I.3Извлечение и структурирование данных

MiniCPM5-2B-catalan-chat — разговорная модель для следования инструкциям на каталанском языке, созданная Luis Poveda как LoRA-донастройка openbmb/MiniCPM5-2B. Веса представлены в формате safetensors; модель основана на плотной архитектуре Llama и насчитывает около 2,2 млрд параметров. Заявленная длина контекста — 131 072 токена. Модель обучена в один проход на 165 100 примерах набора InstruCAT, охватывающего 11 категорий задач и около 43 млн токенов. Она предназначена для ответов на вопросы, перефразирования, распознавания именованных сущностей, классификации и суммаризации на каталанском. Настройка ориентирована на одноходовые инструкции; для многоходового диалога на каталанском данных не использовали, а непринуждённая беседа зависит от базовой модели. Для базовой модели указана лицензия Apache-2.0, однако обучающие данные InstruCAT распространяются по CC-BY-NC-ND-4.0 с некоммерческим ограничением. Перед коммерческим использованием необходимо проверить условия лицензии данных.

RhapsodyAI выпустила MiniCPM-V-Embedding-preview — модель визуальных эмбеддингов на архитектуре MiniCPM-V, предназначенную для поиска страниц документов по смыслу. Она принимает изображения страниц и преобразует их в векторы; README описывает обучение на более чем 200 тысячах пар запросов и визуальных документов, включая PDF, книги, графики, диаграммы, научные иллюстрации и отраслевые документы. Модель подходит для поиска страниц, отвечающих на вопрос, в длинных PDF и личных библиотеках. В метаданных указаны 2,7 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. README также сообщает, что для локального запуска рекомендуется не менее 32 ГБ памяти. Модель ориентирована прежде всего на английский язык; авторы предупреждают о слабых результатах для китайского и других неанглийских задач поиска. Это альфа-версия: качество может быть недостаточным для отдельных сценариев, скорость инференса низкая, а код моделирования ещё не стандартизирован.

Это GGUF-квантизированная версия мультимодальной модели Pixtral 12B, разработанной командой Mistral Community. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; в репозитории представлены варианты от BF16 до низкобитных форматов Q2–Q8. Модель предназначена для задач image-text-to-text, то есть обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель доступна в различных вариантах квантизации, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер файлов варьируется примерно от 5,45 ГБ для Q2_K_L до 24,50 ГБ для BF16. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K, Q6_K и соответствующие форматы; более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Формат GGUF ориентирован на запуск через llama.cpp, LM Studio и другие совместимые проекты. README не содержит сведений о размере контекста, поддерживаемых языках, точной архитектуре мультимодальной части и формате промптов, поэтому эти характеристики нельзя надёжно определить по представленным данным. Указанная лицензия — Apache-2.0.

Карточка модели RedHatAI/Molmo2-8B на Hugging Face совпадает с карточкой allenai/Molmo2-8B, поэтому описание составлено по ней. Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

unicamp-dl/mt5-base-mmarco-v2 — модель на архитектуре mT5, дообученная на многоязычной версии набора MS MARCO для ранжирования пассажей. Версия Multi MS MARCO включает коллекции пассажей MS MARCO на девяти языках; для версии v2 данные переведены с помощью Google Translate. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для оценки релевантности пассажей поисковому запросу в многоязычных задачах поиска информации. Её можно использовать для ранжирования найденных фрагментов текста, например, при поиске ответов в корпусе документов. В карточке указана лицензия MIT. Перевод обучающих данных машинный, поэтому качество может зависеть от языка и особенностей перевода.

jost/multilingual-e5-base-politics-de — дообученная на немецких политических данных модель эмбеддингов предложений на базе multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и Sentence-Transformers, преобразуя предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения немецкоязычных политических текстов, а также для группировки похожих предложений и абзацев. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение векторов, сохраняющих смысловое сходство. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-4-epochs — модель Sentence-Transformers на базе архитектуры MPNet, разработанная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель обучалась с Triplet Loss; название репозитория указывает на настройку для поиска ответов на вопросы о COVID-19 в течение четырёх эпох. Она подходит для получения текстовых эмбеддингов, которые затем можно использовать для поиска релевантных фрагментов или группировки похожих текстов. В метаданных указаны формат PyTorch и задача sentence-similarity. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

В репозитории ToddBB/MyAwesomeModel-TestRepo заявлена модель MyAwesomeModel, однако карточка не позволяет надёжно установить реальные возможности и характеристики именно этой модели. В ней приведены общие утверждения о рассуждениях, генерации кода и вызове функций, но они не подтверждены описанием архитектуры или доступными результатами для этого репозитория. Метаданные указывают на задачу извлечения признаков, архитектуру BERT и библиотеку Transformers; лицензия — MIT. Поэтому назначение модели описывается только как извлечение признаков, без переноса на неё неподтверждённых заявлений карточки.

Lurunchik/nf-cats — модель классификации типов вопросов, обученная разработчиком на наборе данных NFQA. Она основана на RoBERTa и использует метки NOT-A-QUESTION, FACTOID, DEBATE, EVIDENCE-BASED, INSTRUCTION, REASON, EXPERIENCE и COMPARISON, чтобы определять тип входного текста. Модель предназначена для разметки вопросов и связанных с ними высказываний по типу, например для последующей маршрутизации или анализа обращений. Это архитектура RoBERTa с 151,8 млн параметров, принимающая текст; для токенизации в примере README используется deepset/roberta-base-squad2. Контекст составляет 514 токенов, основной язык — английский. Модель выпущена под лицензией MIT.

zeromodels/owlv2-large-patch14 — конверсия OWLv2-large-patch14 от Google в Keras 3, подготовленная проектом zeromodels. Модель выполняет обнаружение объектов с открытым словарём: принимает изображение и свободные текстовые запросы о том, какие объекты нужно найти, и возвращает найденные объекты с оценками и координатами. Архитектура сохраняет двухбашенную основу OWL-ViT, использует детекторную голову для патчей изображения и дополнительную голову оценки объектности. Модель масштабирована с помощью самообучения на парах изображение—текст из веба. Репозиторий содержит конверсию в формате TensorFlow; реализация Keras 3 также заявлена как работающая с TensorFlow, Torch и JAX. Для обработки изображений важно учитывать дополнение изображения до квадрата перед изменением размера и передавать исходные размеры при постобработке. Порог обнаружения для открытого словаря может быть ниже, чем у детекторов с фиксированными классами. Лицензия — Apache 2.0.

Parakeet TDT-CTC 1.1B GGUF — это квантизированная версия модели автоматического распознавания речи parakeet-tdt_ctc-1.1b, разработанной совместно командами NVIDIA NeMo и Suno.ai и адаптированной для работы с transcribe.cpp. Модель предназначена для офлайн-транскрибации английской речи с восстановлением пунктуации и капитализации, включая обработку длинных аудиозаписей. Она принимает аудио, но не поддерживает потоковое распознавание, перевод или автоматическое определение языка. В основе лежит FastConformer-XL примерно на 1,1 млрд параметров с декодером TDT/RNNT; вспомогательная CTC-голова исходной гибридной модели удалена при конвертации. Поддерживается английский язык, выдаются токеновые временные метки. Доступны варианты GGUF от F32 и F16 до Q8_0, Q6_K, Q5_K_M и Q4_K_M объёмом примерно от 825 МБ до 4,28 ГБ. На тестовой выборке LibriSpeech test-clean показатель WER составляет 1,87% для большинства вариантов и 1,91% для Q4_K_M. Сильные стороны модели — высокое качество английской транскрибации, пунктуация и капитализация, возможность обработки до 11 часов аудио за один проход в исходной архитектуре, а также несколько вариантов квантизации для выбора между качеством и размером. Модель рассчитана на офлайн-обработку и требует запуска через transcribe.cpp; в практическом сценарии рекомендуется использовать монофонические WAV-файлы с частотой 16 кГц. Модель распространяется по лицензии CC-BY-4.0, унаследованной от базовой модели NVIDIA.

Perception Encoder Spatial G/14 448 — визуальный энкодер Meta из семейства Perception Encoder. Модель извлекает детализированные пространственные признаки изображений для задач классификации, поиска и плотного предсказания, включая обнаружение объектов и сегментацию. Вариант G/14 работает с разрешением 448 пикселей; в карточке приведены результаты на ADE20K, LVIS и COCO. Модель основана на контрастивном vision-language предобучении PE Core и дообучена с самодистилляцией от промежуточных слоёв учителя и уточнением признаков с помощью масок SAM 2.1. Её особенность — пространственно детализированные признаки с семантическими соответствиями между частями объектов. Принимает изображения и выдаёт признаки; лицензия — Apache 2.0. В README заявлена поддержка понимания изображений и видео для семейства PE, но для этого чекпойнта видео-вход отдельно не подтверждён.

PubMedBERT Embeddings — модель NeuML, дообученная с помощью Sentence Transformers на базе PubMedBERT для создания эмбеддингов медицинских текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и поиска релевантных фрагментов для RAG по медицинской литературе. Обучение использовало пары заголовков и аннотаций PubMed, включая похожие заголовки; README сообщает о сравнительной оценке на наборах PubMed QA, PubMed Subset и PubMed Summary. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Основной язык — английский. Для медицинской литературы она формирует более подходящие представления, чем модели общего назначения; дообучение на конкретной медицинской подотрасли может улучшить качество. Распространяется по лицензии Apache-2.0.

MBIRD — модель семейства Qwen3.5 с 2 млрд параметров, разработанная авторами проекта SQaLe как специализированный агент для преобразования вопросов на естественном языке в SQL. Модель дообучена методом GRPO на обучающей выборке BIRD без предварительного supervised warm start и без дистиллированных рассуждений от более крупной модели. MBIRD исследует базу SQLite через вызовы инструментов: ищет нужные таблицы и значения, проверяет запрос и затем выдаёт итоговый SQL. Для работы требуется агентный цикл, который выполняет вызовы модели к базе и возвращает результаты; схема базы не включается в исходный запрос. В карточке указаны результаты на BIRD dev, SQaLe test и EHRSQL, однако лучший показатель модели — на BIRD, использованном при обучении. Чекпойнт содержит неизменённую башню зрения Qwen3.5, но обучалась и оценивалась только языковая часть на текстовых данных. Модель поддерживает английский язык; выпущена по лицензии Apache-2.0. Ограничения: обучалась и оценивалась только для SQLite и хуже находит нужные таблицы в больших схемах; качество на медицинском EHRSQL остаётся низким. Её следует запускать в агентном цикле с контролируемым доступом к базе, поскольку SQL-запросы исполняются над данными.

Мультимодальная модель семейства Qwen3.5 с плотной архитектурой на 4 млрд параметров, дообученная dkingtutcd на основе Qwen/Qwen3.5-4B. Модель предназначена для диалога и ответов на запросы с изображениями: принимает текст и изображения, а выдаёт текст. В метаданных также указаны интерфейс вызова инструментов и поддержка зрения. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. В README сообщается, что при обучении использовались Unsloth и библиотека TRL; сведений о конкретном наборе данных, специализации дообучения или оценках качества нет.

turboderp/Qwen3.8-Flash-Next-exl3 — это набор EXL3-квантизаций модели Qwen3.8-Flash-Next, разработанной Qwen и переквантованной turboderp. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на локальный запуск с использованием ExLlamaV3 версии 1.4.5 или ветки dev. Доступны варианты с точностью 2,05, 3,05, 4,05, 5,05 и 6,05 бит на вес, что позволяет выбирать компромисс между требованиями к памяти, скоростью и сохранением качества. В README не указаны точный размер модели, архитектурные детали базовой модели, поддерживаемые языки и максимальная длина контекста. Приведены результаты самокалибровки и несколько графиков, однако подробные бенчмарки заявлены как будущие. Лицензия обозначена как qwen-community-1.0; дополнительные условия следует уточнять в файле LICENSE.

Qwen3.8-Flash-Next-Uncensored-GGUF — набор GGUF-квантизированных версий модели Qwen3.8-Flash-Next, опубликованный OrcaRouter. Это аблированная сборка с существенно удалёнными механизмами отказа, предназначенная прежде всего для исследований интерпретируемости, безопасности ИИ, red teaming и оценки устойчивости. Модель поддерживает генерацию текста, reasoning, function calling и работу с изображениями через отдельный файл mmproj; заявлены английский и китайский языки. Архитектура представляет собой крупную Mixture-of-Experts-модель с 512 экспертами, из которых при обработке токена активируются 10 маршрутизируемых и один общий эксперт. Используется экспериментальная архитектура Qwen4 qwen4_exp с линейным вниманием Gated DeltaNet, Qwen Sparse Attention, HyperConnections и PLE n-gram hash embeddings. Доступны квантизации от 2 до 8 бит, включая варианты Q2_K–Q8_0. Модель запускается через llama.cpp на CPU, CUDA, Metal и ROCm; для поддержки архитектуры требуется свежая сборка llama.cpp с поддержкой qwen4_exp. Также возможна speculative decoding через MTP при использовании совместимых сборок и файлов-драфтеров. Главные преимущества — сочетание MoE-архитектуры, vision-language возможностей, reasoning и инструментального вызова функций, а также широкий выбор квантизаций для различного объёма памяти. Ограничения включают высокие требования к ресурсам, заметное снижение качества у наиболее компактных 2-битных вариантов, необходимость отдельного mmproj для зрения и несовместимость со старыми версиями llama.cpp. Из-за удаления защитных механизмов модель может выполнять вредоносные или незаконные запросы, поэтому перед практическим применением необходимы собственные фильтры безопасности и модерации. Распространение осуществляется по лицензии Apache 2.0, унаследованной от базовой модели.

Qwen3 ASR Enhanced — дообученная модель mrfakename на базе Qwen/Qwen3-ASR-1.7B для распознавания речи и транскрибации аудио с inline-разметкой невербальных вокализаций: смеха, вздохов, кашля, дыхания, прочищения горла и плача. Модель предназначена для расшифровки подкастов, интервью и встреч, создания описательных субтитров, анализа диалогов и подготовки данных для разговорных систем. Модель использует плотную архитектуру Qwen3ASRForConditionalGeneration, принимает аудио и выдаёт текстовую транскрипцию. README заявляет поддержку английского, немецкого и французского языков, устойчивость к шуму, акцентам и длинным записям. Это альфа-версия; автор отмечает нестабильность тегов невербальных звуков и планирует улучшить их, а также добавить диаризацию говорящих. Лицензия — Apache-2.0.

Модель sentence-embeddings-xllora-xlmr-afr разработана для получения векторных представлений предложений на языке африкаанс. Она основана на XLM-R и дообучена методом XL-LoRA для обучения представлений предложений в условиях нехватки языковых ресурсов. Размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов; формат весов — PyTorch. Модель предназначена для оценки семантического сходства, поиска предложений и кластеризации текстов на африкаанс. В исходной схеме представления объединяются скрытые состояния первого и последнего слоёв с равными весами, затем применяется усреднение по токенам. Для получения эмбеддингов можно также использовать стандартное усреднение по токенам, но результаты могут немного отличаться от опубликованных в статье. Обучение проводилось на синтетических наборах триплетов; лицензия — MIT.

ctaguchi/ssc-sco-mms-model — дообученная модель распознавания речи на основе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; принимает аудио и преобразует речь в текст. Базовая модель поддерживает более тысячи языков, но язык и набор данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,2065, WER 0,5486 и loss 0,7277. Эти значения относятся к оценочному набору, сведения о котором отсутствуют, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель iwillcthew/vietnamese-embedding-PROPTIT-domain-ft — Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе AITeamVN/Vietnamese_Embedding_v2. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README указаны максимальная длина последовательности 512 токенов и оценка Spearman 0,7062 на валидационном наборе для задачи семантического сходства. Метаданные каталога указывают контекст до 8194 токенов; это значение относится к базовой конфигурации, тогда как карточка модели задаёт предел 512 токенов для Sentence Transformers. Модель ориентирована на вьетнамский язык и обучена на 1457 примерах, связанных с вопросами и ответами о PROPTIT — клубе программирования. Лицензия в предоставленных данных не указана.

wav2vec2-bert-CV16-en-libri — модель распознавания речи, дообученная на базе facebook/w2v-bert-2.0 на чистой части набора LIBRISPEECH_ASR. Она использует архитектуру Wav2Vec2BertForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает английское направление по названию модели. В README приведены результаты оценки: WER 0,0708 и CER 0,0194 на оценочном наборе. Модель распространяется по лицензии MIT. Подробности о сценариях применения, контексте записи и известных ограничениях в карточке не раскрыты.

classla разработала wav2vec2-xls-r-juznevesti-sr — модель распознавания сербской речи на основе facebook/wav2vec2-xls-r-300m, дообученная на 58 часах аудио и расшифровок из программы «15 minuta» новостного издания Južne vesti. Это аудиомодель архитектуры wav2vec2 с CTC-декодированием и примерно 402,7 млн параметров. Модель предназначена для преобразования сербской речи в текст, в частности для записей, похожих на аудио обучающей выборки. На dev- и test-частях набора JužneVesti указаны WER 0,295 и 0,290 соответственно, а CER — 0,141 и 0,138. Эти результаты относятся к оценке на данном наборе и не гарантируют аналогичного качества на других типах записей. Для работы в README приведён пример совместимости с Transformers, PyTorch и SoundFile; лицензия в доступных данных не указана.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E3-lus-v2026.06 разработана как дообученная версия openai/whisper-large-v3-turbo на наборе данных MiZonal v3.0. Это плотная модель Whisper для автоматического распознавания речи; размер составляет 905,2 млн параметров, веса опубликованы в формате safetensors. Версия E3 обучалась с аугментацией скорости речи и предназначена для транскрибирования аудио. В README приведены результаты на оценочном наборе: WER 14,1847, CER 2,7327 и коэффициент реального времени 0,0546. Карточка не уточняет язык аудио, поэтому языковую поддержку и область применения по этим данным определить нельзя. Модель распространяется по лицензии Apache-2.0.

Это версия OpenAI Whisper Small, дообученная для распознавания швейцарского немецкого диалекта. Модель предназначена для преобразования аудио в текст; в качестве обучающих данных использован набор SwissDial-ZH. В карточке Hugging Face указаны библиотека Transformers, формат PyTorch и лицензия Apache-2.0. Карточка не приводит результатов оценки и подробных сведений о качестве распознавания или ограничениях. Поэтому пригодность для конкретных акцентов, условий записи и типов аудио следует проверять на собственных данных.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

WikiMedical_sent_biobert — модель эмбеддингов на архитектуре BERT, опубликованная Samuel Chaineau. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости медицинских текстов: модель предсказывает, относятся ли два текста к одной и той же странице Википедии о медицине. Её можно применять для семантического поиска и кластеризации медицинских материалов. Модель обучена на наборе WikiMedical_sentence_similarity с использованием CosineSimilarityLoss. В README указаны результаты оценки на тестовой части этого набора: корреляция Спирмена 0,87 и корреляция Пирсона 0,95 для косинусной близости. Контекст модели — до 512 токенов; параметры доступны в форматах PyTorch и safetensors. Модель рассчитана на медицинские тексты Википедии, поэтому её результаты на других медицинских источниках и темах общего назначения могут отличаться. Сведения о лицензии в предоставленных данных отсутствуют.

Модель XLS-R-300M Uyghur CV8 разработана Lucio и дообучена на базе facebook/wav2vec2-xls-r-300m для распознавания уйгурской речи. Это модель Wav2Vec2ForCTC размером около 402,7 млн параметров, обученная на данных Common Voice 8.0 для уйгурского языка; её словарь использует буквы уйгурского алфавита на персо-арабской графической основе. Модель преобразует аудиозапись речи в текст и подходит для черновых субтитров к видео и индексирования записанных передач. На тестовой выборке указана WER 0,3248. Apache-2.0 — лицензия модели. Распознавание недостаточно надёжно для живых субтитров, используемых в целях доступности. При работе с записями следует учитывать приватность говорящих, представленных в Common Voice и других аудиоматериалах.

NousResearch/Yarn-Llama-2-7b-64k — плотная авторегрессионная языковая модель семейства Llama 2, созданная командой Nous Research и дополнительно предобученная на длинных текстах. Для обучения использовалась часть набора PG19; модель обучали ещё 400 шагов, чтобы она могла работать с контекстом до 65 536 токенов. Представленная версия адаптирована для Flash Attention 2 и требует установленной библиотеки Flash Attention для корректной работы. Модель предназначена для генерации текста с учётом длинного контекста: например, для продолжения и анализа больших документов или длинных последовательностей текста. В метаданных указано 6,6 млрд параметров и формат PyTorch. Карточка сообщает о планах улучшить качество на длинном контексте и провести дообучение в формате инструкций, поэтому модель не следует считать специализированным чат-ассистентом. Лицензия в предоставленных данных не указана.

faodl/actionable-policy-bert-base-multilingual-uncased-f1_weighted — модель классификации текста на базе BERT с многоязычной архитектурой и версией без учета регистра. По идентификатору модели она предназначена для задачи text-classification; разработчик, точная схема меток и назначение классов в карточке не описаны. Модель содержит 194,6 млн параметров, поддерживает контекст до 512 токенов и рассчитана на использование с библиотекой Transformers. Её можно применять для классификации текстовых сообщений по заранее определённым категориям в прикладных системах, если категории и формат входных данных соответствуют данным обучения. Языковые коды, сведения о лицензии, обучающем наборе, метриках и результатах оценки не приведены, поэтому качество и допустимые условия распространения необходимо проверять отдельно.