия InternViT-6B для использования в системах компьютерного зрения и как визуальный энкодер мультимодальных языковых моделей. Модель принимает изображения размером 448 × 448 пикселей и содержит 45 блоков InternVisionModel; в карточке Hugging Face указано 7,4 млрд параметров, а README сообщает 5,5 млрд параметров после удаления трёх последних блоков. При дообучении использовались данные для описания изображений и OCR, включая наборы с китайским и английским текстом. Это расширяет возможности визуального представления сцен и распознавания текста на изображениях. Авторы отмечают, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Репозиторий распространяется по лицензии MIT.

JGOS-31B-Citizen — плотная мультимодальная языковая модель примерно на 31 млрд параметров, разработанная на платформе VIDRAFT Darwin V8 для административных и государственных сервисов на корейском языке. Она предназначена для ответов на обращения граждан, понимания официальных документов и ответов на вопросы по тематике государственного управления. Модель принимает текст и изображения и поддерживает контекст до 256K токенов. По README, её построили на собственной базе gemma4-31b: FFN-блоки нескольких моделей объединяли и развивали в рамках Darwin V8, после чего модель дополнительно обучили на корейских данных для административной сферы. В карточке заявлены первое место в K-AI Leaderboard и результат 84,34% на GPQA Diamond; эти оценки приведены разработчиком. Модель предназначена для корейских сценариев государственного сектора, а не для общего мультиязычного применения. Состав исходных моделей, стратегия объединения и детали обучения не раскрыты. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — Apache-2.0.

IFM разработала K2-Type-0.9B — компактную модель принятия решений на базе IFM/K2-Horizon-0.9B, дообученную в стиле Jev. Модель принимает одно текстовое или JSON-состояние и набор типизированных вопросов с вариантами ответа, после чего за один проход выдаёт вероятности для вариантов. Она поддерживает вопросы true/false, выбор из 1–255 вариантов и оценку по упорядоченным уровням; текстовые ответы не генерирует. Архитектура — плотная причинная языковая модель с отдельной pointer head, размер — 924,5 млн параметров, контекст — до 8192 токенов. В метаданных указана поддержка английского языка; карточка описывает задачи классификации, выбора и калибровки вероятностей. Лицензия — Apache-2.0. Модель предназначена для классификации и структурированного принятия решений, где нужно оценить состояние по заданным вопросам или выбрать один из предложенных вариантов. В карточке приведены результаты JevBench и пример игры Snake; вероятности откалиброваны на отдельном наборе Kev. Ответы ограничены переданными вариантами: модель не выберет «ничего из перечисленного», если такой вариант не добавлен. Она не выполняет многошаговые рассуждения, слаба на арифметике и разнице дат, а документы длиннее 8192 токенов выходят за её контекст; калибровка может хуже работать на данных, отличающихся от обучающих.

Seonghaa разработал модель классификации корейского текста по шести эмоциям: гневу, тревоге, грусти, спокойствию, смущению и радости. Это дообученная на основе klue/roberta-base модель RoBERTa с 137,8 млн параметров, предназначенная для определения эмоциональной окраски коротких текстовых сообщений. Максимальная длина контекста составляет 514 токенов. Модель можно применять для разметки сообщений, анализа эмоциональной тональности и группировки текстов по эмоциональным категориям. В README приведены результаты оценки: точность 0,9831 и macro F1 0,9798; эти показатели относятся к использованному автором набору данных и не гарантируют такого же качества на других текстах. Модель принимает текст и возвращает метку эмоции с оценкой уверенности. Лицензия — MIT.

haryads/kurdish-roberta — языковая модель RoBERTa для центральнокурдского языка (сорани), созданная разработчиком haryads. Модель обучена с нуля на корпусе из 1 млн предложений; использует собственный байтовый BPE-токенизатор на 32 тыс. токенов. Это masked language model с 6 слоями и размером скрытого состояния 512, предназначенная прежде всего как основа для дообучения на курдских задачах. В Transformers доступна задача fill-mask; модель содержит 41,5 млн параметров и принимает контекст длиной до 130 токенов. Модель подходит для заполнения пропусков в тексте и может служить основой для дообучения на классификацию, распознавание сущностей и построение эмбеддингов для сорани. Это не instruct- и не чат-модель. Обучающий корпус преимущественно состоит из новостных текстов, поэтому разговорные и узкоспециализированные тексты могут требовать дополнительного дообучения. Распространяется по лицензии Apache-2.0.

Это модель NchuNLP, созданная авторами Kei Yu Heish и Yao-Chung Fan из лаборатории обработки естественного языка Университета Чжунсин. Модель bert-base-chinese дообучена на наборе Legal Document Dataset для ответов на вопросы по юридическим документам. Она использует архитектуру BERT с головой BertForQuestionAnswering, содержит 129,5 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для машинного чтения юридических документов на китайском языке: пользователь задаёт вопрос и передаёт текст документа, из которого модель извлекает ответ. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

LibreOWLv2b16 — снимок весов OWLv2 base patch-16 ensemble, опубликованный в репозитории LibreYOLO. Параметры модели не изменялись: сохранены веса Google для google/owlv2-base-patch16-ensemble и файлы Hugging Face Transformers, необходимые обёртке LibreYOLO LibreOpenVocab. Модель обнаруживает объекты на изображениях по текстовым запросам. Пользователь может задать названия классов, например «person», «dog» и «car», и получить результаты обнаружения; открытый словарь позволяет искать классы, не заданные фиксированным набором меток. Репозиторий позиционирует её как компонент уровня LibreYOLO LibreOpenVocab. Использование весов распространяется по лицензии Apache 2.0. Для работы требуется обёртка LibreYOLO; README приводит пример вызова, но не сообщает численные оценки качества или ограничения по скорости и разрешению изображения.

Llama-3-MixSense — мультимодальная модель семейства MixSense от Zero-Vision, построенная по архитектуре «визуальный энкодер — проектор — языковая модель». В качестве языковой части используется Meta Llama 3, а изображения обрабатывает визуальный энкодер SigLIP 400M. Веса опубликованы в формате safetensors; модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста с учётом изображений: например, для ответов на вопросы о визуальном содержимом и описания изображений. Разработчики сообщают об обучении на переработанном наборе данных и методе подготовки данных, который призван снизить стоимость обучения и повысить его эффективность; подробности о данных и исследованиях обещаны отдельно. В карточке приведены демо и интеграция для оценки через VLMEvalKit. Языковая основа — Llama 3, однако конкретные поддерживаемые естественные языки в карточке не перечислены. Использование требует совместимого стека Transformers и зависимостей из README. Условия лицензии в предоставленных данных не указаны.

LLaVA-NeXT (LLaVA 1.6) — мультимодальная чат-модель, разработанная авторами LLaVA-NeXT и опубликованная на Hugging Face. Она объединяет предварительно обученную языковую модель Vicuna-7B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. По сравнению с LLaVA 1.5 модель использует более разнообразные данные визуальной инструкционной настройки и поддерживает динамически повышенное разрешение изображений. Это помогает отвечать на вопросы о содержимом изображений, описывать их, распознавать текст и рассуждать о визуальных сценах. Входные данные — текст и изображения; ответы выдаются в текстовом виде. Карточка указывает английский язык. Модель применима для визуальных вопросов и ответов, описания изображений и мультимодального чат-бота. В репозитории используются веса Safetensors; лицензия указана как Llama 2. Карточка отмечает, что отдельная модельная карточка авторами не подготовлена, поэтому сведения о возможностях и ограничениях ограничены приведённым описанием.

TeamFnord/manga-ocr — модель распознавания японского текста на изображениях, разработанная для OCR в манге. Она построена на архитектуре Vision Encoder Decoder и предназначена для чтения текста как в вертикальной, так и в горизонтальной ориентации, включая фуригану, текст поверх иллюстраций, разнообразные шрифты и изображения низкого качества. Модель также подходит для распознавания печатного японского текста общего назначения. Модель принимает изображения и выдаёт распознанный текст. В карточке указаны японский язык и датасет Manga109s. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

ayatsuri/miroberta-rmi — дообученная модель классификации текста на архитектуре RoBERTa, созданная на основе mavinsao/mi-roberta-base. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Она предназначена для классификации текста. В карточке приведены результаты оценки: accuracy 0,8858, precision 0,8799, recall 0,8771 и F1 0,8780. Назначение классов, обучающий набор данных и конкретная предметная область не описаны. Репозиторий распространяется по лицензии MIT.

Модель Diaurys Gomez Almonte создана для Dominican News Question Answering Challenge в рамках ICC-344-T. Это испаноязычная модель BERT для извлечения ответа: она получает вопрос и контекст новости и возвращает фрагмент, который явно присутствует в тексте. Модель дообучена на 45 примерах набора Lisibonny/pdqa на основе mrm8488/bert-base-spanish-wwm-cased-finetuned-spa-squad2-es; её архитектура — BertForQuestionAnswering, размер — 137,1 млн параметров, длина контекста — до 512 токенов. На проверочной выборке авторы сообщают F1 81,41% и Exact Match 60%. Модель подходит для поиска фактов в доминиканских новостных текстах, но малый объём обучения ограничивает обобщение. Она может ошибаться в границах ответа, выбирать другой допустимый ответ при неоднозначности и не проверяет достоверность новости; ответ должен содержаться в переданном контексте. Указана лицензия MIT.

nanoLLaVA-1.5 — компактная зрительно-языковая модель от qnguyen3 для диалога по изображениям и запуска на устройствах с ограниченными ресурсами. В карточке указаны языковая основа Quyen-SE-v0.1 на базе Qwen1.5-0.5B и визуальный энкодер google/siglip-so400m-patch14-384; метаданные описывают архитектуру как плотную llava-qwen2 с классом BunnyQwenForCausalLM и содержат 463,9 млн параметров. Модель принимает изображения и текстовые запросы, выдаёт текст; для диалога используется формат ChatML. Нативный контекст составляет 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях. Опубликованные в README результаты относятся к nanoLLaVA-1.0, а показатели версии 1.5 обозначены как TBD; данные обучения и код дообучения на момент публикации обещаны позднее. Веса доступны в формате safetensors по лицензии Apache-2.0.

CuiSiwei/nougat-for-formula — это дообученная на IM2LATEX-100K модель Nougat Small для распознавания математических формул на изображениях. Она использует архитектуру vision encoder-decoder и преобразует изображение с формулой в чёрном цвете на белом фоне в код LaTeX; модель рассчитана на распознавание формул, а не на разбор произвольных документов. Её можно применять для оцифровки формул из конспектов и скриншотов, а также в приложениях, которые автоматически создают LaTeX-разметку. В README приведены результаты на тестовой части IM2LATEX-100K: BLEU 0,8157 и CER 0,1601. Длина формулы ограничена максимальной длиной генерации используемой конфигурации; модель может ошибаться на неподходящем фоне или при отличающемся оформлении формул. Лицензия — Apache-2.0.

JANGQ-AI/Ornith-1.0-9B-JANG_6M — мультимодальная модель для диалога по изображениям и тексту, основанная на Ornith-1.0-9B от DeepReinforce. Она использует гибридную плотную архитектуру Qwen3.5: 32 текстовых слоя, из которых 24 используют Gated-DeltaNet, а 8 — обычное полное внимание; размер скрытого представления — 4096. По README, веса представлены в профиле JANG_6M: 8-битное внимание, 6-битный MLP с размером группы 64 и башня зрения в fp16; объём модели составляет около 8 ГБ. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений и мультимодального диалога. Для запуска требуются MLX Studio или среда выполнения vMLX с загрузчиком JANG; стандартный mlx_lm не загружает этот формат корректно. Лицензия — MIT.

Ostrakon-VL-8B — мультимодальная модель Ostrakon, дообученная для сценариев розничной торговли и общественного питания. Она принимает изображения вместе с текстовыми запросами и генерирует ответы на вопросы, описание сцен и выводы для проверок соответствия правилам. Модель основана на Qwen3-VL-8B-Instruct, имеет плотную архитектуру с 7,6 млрд параметров и контекст длиной до 262 144 токенов. Модель предназначена для анализа торговых залов, витрин и кухонь: распознавания объектов и текста, локализации товаров, пространственных рассуждений и проверок соблюдения требований. В карточке приведены результаты Ostrakon-VL-8B на ShopBench и описана многоэтапная стратегия дообучения; сам бенчмарк пока не опубликован. Поддержка видео заявлена для семейства Ostrakon-VL и бенчмарка, но метаданные этой версии указывают только задачу обработки изображений и текста. Лицензия — Apache-2.0.

Модель Scarlet Abreu и Renso Peralta для Dominican News Question Answering Challenge. Она принимает вопрос и новостной контекст и извлекает ответ непосредственно из текста. Модель дообучена для экстрактивного вопросно-ответного поиска на наборе Lisibonny/pdqa, чтобы учитывать его особенности разметки и улучшать Exact Match. В основе лежит RoBERTa для испанского языка, уже настроенная на экстрактивный QA. В метаданных указаны архитектура RobertaForQuestionAnswering, 151,8 млн параметров и контекст до 514 токенов. Модель ориентирована на вопросы по доминиканским новостям; лицензия — Apache 2.0. На валидационной выборке авторы сообщают Exact Match 73,33% и F1 84,79%. Обучение использовало только 45 примеров, и авторы отмечают умеренное переобучение, поэтому результаты на более широком круге новостных текстов могут отличаться. В README также описаны ошибки с неполными границами извлечённого ответа.

PIXIE-Rune-Preview — модель эмбеддингов на основе Sentence Transformer, разработанная компанией TelePIX Co., Ltd. Она построена на XLM-RoBERTa с пуллингом CLS-токена и нормализацией векторов, содержит 658,7 млн параметров и выдаёт эмбеддинги размерности 1024. Контекст составляет до 8194 токенов, а сходство между векторами рассчитывается косинусной мерой. Модель дообучена для семантического поиска на корейском и английском языках, с особым акцентом на аэрокосмическую тематику. Её можно применять для поиска релевантных документов, технических вопросов и ответов, понимания документов и построения мультиязычных систем семантического поиска. В README приведены результаты оценки на корейских и англоязычных наборах поиска, однако качество для конкретной коллекции следует проверять отдельно. Модель принимает текст и возвращает векторные представления. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

unsloth/Pixtral-12B-2409 — мультимодальная разговорная модель для работы с изображениями и текстом, опубликованная Unsloth как дообученная версия mistralai/Pixtral-12B-2409. Она принимает изображения вместе с текстовым запросом и генерирует текстовые ответы, например описания и ответы на вопросы о содержимом изображения. Модель поддерживает передачу изображений по URL и в виде данных base64; для работы с чекпойнтом в README упоминается библиотека mistral_common. В метаданных указаны архитектура семейства LLaVA, плотная модель и класс LlavaForConditionalGeneration; веса представлены в формате safetensors. В карточке подтверждена поддержка английского языка. README посвящён в том числе настройке и дообучению Pixtral с помощью Unsloth, однако не приводит оценок качества или характеристик контекстного окна. Модель распространяется по лицензии Apache-2.0.

Political DEBATE large — модель классификации текстов на основе DeBERTa-v2, разработанная Майклом Бернхэмом и соавторами. Она дообучена на наборе PolNLI для классификации политических документов в режиме zero-shot и few-shot: определения позиции автора, выявления языка ненависти, извлечения событий и тематической классификации. Модель сопоставляет текст с короткой гипотезой, заданной пользователем, и оценивает, следует ли эта гипотеза из текста. Модель содержит 533,8 млн параметров, принимает текстовые входы, поддерживает английский язык и имеет контекст до 512 токенов. Данные обучения включают публикации в соцсетях, новости, законопроекты Конгресса и краткие описания судебных дел. Для few-shot настройки README рекомендует использовать не менее 10 примеров, предпочтительно около 25, и небольшие пакеты по 1–2 примера. Модель предназначена для анализа политических текстов из разных источников; качество зависит от формулировки гипотезы и близости задачи к обучающим данным. Для supervised-классификации по задачам, явно представленным в обучении, авторы рекомендуют базовую модель. Лицензия — MIT.