I.3Извлечение и структурирование данных

izumi-lab/bert-small-japanese-fin — компактная модель BERT, разработанная izumi-lab и предварительно обученная на японских текстах. Архитектура соответствует BERT small из оригинальной статьи ELECTRA: 12 слоёв, размер скрытого состояния 256 и 4 головы внимания; модель содержит 21 млн параметров и рассчитана на контекст до 128 токенов. Модель обучена на японской Википедии и финансовых текстах: сводках финансовых результатов и отчётах о ценных бумагах. Токенизация выполняется с помощью MeCab с IPA-словарём, затем применяется WordPiece с размером словаря 32 768. Основная задача — предсказание скрытых токенов в японском тексте, в том числе финансовой тематики. Модель подходит для экспериментов и приложений, которым нужны японские языковые представления в компактном формате. Лицензия — CC BY-SA 4.0; при использовании и распространении необходимо соблюдать её условия.

CardThinker-32B-v3 — дообученная WoonaAI модель семейства Qwen2 на базе Qwen/QwQ-32B, предназначенная для создания и редактирования карточек персонажей для SillyTavern и ролевых сценариев. Модель имеет 32 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Карточка описывает английский язык, шаблон диалога ChatML и режим рассуждений, который можно включить специальным началом ответа. Модель подходит для проработки логичных, подробных персонажей, генерации творческих идей и редактирования карточек с соблюдением инструкций. Автор отмечает сильные навыки творческого письма и склонность к позитивному смещению: отрицательные черты персонажей могут получаться слишком мягкими, поэтому их лучше задать самостоятельно и попросить модель развить. Лицензия — Apache-2.0.

Dart v1 — модель Plat для генерации тегов Danbooru. Это дообученная методом SFT причинная языковая модель на архитектуре OPT с 165,5 млн параметров и контекстом 2048 токенов. Она продолжает структурированный промпт с тегами рейтинга, произведения, персонажей и общими тегами, выдавая теги в алфавитном порядке. Модель обучалась на наборе isek-ai/danbooru-tags-2023; в README указано, что для SFT использовались данные начиная с 2020 года. Модель предназначена для дополнения тегов постов Danbooru по заданной структуре и, по README, не поддерживает запросы на естественном языке и гибкие спецификации. Для вывода доступны веса Safetensors и ONNX, включая квантованный вариант ONNX; библиотека Transformers и ONNX Runtime через Optimum подходят для запуска. Лицензия — Apache-2.0. Оценка качества в карточке не проводилась.

DiSCo Situation-Entity Classifier — модель классификации предложений на основе RoBERTa-base, разработанная для компонента классификации DiSCo. Она присваивает английской дискурсивной единице элементарного уровня, примерно соответствующей придаточной или самостоятельной клаузе, одну из 18 категорий ситуации (Situation Entity). Категории отражают тип ситуации и могут быть разложены на признаки обобщённости референта, событийности глагольной конструкции и ограниченности или привычности ситуации. Модель предназначена для лингвистического анализа текста после сегментации на клаузы, например для изучения повествовательных режимов и анализа распределения типов ситуаций. Она содержит около 151,8 млн параметров, работает с текстом и имеет контекст до 514 токенов. Обучение включало предварительное обучение на корпусе SitEnt и дообучение на DiSCo: англоязычных текстах смешанных жанров, преимущественно о легализации марихуаны. На валидационной выборке во время обучения точность классификации 18 категорий составила 0,737, а macro-F1 — 0,514; для отдельных трёхклассовых признаков macro-F1 составил 0,852 для обобщённости и 0,879 для событийности. Редкие классы представлены существенно меньше частых, а оценки относятся к обучающей валидации; качество на других жанрах может отличаться. Модель распространяется по лицензии CC BY 4.0.

monologg/distilkobert — корейская языковая модель семейства DistilBERT, опубликованная пользователем monologg. Она предназначена для задачи fill-mask: по контексту с пропущенным токеном модель предсказывает подходящее продолжение. Модель работает с текстом и использует архитектуру DistilBertForMaskedLM; максимальная длина контекста составляет 512 токенов. Модель подходит для корейского текста и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Для загрузки токенизатора через AutoTokenizer в Transformers в README указано включить trust_remote_code=True.

flax-community/gpt2-persian-question-answering — экспериментальная модель сообщества Flax/JAX, созданная Mehrdad Farahani в рамках Flax/Jax Community Week при поддержке Hugging Face и Google. Это плотная авторегрессионная модель семейства GPT-2, обученная для ответов на вопросы по персидским текстам. Модель предназначена для извлечения ответов из контекста и вопросов по материалам персидской Википедии. В качестве обучающих данных использован набор PersianQA для понимания прочитанного. Модель принимает текст и генерирует текстовый ответ; максимальная длина контекста составляет 1024 токена. В карточке не указана лицензия, поэтому условия повторного использования по имеющимся данным определить нельзя. Результаты могут быть ограничены тематикой и составом PersianQA и персидской Википедии; качество на других языках и за пределами сценария ответов по контексту не подтверждено.

GuwenBERT-large — модель семейства RoBERTa, разработанная командой Datahammer из Пекинского технологического института и предварительно обученная на классическом китайском языке. Она предназначена для заполнения пропусков в тексте и дообучения для задач обработки древних китайских текстов, включая сегментацию предложений, расстановку пунктуации и распознавание именованных сущностей. Модель содержит около 426,5 млн параметров и принимает контекст длиной до 514 токенов. Для обучения использован корпус daizhige из 15 694 книг общим объёмом около 1,7 млрд символов; традиционные иероглифы были преобразованы в упрощённые, а словарь содержит 23 292 единицы. В описанной оценке распознавания сущностей в древних книгах модель заняла второе место с микроусреднённым F1 84,63. Модель рассчитана на классический китайский и специализированные исторические тексты; её результаты для других языков и современных текстов не подтверждены. Лицензия — Apache-2.0.

hseBert-it-cased — итальянская языковая модель на базе BERT, созданная bullmount посредством адаптивного дообучения bert-base-italian-xxl-cased методом masked language modeling на примерно 7 тысячах предложений из итальянских нормативных документов. Модель ориентирована на работу с текстами законодательства и нормативов, в частности с правилами охраны труда и экологическим кодексом Италии. Это BERT с архитектурой BertForMaskedLM, примерно 137,2 млн параметров и контекстом до 512 токенов. Основной сценарий — предсказание замаскированных слов в итальянских нормативных текстах; веса доступны в формате PyTorch. Лицензия — MIT. README показывает загрузку через Transformers, но не приводит оценки качества или результатов прикладной проверки.

scrollprize/ink_detection_pipeline — модель семейства TimeSformer из проекта ScrollPrize для извлечения признаков из изображений древних рукописей. README указывает на применение в конвейере чтения древнего текста и поиска скрытых писем возрастом около 2000 лет; модель используется с пакетами vesuvius и timesformer-pytorch. В метаданных указаны библиотека Transformers и формат весов safetensors. Доступные сведения не раскрывают размер модели, контекст, точные языки или лицензию, поэтому эти характеристики нельзя уточнить. README содержит команду принятия условий пакета Vesuvius, но не сообщает лицензию самой модели.

Warlord-K/kanha-incidentio-incidents-1.7b-qlora-v1 — дообученная методом QLoRA модель на базе Qwen/Qwen3-1.7B, разработанная для контролируемой оценки ответов на вопросы по сайту Kanha и сравнения методов обучения на одном наборе данных, полученном с сайта. Это плотная языковая модель с архитектурой Qwen3ForCausalLM, 1,7 млрд параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текст. Карточка указывает английский язык. Обучающий набор содержал 276 записей, проверочный — 33, отдельного тестового набора не было. В опубликованной оценке полнота извлечения дат, списков, чисел и URL составила 1,0, но детерминированная доля успешных ответов — 0,0, а все ответы требовали проверки. Поэтому модель подходит для контролируемых экспериментов и оценки ответов на вопросы по материалам сайта, но не подтверждена для прямого использования в пользовательских сценариях. Возможны неверные, неполные или устаревшие ответы и запоминание обучающих данных. Веса опубликованы в формате safetensors, также доступны артефакты MLC с квантизацией q4f16_1. Лицензия в предоставленных данных не указана.

Lawma 70B — языковая модель на архитектуре Llama 3 70B Instruct, дообученная авторами проекта Lawma на более чем 500 тысячах примеров для 260 задач юридической классификации. Данные основаны на базах решений Верховного суда США и апелляционных судов округа Сонгер; суммарный объём обучения составил около 2 млрд токенов. Модель содержит 69,5 млрд параметров, работает с контекстом до 8192 токенов и распространяется в формате Safetensors по лицензии MIT. Модель предназначена прежде всего для классификации юридических материалов в рамках задач, на которых её дообучали, например для анализа решений судов и юридических исследований. В опубликованной оценке авторы сообщают о средней точности 81,9% на наборе из 260 задач и превосходстве над GPT-4 на 95% из них; эти результаты относятся к их тестированию с выбором ответа и не гарантируют качества на других данных. Модель дообучалась на вопросах с вариантами ответа, а не на общих инструкциях, и обычно выдаёт букву или число. Авторы рекомендуют дополнительно дообучать её под конкретное применение.

MentalRoBERTa — языковая модель на базе RoBERTa-Base, разработанная для работы с текстами о психическом здоровье. Авторы обучили её на тематических публикациях Reddit, используя стандартные протоколы предобучения BERT и RoBERTa и библиотеку Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для последующей автоматической обработки материалов о психическом здоровье, например выявления возможных признаков расстройств в публичных онлайн-публикациях. Модель принимает текст на английском языке и предсказывает пропущенные токены. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Предсказания не являются психиатрическим диагнозом; при применении для поиска людей, которым может потребоваться помощь, необходима профессиональная проверка. Авторы также отмечают возможные смещения, проблемы справедливости, неопределённости и интерпретируемости.

NVIDIA-NemotronLabs-AI-for-Media-Sports-Tennis — мультимодальная модель NVIDIA, дообученная на размеченных видеоклипах отдельных теннисных розыгрышей на основе Nemotron 3 Nano Omni. Она отвечает на вопросы с вариантами ответа и в свободной форме о технике ударов, позициях на корте, перемещениях игроков, ходе розыгрыша, фактах матча, правилах и звуковых сигналах. Модель предназначена для анализа теннисных видео в медиапроизводстве, тренерской работе, спортивной аналитике и поиске по архивам матчей; для лучших результатов следует передавать полный клип розыгрыша. Модель использует гибридную архитектуру Mamba2-Transformer с Mixture of Experts: около 31 млрд параметров, из которых примерно 3 млрд активны на каждом токене. Визуальный энкодер CRADIO v4-H и аудиоэнкодер Parakeet обрабатывают изображения, видео и звук; также модель принимает текст и выдаёт текстовые ответы. Контекст — до 256 тысяч токенов. Поддерживается английский язык. Модель рассчитана на запуск с использованием ускорителей NVIDIA и интегрируется через NeMo, Megatron и Transformers. Лицензия указана как other; карточка сообщает о готовности модели к коммерческому и некоммерческому использованию. Специализация на теннисных клипах означает, что её ответы о других видах спорта и общих мультимодальных задачах могут быть менее надёжными. Перед внедрением рекомендуется проверять модель на данных и сценариях конкретного применения.

OTel-LLM-4B-IT — языковая модель семейства OTel, созданная Open Telco AI и дообученная всеми параметрами на базе google/gemma-3-4b-it. Это плотная модель Gemma 3 с 4 млрд параметров, предназначенная для генерации ответов по найденным фрагментам телекоммуникационных документов в RAG-системах. Обучающие данные OTel-LLM включают отобранные примеры на основе телеком-статей, стандартов 3GPP и IETF, материалов GSMA и других источников; модель рассчитана на английский язык и текстовый ввод. В описанной оценке на отложенной выборке OTel-LLM точность ответов с опорой на контекст составила 73,2% против 66,2% у базовой модели. Это не оценка свободных ответов без контекста, а результат для конкретной телекоммуникационной выборки; качество зависит от поиска, ранжирования, переданного контекста и промпта. Результаты следует проверять отдельно для нужных поддоменов и внешних наборов данных, а ответы — подтверждать перед операционным, клиентским, регуляторным или сетевым использованием. Лицензия модели — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели.

RusCxn Embedder — модель Sentence Transformers, разработанная для поиска конструкционных паттернов в русском языке. Она дообучена на базе intfloat/multilingual-e5-large-instruct и обучена на 15 298 примерах из базы данных Russian Constructicon. Модель кодирует русские примеры и описания конструкций в 1024-мерные эмбеддинги для семантического поиска, сравнения, ранжирования и извлечения подходящих паттернов. Архитектура использует XLM-RoBERTa с усреднением токенов и нормализацией; максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для работы с библиотекой RusCxnPipe, а также может применяться напрямую через Sentence Transformers. Качество для кластеризации и классификации конструкций систематически не оценивалось, поэтому результаты в этих сценариях не подтверждены. Лицензия в предоставленных данных не указана.

SelfEfficacybinary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 и содержит 211,6 млн параметров; принимает текстовые последовательности длиной до 512 токенов и выдаёт класс. Название указывает на бинарную классификацию, связанную с самоэффективностью, однако карточка не уточняет схему меток и целевой сценарий применения. На оценочной выборке модель показала accuracy 0,6513, precision 0,6330, recall 0,7182, F1 0,6729 и AUC 0,6921. Эти результаты указывают на ограниченную точность и требуют проверки на данных конкретного применения. Модель распространяется по лицензии MIT.

SmolVLM-500M-anime-caption-v0.2 — мультимодальная модель автора Andres77872 для создания подписей к изображениям в стиле аниме. Она дообучена на базе HuggingFaceTB/SmolVLM-500M-Base на синтетических парах изображений и описаний и использует архитектуру Idefics3. Модель принимает изображение и выдаёт естественное описание на английском языке; подходит для аниме-иллюстраций, манга-панелей и каталогизации изображений в тематических архивах. Модель ориентирована на аниме и иллюстрации и не предназначена для описания обычных фотографий или произведений в других стилях. Она выпущена под лицензией Apache 2.0.

Модель gary109/ai-light-dance_drums_ft_pretrain_wav2vec2-base — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC с 113,3 млн параметров. Она предназначена для преобразования аудио в текст и дообучена на наборе GARY109/AI_LIGHT_DANCE — ONSET-DRUMS. В README для оценки указаны loss 1,8991 и WER 0,6046. Модель принимает аудио и выдаёт текст. Карточка не сообщает языки распознавания, условия применения или лицензию, поэтому нельзя установить, насколько хорошо она подходит для речи вне обучающего набора.

ALBERT-base-Sanskrit — модель семейства ALBERT, созданная Suraj Parmar для получения векторных представлений санскритского текста. В README показано использование AutoTokenizer и AutoModel из Transformers; модель принимает токенизированный текст и возвращает скрытые представления. В метаданных указано 81,2 млн параметров и контекст длиной 514 токенов; веса доступны в форматах PyTorch и Safetensors. Модель подходит для извлечения признаков из санскритских текстов и может служить основой для прикладных NLP-систем на санскрите. Карточка не сообщает о дополнительных задачах или оценках качества. Лицензия в предоставленных данных не указана.

Anas Belfathi разработал эту модель как доменно-адаптированную версию BERT base uncased для юридических текстов. Модель продолжительно обучалась на корпусе LexFiles, включающем решения Европейского суда по правам человека, судебные материалы ЕС и индийские судебные материалы. Обучение использует masked language modeling с выборочным маскированием: юридически значимые слова выбираются с учётом TF-IDF, чтобы модель лучше усваивала термины и темы документов. Это BERT-модель класса BertForMaskedLM с 136,7 млн параметров и контекстом до 512 токенов. Она принимает английский текст с маскированными токенами и предсказывает подходящие слова для заполнения пропусков, что подходит для исследования юридической терминологии и адаптации текста в юридическом домене. Лицензия — CC BY 4.0. Модель не предназначена для генерации свободного текста или юридических консультаций; её обучающие данные ограничены указанными корпусами и юрисдикциями.

chakma-lm — дообученная модель на базе FacebookAI/xlm-roberta-base, разработанная автором репозитория adity12345. Это XLM-RoBERTa для задачи заполнения пропусков в тексте: модель предсказывает замаскированные слова. Размер модели — 305,2 млн параметров, нативная длина контекста — 514 токенов; веса опубликованы в формате safetensors. В README указано значение loss 2,5392 на наборе оценки, но набор данных и подробности обучения не описаны. Название модели указывает на язык чакма, однако сведения о поддерживаемых языках в метаданных и README отсутствуют. Модель распространяется по лицензии MIT.

hwting/distilbert-base-uncased-finetuned-imdb — дообученная модель DistilBERT для заполнения пропусков в тексте. Она построена на DistilBertForMaskedLM и предназначена для предсказания замаскированного токена в английском тексте; максимальная длина контекста составляет 512 токенов. Модель доступна в формате safetensors по лицензии Apache-2.0. В карточке указано, что модель дообучена на неизвестном наборе данных, а значение loss на оценочной выборке составляет 2.4901. Описание назначения дообучения и его практических преимуществ не приведено, поэтому метка «imdb» в названии сама по себе не подтверждает специализацию на анализе тональности.

williamliao/dspark_gemma4_12b-GGUF — это конверсия в формат GGUF черновой модели DeepSeek DSpark для целевой модели google/gemma-4-12B-it. Модель предназначена исключительно для ускорения генерации методом speculative decoding в llama.cpp и не может использоваться самостоятельно. Для работы её нужно соединить с совместимой целевой моделью Gemma 4 12B и использовать тот же tokenizer и семейство моделей. Модель имеет размер 12B, поддерживает блок DSpark размером 7 и поставляется в вариантах BF16 и Q4_K_M; в опубликованном тестировании использовалась только квантизация Q4_K_M. Это текстовая модель для сценариев генерации, включая программирование, математические рассуждения, структурированный JSON-вывод, суммаризацию, вопросы и ответы, перевод и дополнение кода. В тестах с целевой Gemma 4 12B-it при контексте 65 536 токенов среднее ускорение составило 2,77 раза, а пропускная способность выросла с 38,67 до 107,23 токена в секунду. Наибольшие преимущества наблюдались для предсказуемого и структурированного вывода: JSON, повторяющихся последовательностей, пошаговой математики и дополнения кода. Для творческой генерации и перевода ускорение было минимальным. Результаты экспериментальные и не предназначены для прямого сравнения с другими карточками DSpark, поскольку использовались другой upstream-чекпойнт, реализация llama.cpp, размер блока и confidence gating с параметром 0,60. Языки, точная архитектура и дополнительные ограничения в README не указаны. Лицензия обозначена как other, без уточнения условий.

Remidesbois/f2llm-v2-160m-one-piece-retrieval — дообученная модель текстовых эмбеддингов на основе F2LLM-v2-160M от CodeFuse AI, созданная для проекта One Piece Indexer. Она кодирует поисковые запросы и описания страниц манги, метаданные и доступный текст OCR для плотного семантического поиска по страницам One Piece. Для запросов следует использовать инструкцию F2LLM для поиска релевантных фрагментов, а текст страниц кодировать без неё; 640-мерные эмбеддинги рекомендуется нормализовать по L2 перед поиском по cosine или inner product. Модель построена на архитектуре Qwen3, содержит 134,8 млн параметров и имеет контекст до 40 960 токенов по метаданным; при обучении и экспорте использовалась максимальная длина последовательности 512 токенов. Доступны веса Sentence Transformers в safetensors и экспорт ONNX для инференса через Transformers.js или локальный Node.js. Модель предназначена прежде всего для семантического поиска на французском языке по описаниям страниц One Piece и OCR-тексту. На локальных отложенных выборках она превзошла исходную F2LLM-v2-160M, однако автор предупреждает, что это специализированная оценка на данных проекта, а не общий бенчмарк; качество в реальном использовании следует контролировать по новым меткам обратной связи. Лицензию README и метаданные не сообщают.

IngroupLoyalty_binary — англоязычный классификатор текста, созданный дообучением microsoft/deberta-v3-base и опубликованный ajrayman. Модель на основе DeBERTa v3 Base содержит 211,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов, выдавая результат бинарной классификации. По названию модель предназначена для определения внутригрупповой лояльности в тексте. В карточке приведены результаты оценки: accuracy 0,6323, precision 0,5969, recall 0,8148, F1 0,6890 и AUC 0,7268; обучающий набор данных не назван. Модель распространяется по лицензии MIT.

Jyang1206/iris-dinov3-vits16-ssl-pilot — экспериментальный визуальный энкодер для извлечения признаков изображений офтальмологических хирургических инструментов. Это EMA teacher backbone, дообученный в небольшой DINO-стиле задаче self-distillation на основе Meta DINOv3 ViT-S/16; модель содержит 28,3 млн параметров и выдаёт 384-мерный эмбеддинг изображения. Она предназначена для поиска ближайших соседей и сравнения изображений инструментов по косинусному сходству. Чекпойнт адаптирован на 496 изображениях в течение 20 эпох. Его можно использовать для экспериментального поиска похожих изображений в офтальмологических наборах данных, однако README прямо отмечает отсутствие независимых сессий проверки и клинической валидации. Модель не должна быть единственным основанием для идентификации инструментов, захвата, сортировки или управления роботом. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

9pinus/macbert-base-chinese-medical-collation — модель на архитектуре BERT, разработанная дообучением китайской базовой версии MacBERT для проверки орфографии в медицинских текстах. Для обучения использовали корпус из 300 млн единиц, включая более 60 тысяч медицинских статей; в части предложений искусственно добавляли ошибки, заменяя символы визуально или фонетически похожими. Модель предназначена для выявления и исправления таких ошибок в китайских медицинских текстах, в том числе для постобработки документов и статей. В README заявлена точность 96% на тестовом наборе разработчиков. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и выполняет классификацию токенов. Лицензия — Apache-2.0. Заявленная точность относится к тестовому набору разработчиков; переносимость результата на другие данные не описана.

HachiML/Mists-7B-v01-projector-trained — дообученная модель семейства Mists, основанная на HachiML/Mists-7B-v01-not-trained. В метаданных указаны архитектура MistsForConditionalGeneration, плотная архитектура и формат safetensors; модель классифицирована для извлечения признаков. Карточка сообщает о дообучении на неизвестном наборе данных и значении loss 0,5989 на оценочном наборе, но не описывает назначение, данные или сценарии применения. Базовая модель задумана для совместной работы с текстом и временными рядами, однако её адаптер не обучен; для этой версии такая мультимодальность и практическая пригодность не подтверждены. Модель опубликована под лицензией Apache-2.0. Использование для извлечения признаков указано в метаданных, но карточка не предоставляет сведений о качестве эмбеддингов или ограничениях оценки.

OTel-LLM-24B-IT — англоязычная языковая модель для генерации ответов по телекоммуникационной тематике, разработанная в рамках инициативы OTel Family of Models. Это полно-параметрическая дообученная версия LiquidAI/LFM2-24B-A2B с архитектурой MoE; в метаданных указаны 3,4 млрд параметров и контекст до 128 000 токенов. Модель предназначена для генерации ответов, обоснованных найденными фрагментами документов, в системах Retrieval-Augmented Generation (RAG), использующих материалы по стандартам, сетям и отраслевым телекоммуникационным темам. По оценке на отложенной выборке OTel-LLM точность ответов с учётом контекста составила 79,5% ± 0,6 против 75,0% у базовой модели. Результат относится к заданной оценочной процедуре и не гарантирует аналогичного качества на внешних данных. Модель не оптимизирована для ответов на телекоммуникационные вопросы без предоставленного контекста; качество зависит от поиска, ранжирования и промпта. Она ориентирована на английский язык и текстовые сценарии. Лицензия модели — Apache-2.0; при использовании также необходимо учитывать лицензию или условия базовой модели.

parl-german-speechact — немецкоязычная модель классификации текста, разработанная в рамках проекта GePaDeU для разметки дебатов Бундестага Германии. Она определяет для речевого акта с контекстом из предыдущего и следующего предложений один или несколько типов речевых актов, описывающих прагматические и риторические функции, например просьбу, сообщение, обвинение или требование. Модель основана на GBERT large и полностью дообучена для многоклассовой многометочной классификации последовательностей. Она содержит 434,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Обучение и оценка проводились на 12 947 вручную размеченных фрагментах из парламентских выступлений 2017–2021 годов. Модель предназначена для анализа речевых актов в немецких парламентских дебатах; её применимость к другим жанрам и предметным областям не установлена. Лицензия в доступных данных не указана.