I.3Извлечение и структурирование данных

Это вариант Qwen3.8-23B-Mini-Me, преобразованный в формат GGUF для запуска через llama.cpp. В README указано, что исходные веса взяты из StargazerLabs/Qwen3.8-23B-Mini-Me-bf16; метаданные относят модель к семейству Qwen3.8 и отмечают возможность работы с изображениями. Репозиторий создан 20 августа 2026 года, лицензия — Apache-2.0. Модель предназначена для задач «изображение—текст»: она принимает изображения и текстовые запросы и формирует текстовые ответы. GGUF позволяет использовать её через llama.cpp; карточка не приводит дополнительных сведений о контекстном окне, языках или результатах оценки качества.

Sundanese RoBERTa Base — маскированная языковая модель RoBERTa, обученная с нуля Wilson Wongso для текстов на сунданском языке. Она предназначена для заполнения пропусков в тексте и извлечения контекстных признаков; для обучения использованы сунданские подмножества OSCAR, mC4 и CC100, а также сунданская Википедия. Модель имеет архитектуру RoBERTa для masked language modeling. В метаданных указано 151,8 млн параметров и контекст до 514 токенов; README приводит оценку 124 млн параметров. Обучение проводилось во Flax, доступны форматы Flax, PyTorch и safetensors. На отложенной выборке автор сообщает loss 1,952 и точность 63,98%. Модель подходит для языкового анализа и извлечения признаков из сунданских текстов, но не является генеративным чат-ботом. Результаты могут отражать смещения обучающих корпусов. Лицензия — MIT.

Это арабоязычный классификатор для определения позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 соревнования StanceEval-2026 командой NAMAA Community и дообучена на ahmedabdelali/bert-base-qarib. В основе — архитектура BERT с классификационной головой; размер модели составляет 162,4 млн параметров, максимальная длина контекста — 512 токенов. На вход модель получает текст твита и целевую тему, а на выходе относит позицию к одному из трёх классов: Favor (поддержка), Against (против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Обучение и оценка проводились на известных модели темах: вакцины от COVID-19, цифровая трансформация и расширение прав и возможностей женщин. На dev-наборе Mawqif-v2 указана метрика Favg2 81,84. Модель предназначена для анализа арабских публикаций и тематического мониторинга. Результат для новых тем или других типов текста карточкой не подтверждён. Лицензия — Apache-2.0.

VCTI-RoBERTa-Fiber — англоязычная модель RoBERTa-base, дообученная компанией Velankani Communications Technologies Inc. на текстах об оптической связи и фотонике с помощью masked language modeling. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текст; длина контекста — 514 токенов. Модель предназначена для получения контекстных представлений технических текстов об оптических волокнах, фотонных устройствах, мультиплексировании, усилителях, модуляции, сетях и лазерных системах. Её можно применять для семантического поиска, подбора похожих документов и вопросов, кластеризации и тематического анализа, а также для извлечения контекста в RAG-системах. В README модель названа базовой версией, а обучение описано как выполненное на собственном корпусе статей, учебников и научных публикаций. Модель подходит для англоязычных материалов в области оптических технологий. Она также дообучалась для восстановления пропущенных слов, но основное пользовательское назначение — доменные эмбеддинги; качество на других темах и языках не описано. Распространяется по лицензии MIT.

tuman/vit-rugpt2-image-captioning — модель описания изображений на русском языке, разработанная автором репозитория tuman. Она обучена на русских переводах датасета COCO2014 и использует архитектуру VisionEncoderDecoder: визуальный энкодер и языковой декодер. Модель предназначена для генерации текстовой подписи к изображению. Энкодер инициализирован из google/vit-base-patch16-224-in21k, декодер — из sberbank-ai/rugpt3large_based_on_gpt2. В карточке приведены результаты на тестовых данных: BLEU 8,672 и BLEU precision 1 — 30,567. Для запуска автор предлагает библиотеку Transformers и pipeline image-to-text. Подходит для автоматического составления кратких русскоязычных описаний изображений, в том числе в сценариях, связанных с коллекцией COCO. Метрики указывают на ограниченное качество описаний; данных о более широких тестах и поддержке других языков в карточке нет. Лицензия в предоставленных сведениях не указана.

abook-analyzer:v4 là mô hình của dự án ABook, được tinh chỉnh bằng LoRA trên Qwen/Qwen3-4B-Instruct-2507, затем объединённый с базовой моделью и выпущенный в формате GGUF Q8_0. Он анализирует фрагменты вьетнамских романов и возвращает для каждого фрагмента разметку в JSON по схеме ABook: говорящий, повествование, диалог или внутренняя речь, эмоция, её интенсивность, темп, громкость и пол. Модель предназначена для подготовки разметки аудиокниг; студия ABook загружает её автоматически, также описан запуск через Ollama. В обучении использовались собственные эталонные разметки проекта, а текст романов не переиздаётся моделью. Для v4 сообщается улучшение метрик относительно v3 на тестовых главах, не включённых в обучение; измерения проводились с контекстом из девяти предшествующих фрагментов. Модель обучена под запросы и схему ABook, поэтому для других форматов и задач качество не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.

CMB-ClimateModernBERT/A_CX_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная авторами проекта ClimateModernBERT посредством дополнительного предобучения ModernBERT-Base на академических текстах о климате. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает контекст до 8192 токенов. Основная задача модели — заполнение маскированных пропусков в тексте; её также можно дообучать для классификации, многометочной разметки и поиска по климатическим текстам. Модель предназначена для исследований в области обработки естественного языка о климате: научных статей, корпоративной климатической отчётности, документов по политике и новостей. В опубликованной оценке она показала средний F1 74,4 по девяти климатическим NLP-бенчмаркам. Авторы рекомендуют для общего использования объединённую модель Merge_Soup_LRD с более высоким средним F1. Это masked language model, а не диалоговая или инструкционная система; опубликованная оценка в основном охватывает предложения и фрагменты текста, поэтому возможности длинного контекста проверены ограниченно. Модель рассчитана только на английский язык. Лицензия модели в предоставленных сведениях не указана.

Модель ihebmbarek/bert-finetuned-imdb — дообученная версия BERT-base-uncased для классификации текста. По названию репозитория она предназначена для классификации отзывов о фильмах, однако README не описывает метки классов, обучающие данные и сценарии применения. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. В README приведено значение loss 0,0009 на оценочном наборе, но без сведений о наборе данных и методике оценки этот результат нельзя интерпретировать как надёжную оценку качества.

codeswitch-hineng-lid-lince — модель Sagor Sarker для определения языка в смешанных сообщениях на хинди и английском. Она размечает текст на уровне токенов, присваивая фрагментам языковые метки, чтобы выявлять переключение между языками в одной последовательности. Модель построена на BERT и обучена на данных LinCE для распознавания хинди-английского кода. Она принимает текст и выдаёт токенные метки; поддерживаемая длина контекста — 512 токенов. Вес модели составляет около 205,1 млн параметров. Репозиторий содержит веса в форматах PyTorch и Flax, включая safetensors. Модель подходит для анализа код-свитчинга и подготовки разметки смешанных текстов, но область её применения ограничена сочетанием хинди и английского и задачей языковой идентификации на уровне токенов. Лицензия — MIT.

m-newhauser/distilbert-political-tweets — модель DistilBERT, дообученная на наборе m-newhauser/senator-tweets, содержащем твиты сенаторов США за первый год администрации Байдена. Она классифицирует короткие тексты по политической принадлежности к Демократической или Республиканской партии, обучена на 99 693 твитах 2021 года и показывает на тестовой выборке accuracy 0,9076 и F1 0,9117. Модель принимает текст на английском языке; контекст ограничен 512 токенами. Доступны веса PyTorch и TensorFlow. Лицензия — LGPL-3.0. Качество на текстах длиннее твитов может быть ниже.

EXAONE-3.5-2.4B-it-DACON-LLM — дообученная Dongwook Min (mindw96) версия EXAONE 3.5 2.4B Instruct для восстановления корейских отзывов, искажённых обфускацией. Модель предназначена для генерации текста и диалогового взаимодействия; карточка связывает её с соревнованием по восстановлению корейских отзывов. Это плотная авторегрессионная модель семейства EXAONE с 2,4 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают поддержку корейского и английского языков, формат safetensors и библиотеку Transformers. Лицензия в доступных данных не приведена.

Fin-Pythia-1.4B — модель на архитектуре GPT-NeoX, разработанная для анализа тональности финансовых текстов. Авторы продолжили обучение Pythia-1.4B на финансовых документах, а затем дообучили модель следовать инструкциям для финансовых задач. В метаданных указаны 1,7 млрд параметров, контекст 2048 токенов и формат PyTorch. Основной сценарий — классифицировать финансовые высказывания как положительные, отрицательные или нейтральные, например, в новостях и заголовках. Модель также применяли к распознаванию именованных сущностей в финансовых текстах. Она принимает текстовый запрос в формате инструкции и генерирует текстовый ответ. README сообщает о результатах, сопоставимых с более крупными финансовыми LLM на отдельных тестах, но приведённая таблица неполна и не позволяет независимо проверить это сравнение. Лицензия — Apache-2.0.

German Medical BERT — модель на основе bert-base-german-cased, дообученная Манджилом Шрестхой на медицинских статьях на немецком языке о заболеваниях, симптомах и терапии. Это BERT с архитектурой BertForMaskedLM, примерно 136,3 млн параметров и контекстом до 512 токенов; основная задача в карточке — заполнение пропусков в тексте. Модель предназначена для адаптации к последующим медицинским NLP-задачам на немецком языке. В README приведена оценка применения для многометочной классификации медицинских текстов по кодам NTS-ICD-10: F1 82,73 для варианта MedBERT-512. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

HeBERT Finetuned Legal Clauses — модель, созданная Шаем Донером дообучением avichr/heBERT на датасете SupremeCourtOfIsrael. Это BERT-модель для ответов на вопросы по текстам решений Верховного суда Израиля, в частности для поиска юридических положений. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README указаны 147 946 обучающих и 36 987 проверочных примеров; на оценке автор сообщает Accuracy 0,96 и F1 0,96. Модель рассчитана на работу с ивритскими судебными текстами. Она опубликована в формате Safetensors; условия лицензии в предоставленных материалах не описаны.

Imp-v1-3b — компактная мультимодальная языковая модель проекта MILVLG при Ханчжоуском университете электроники. Она объединяет языковую модель Phi-2 размером 2,7 млрд параметров и визуальный энкодер SigLIP размером 0,4 млрд параметров; общий размер модели в метаданных указан как 3,5 млрд параметров. Модель обучена на обучающем наборе LLaVA-v1.5 и предназначена для диалога о визуальном содержимом и ответов на вопросы по изображениям. Модель подходит для визуального вопросно-ответного взаимодействия и описания изображений, в том числе для компактных мультимодальных приложений. README сообщает о сравнительной оценке на девяти бенчмарках, включая VQA и TextVQA, но не приводит здесь полный набор результатов. Метаданные указывают контекст длиной 3072 токена и формат весов safetensors. Лицензия — Apache-2.0. В README отмечено, что технический отчёт и код обучения планировалось выпустить позднее; заявленные результаты бенчмарков не являются гарантией качества в прикладных сценариях.

Indo RoBERTa Small — маскированная языковая модель на архитектуре RoBERTa, обученная Wilson Wongso с нуля на статьях индонезийской Википедии. Она предназначена для заполнения пропусков в индонезийском тексте и извлечения текстовых признаков. Модель содержит около 96,6 млн параметров и поддерживает контекст до 514 токенов. Для обучения использовалась библиотека Transformers; доступны версии в форматах PyTorch, TensorFlow и Flax. На валидационной выборке из Википедии модель показала perplexity 48,27 после трёх эпох обучения. Модель подходит для языковых экспериментов и приложений, которым нужно предсказывать пропущенные слова или получать представления текста на индонезийском языке. Выводы могут содержать фактические ошибки, а в модели могут воспроизводиться предубеждения из обучающих статей Википедии. Лицензия — MIT.

InternVL-Chat-ViT-6B-Vicuna-7B — мультимодальная чат-модель OpenGVLab для диалога по изображениям и визуальных вопросов. В основе — трансформерная авторегрессионная языковая модель, объединённая с визуальным энкодером InternViT-6B-224px и Vicuna-7B-v1.5; метаданные указывают 6,6 млрд параметров и контекст 4096 токенов. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Модель обучалась на парах изображение—текст, мультимодальных инструкциях, данных для визуальных вопросов и ShareGPT. Она предназначена для задач визуального восприятия, диалога по изображениям и ответов на вопросы о визуальном содержимом. В README модель позиционируется прежде всего для исследований мультимодальных моделей и чат-ботов; заявлена поддержка многоязычного содержимого в обучающих данных, но конкретный перечень поддерживаемых языков не приведён. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Electrocom VLM V2 — компактная визуально-языковая модель на 450 млн параметров, разработанная erikku-sama на основе LiquidAI/LFM2.5-VL-450M. Модель дообучена на наборах ElectroCom61 и Electronic Detection для распознавания и локализации электронных компонентов на изображениях. Она принимает изображения и текстовые запросы, а ответы о найденных компонентах формирует в структурированном JSON, пригодном для программной обработки. Модель предназначена для инвентаризации электронных компонентов, визуальной проверки печатных плат и учебных инструментов по идентификации электроники. В карточке заявлены полнота grounding 31,9% при IoU > 0,5 и скорость 85,2 токена в секунду; автор также сообщает об улучшении локализации относительно версии V1. Доступны веса Safetensors и GGUF F16. Указана лицензия other, поэтому конкретные условия использования следует проверять в файлах репозитория.

Это 4-битная конверсия модели Llama 3.2 11B Vision Instruct в формат MLX, подготовленная сообществом mlx-community из unsloth/Llama-3.2-11B-Vision-Instruct с помощью mlx-vlm 0.1.0. В метаданных базовой моделью указана meta-llama/Llama-3.2-11B-Vision-Instruct; архитектура — плотная MllamaForConditionalGeneration с 11 млрд параметров. Модель предназначена для диалога с изображениями: она принимает текстовые запросы и изображения, отвечает на вопросы о визуальном содержимом и ведёт беседу. В карточке заявлена поддержка английского языка, а среди возможностей указаны чат, зрение и интерфейс вызова инструментов. Для запуска в MLX README предлагает использовать mlx-vlm. Модель распространяется по лицензии Llama 3.2. Это конверсия в 4-битный формат MLX, однако метаданные также указывают файлы safetensors; точные ограничения лицензии и результаты оценки качества в предоставленной карточке не описаны.

llama3-vision-alpha — экспериментальная мультимодальная модель, созданная @yeswondwerr и @qtnx_. Обученный проекционный модуль добавляет к Llama 3 обработку изображений с использованием SigLIP; репозиторий содержит веса в формате safetensors, модель можно запускать через Transformers. Модель предназначена для диалога по изображениям: она отвечает на вопросы о содержимом изображения и кратко описывает его. Примеры показывают распознавание текста на обложке книги, положения человека и объектов, а также цветов и еды. В метаданных указана поддержка английского языка; размер модели и длина контекста не приведены. Это ранняя alpha-версия, поэтому качество ответов может быть нестабильным; пример с описанием изображения также содержит детали, которые не очевидны из изображения. Лицензия — Llama 3 Community License (llama3).

LongVA-7B — мультимодальная чат-модель, разработанная командой lmms-lab. Она переносит способность работать с длинным контекстом из языковых моделей на визуальные входы и предназначена для анализа длинных видео и последовательностей кадров. По данным карточки, модель может обрабатывать до 2000 кадров или более 200 тысяч визуальных токенов; авторы сообщают о лучших результатах среди моделей на 7B параметров на Video-MME. Модель имеет плотную архитектуру на основе Qwen2 с классом LlavaQwenForCausalLM и содержит 7,1 млрд параметров. Метаданные указывают контекст до 224 тысяч токенов и формат весов safetensors. Указанная задача Hugging Face — text-generation; для визуального анализа модель принимает изображения или кадры видео и выдаёт текстовые ответы. Языковая поддержка в предоставленных данных не описана. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Утверждение о качестве ограничено сравнением с моделями на 7B параметров в Video-MME; других оценок и ограничений не приведено.

MathBERTa — модель на базе RoBERTa, разработанная Витом Новотным и Михалом Штефаником для работы с английскими математическими текстами и формулами LaTeX. Токенизатор дополнен математическими символами, а модель дообучена на корпусах ArXMLiv и Math StackExchange с задачей masked language modeling. Веса содержат 173,7 млн параметров, контекст — до 514 токенов; модель чувствительна к регистру. Репозиторий распространяется в формате PyTorch по лицензии MIT. Модель предсказывает замаскированные слова и математические символы, а также может служить источником признаков для последующего дообучения на классификацию последовательностей и токенов или ответы на вопросы по математическим текстам. Она рассчитана на задачи, где решение опирается на весь входной фрагмент, а не на генерацию текста. В README отмечена проблема долгой загрузки из-за большого числа добавленных токенов LaTeX в старых версиях Transformers; исправление вошло в версию 4.20.0.

med-ruri-v3-70m — genshiai-daichi разработала модель эмбеддингов предложений для поиска по японским медицинским текстам. Это дообученная на медицинских задачах поиска модель cl-nagoya/ruri-v3-70m на архитектуре ModernBERT; она содержит 70 млн параметров, формирует плотные векторы размерности 768 и поддерживает контекст до 8192 токенов. Модель принимает текст и предназначена для семантического поиска, извлечения релевантных фрагментов для медицинских RAG-систем, сравнения и кластеризации текстов. В описанной авторами проверке на 2000 отложенных синтетических запросах по медицинской тематике nDCG@10 вырос с 0,305 у базовой модели до 0,424. Для запросов и документов необходимо добавлять префиксы «検索クエリ: » и «検索文書: » соответственно; в Sentence Transformers их можно назначить через prompt_name. Модель специализирована на японском языке и медицине, поэтому для других языков и общих текстов преимущество дообучения может быть невелико. Результаты синтетической оценки не гарантируют качество в конкретной системе. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

OpenMed-ZeroShot-NER-Protein-Tiny-60M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, их взаимодействиям и молекулярной биологии. Заявленный размер — 60 млн параметров; модель работает с текстом на английском языке и возвращает метки и фрагменты распознанных сущностей. Основное назначение — извлечение белков, белковых комплексов, семейств и вариантов из научной литературы и других биомедицинских текстов. Это может помогать при поиске взаимодействий белок–белок, моделировании путей и анализе системной биологии. GLiNER позволяет задавать типы сущностей для извлечения, однако качество для пользовательских или редких типов зависит от порога распознавания и требует проверки. В README для Tiny-модели указан F1 0,62 на тестовом наборе FSU. Модель распространяется по лицензии Apache-2.0. README также перечисляет широкие сценарии клинического NLP и распознавания произвольных биомедицинских сущностей, однако приведённый результат относится к корпусу FSU и специализации на белках; переносимость на другие типы сущностей и клинические данные отдельно не подтверждена.

PARTYPRESS multilingual — модель классификации текстов на основе bert-base-multilingual-cased, дообученная исследователями PARTYPRESS на размеченных пресс-релизах политических партий. Она распределяет тексты по 23 областям политики из классификации Comparative Agendas Project и предназначена прежде всего для анализа тем, которые партии освещают в своих сообщениях. Модель обучена на 27 243 пресс-релизах 68 партий из девяти европейских стран; доступна классификация на немецком, датском, английском, нидерландском, польском, испанском и шведском языках. Это BERT-модель для классификации последовательностей с контекстом до 512 токенов и 205,1 млн параметров. В пятиблочной перекрёстной проверке авторы получили точность 69,52% и F1 66,77%, сопоставимые с результатами экспертных кодировщиков. Качество зависит от страны: в README указаны более высокие результаты для Ирландии и более низкие для Польши; различение некоторых близких тем, например экологии и энергетики, затруднено. Для других стран и контекстов авторы рекомендуют дополнительное дообучение. Лицензия — CC BY-SA 4.0.

mandanya/Qwen2.5-Coder-0.5B-LCQ-v2 — дообученная модель на базе Qwen/Qwen2.5-Coder-0.5B-Instruct для составления запросов Logseq на Clojure с использованием Datalog. Она предназначена для диалоговой генерации запросов к заметкам Logseq по описанию пользователя. Модель построена на плотной архитектуре Qwen2 и содержит 494 млн параметров; принимает текст и выдаёт текст. Контекст — до 32 768 токенов. В README описан датасет примерно из 100 вручную собранных примеров и около 4500 синтетических примеров, созданных на их основе с помощью Qwen2.5-Coder-7B-Instruct. В указанном тестировании версия v2 получила общий результат 0,3333 в режиме zero-shot; оценка проводилась на небольшой синтетической тестовой части. Модель распространяется по лицензии Apache-2.0.

Модель tohoku-cijs/qwen3.5-2b-ndl-honkoku-kuzushiji-ocr разработана для распознавания японских исторических документов. Это полное дообучение мультимодальной плотной модели Qwen3.5-2B с 2 млрд параметров: она принимает изображение страницы и генерирует текстовую транскрипцию. Обучение проводилось примерно на 23,9 тыс. страниц: печатных японских транскрипциях honkoku из корпуса NDL minhon-v2 и рукописных страницах с курсивным письмом кузусидзи из корпуса Kaggle. Модель предназначена для OCR печатных транскрипций и рукописного кузусидзи в документах домодерной и ранней современной Японии. В README описана оценка на отложенных наборах из 416 строк honkoku и 120 строк кузусидзи; результаты качества не приведены. Репозиторий содержит веса safetensors и поддерживает интерфейс чата и зрения. Лицензия обозначена как other, поэтому конкретные условия использования следует проверить в карточке модели.

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

SimplyParse — дообученная taskmaster141 модель семейства Qwen3-VL, созданная на базе unsloth/Qwen3-VL-4B-Instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная мультимодальная модель для диалога с изображениями и текстом; метаданные также указывают интерфейс вызова инструментов. Модель предназначена для сценариев, где нужно задавать вопросы об изображениях и получать текстовые ответы в чате. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. README не уточняет специализацию дообучения или результаты оценки качества, поэтому применимость к конкретным типам изображений и задачам требует проверки.

HassanB4/t1_s7_xlmr_text_target — классификатор арабской тональности по отношению к заданной теме, созданный для Track 1 (Seen Targets) соревнования StanceEval-2026 в рамках ArabicNLP 2026. На вход модель получает арабский твит и целевую тему, а на выходе относит позицию автора к одному из классов: поддержка, противодействие или нейтральное, нерелевантное либо неясное отношение. Модель представляет собой дообученную XLM-RoBERTa large с архитектурой XLMRobertaForSequenceClassification и 658,7 млн параметров. Контекст составляет 514 токенов. Она обучалась на наборе Mawqif-v2 и рассчитана на известные при обучении темы: вакцины от COVID-19, цифровую трансформацию и расширение прав и возможностей женщин. На отладочной выборке указана метрика Favg2 77,90. Модель распространяется под лицензией Apache-2.0.