II.8Инженерия данных и аналитика

Это компактный текстовый backbone Qwen3.5, подготовленный mp-juuuns для обучения классификаторов с пользовательской выходной головой. Он получен из Qwen/Qwen3.5-0.8B: глубина сокращена с 24 до 4 слоёв в три этапа дистилляции, а словарь уменьшен примерно с 248 тысяч до 39 866 английских и корейских токенов. В README указано 120,6 млн параметров, тогда как метаданные каталога приводят 95,3 млн. Модель использует архитектуру Qwen3_5TextModel, доступна в Safetensors и GGUF Q8_0, имеет контекстное окно 262 144 токена и распространяется по лицензии Apache-2.0. Backbone предназначен для дообучения классификаторов под собственные метки, в том числе для многоцелевой классификации документов. В эксперименте на английских новостях SemEval-2020 Task 11 классификаторы на его основе показали результаты, близкие к лучшим среди 65 моделей, а сокращение числа слоёв заметно ускорило классификацию в измерениях авторов. Сам backbone не содержит классификационной головы и сам по себе не выдаёт готовые метки: для применения нужно добавить и обучить голову. Несмотря на тег conversational и наличие возможности chat в метаданных, README описывает его как headless-классификационный backbone, а не как готовую диалоговую модель. Оценка качества ограничена небольшой выборкой английских новостей и одним прикладным заданием; часть оценок получена на данных, использованных для выбора порога, а независимая тестовая оценка единична. Для корейского измерялись только токенизация и скорость, качество не оценивалось. Длинноконтекстное поведение, калибровка вероятностей, устойчивость, справедливость и безопасность для производства не установлены; модель не рекомендуется использовать как проверяющую факты, фильтр безопасности или автономный механизм принятия решений.

Это визуальный энкодер семейства Qwen3.5, извлечённый из Qwen/Qwen3.5-27B и перенесённый в формат timm без дополнительного обучения. Модель принимает RGB-изображения и выдаёт векторные представления и пространственные признаки; языковые веса и обученная классификационная голова в чекпойнт не входят. Энкодер использует vision transformer с шириной backbone 1152, проекцией до 5120 и пространственным merger; выход модели по умолчанию — усреднённый эмбеддинг изображения. В README указан размер изображения 768 × 768, поддерживаются прямоугольные размеры при условии, что каждая сторона делится на 16; варианты с merger 2×2 требуют делимости на 32. Для классификации необходимо добавить и обучить новую голову на целевом наборе данных. Модель распространяется по лицензии Apache 2.0.

Это дообученная XLM-RoBERTa Large для классификации токенов, разработанная на основе khadija69/roberta_ASE_kgl_large. Модель содержит 658,7 млн параметров, принимает текст и выдаёт метки для отдельных токенов; длина контекста — до 514 токенов. Карточка не уточняет набор меток, обучающие данные и целевую область применения, поэтому пригодность для конкретной задачи разметки нужно проверять отдельно. Опубликованные показатели включают train loss 0,0908 и validation loss 0,2620 после пяти эпох, но без описания датасета и метрики они не позволяют оценить качество на пользовательских данных. Лицензия — MIT.

haisongzhang/roberta-tiny-cased — компактная модель RoBERTa, опубликованная пользователем haisongzhang на Hugging Face. Карточка предлагает использовать её для извлечения признаков текста через Transformers; архитектура — плотная модель семейства BERT с классом BertModel, содержащая 31,6 млн параметров и поддерживающая контекст до 512 токенов. Модель преобразует входной текст в контекстные векторные представления, которые можно использовать как основу для последующих задач NLP. Карточка не описывает целевые датасеты или конкретную языковую специализацию, поэтому нельзя надёжно указать поддерживаемые языки. Лицензия в доступных источниках не установлена.

Djacon/rubert-tiny2-russian-emotion-detection — модель на базе ruBERT-tiny2, дообученная для многометочной классификации эмоций в русскоязычных текстах. Она относит текст к одной или нескольким категориям: радость, грусть, гнев, энтузиазм, удивление, отвращение, страх, вина, стыд и нейтральное состояние. Модель построена на архитектуре BERT и содержит 29 млн параметров; максимальный контекст составляет 2048 токенов. Она предназначена для анализа эмоциональной окраски текстов, например сообщений и отзывов. В README приведены тестовые метрики, включая средний macro F1 0,618 и micro F1 0,864; качество заметно различается между классами. Обучена на датасете Djacon/ru-izard-emotions. Лицензия — MIT.

Модель prithivMLmods/siglip2-mini-explicit-content — классификатор изображений, дообученный на базе Google SigLIP 2 base patch16-512 с архитектурой SiglipForImageClassification. Она относит изображение к одному из пяти классов: аниме, чувственный контент, хентай, порнография или безопасный для работы контент. Модель предназначена для модерации и фильтрации изображений, в частности аниме и материалов для взрослых. Её можно применять для фильтрации публикаций и результатов поиска, родительского контроля, проверки изображений в рабочих средах и отбора датасетов. Модель выдаёт вероятностные оценки классов и не распознаёт насилие, наркотики или символику ненависти; результаты требуют проверки человеком и не являются юридической классификацией. Для распространения указана лицензия Apache-2.0.

SimpleSD-4B-thinking — исследовательская языковая модель Apple, полученная дообучением Qwen3-4B-Thinking-2507 методом Simple Self-Distillation. Метод обучает модель на собственных сэмплированных ответах без учителя, функции вознаграждения, проверяющих моделей и обучения с подкреплением. Модель предназначена прежде всего для генерации кода, включая решение задач соревновательного программирования. Модель имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. В тестах LiveCodeBench показаны улучшения относительно базовой Qwen3-4B-Thinking-2507, особенно на сложных задачах. Это исследовательский чекпойнт для воспроизводимости, не оптимизированный релиз Qwen. В README не приведены сведения о поддерживаемых естественных языках и конкретных ограничениях качества. Лицензия репозитория — apple-amlr.

Smol-Hub-tldr — компактная языковая модель, разработанная Davan Strien на основе HuggingFaceTB/SmolLM2-360M. Модель дообучена методом supervised fine-tuning и предназначена для создания кратких однопредложных резюме карточек моделей и датасетов Hugging Face Hub, чтобы быстро понять их назначение и основные характеристики. Модель принимает текст карточки и генерирует текстовое резюме. В обучении использовались резюме карточек, созданные Llama 3.3 70B; в README рекомендуется применять chat template и передавать основную часть карточки без YAML-заголовка. Хотя нативный контекст составляет 8192 токена, при обучении использовались карточки длиной до 2048 токенов. Модель содержит 361,8 млн параметров, использует архитектуру Llama и формат safetensors. Резюме также можно использовать как исходный текст для построения эмбеддингов и семантического поиска. Модель сфокусирована на карточках Hugging Face и не предназначена для универсального суммирования произвольных документов. Лицензия — MIT.

thomaskim1130/stella_en_400M_v5-FinanceRAG-v2 — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная разработчиком на базе thomaskim1130/stella_en_400M_v5-FinanceRAG. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текста. Модель содержит 433,9 млн параметров. Метаданные указывают контекст до 8192 токенов, а карточка сообщает максимальную длину последовательности 512 токенов, поэтому фактический лимит следует сверять с конфигурацией используемого приложения. Сходство векторов можно оценивать косинусной мерой. Модель обучалась на 2256 парах предложений с функцией потерь MultipleNegativesRankingLoss; карточка приводит метрики поиска, включая cosine_accuracy@1 0,4636 и @5 0,7597. Файлы опубликованы в формате safetensors. Сведений о лицензии в предоставленных данных нет.

STORM Qwen3 Keyword Generator — дообученная компактная языковая модель на архитектуре Qwen3ForCausalLM с 1,7 млрд параметров, созданная для расширения поисковых запросов полезными ключевыми словами. STORM применяет пошаговую оптимизацию генерации по метрикам извлечения информации: варианты продолжения оцениваются по результатам BM25, чтобы добавлять термины, помогающие находить документы при несовпадении формулировок запроса и текста документов. Модель предназначена для лексического поиска и может использоваться как переписыватель запросов перед поиском по стандартному BM25-индексу. В карточке описан перенос подхода на 18 языков; метаданные указывают контекст до 40 960 токенов и поддержку диалога. Для генерации можно применять beam search, в том числе групповой, либо обычное декодирование. Репозиторий содержит веса в формате safetensors, а базовая модель — Qwen/Qwen3-1.7B. В препринте сообщается о результатах на TREC DL и BEIR, а также о переносе на MIRACL; эти заявления относятся к представленному подходу и не гарантируют качество конкретного чекпойнта во всех поисковых системах. Лицензия в предоставленных данных не указана.

TAPAS medium — модель Google на архитектуре BERT для ответов на вопросы по таблицам. Она предварительно обучена на английских текстах и таблицах из Википедии, а затем дообучена на Sequential Question Answering (SQA). Модель выбирает ячейки таблицы, чтобы сформировать ответ на вопрос в диалоговом сценарии; версия по умолчанию использует сброс индексов позиций в каждой ячейке, также доступна версия с абсолютными позиционными эмбеддингами. Модель содержит 49,2 млн параметров, принимает вопрос и таблицу в текстовом представлении и поддерживает последовательности длиной до 512 токенов. При дообучении использовалась эвристика, ограничивающая выбор ячеек одним столбцом. Модель предназначена для англоязычных таблиц и вопросов. Распространяется по лицензии Apache 2.0.

TinyChampion-3B-R1 — компактная языковая модель семейства Llama, разработанная MAlexC и содержащая 2,7 млрд параметров. Это плотная авторегрессионная модель для генерации текста и диалогов; карточка указывает контекст до 131 072 токенов и поддержку английского и румынского языков. Модель дообучена на дистиллированных многошаговых цепочках рассуждений DeepSeek-R1 и предназначена для ответов с пошаговым разбором задач, включая математику и код. Разработчик позиционирует её как компактную модель для устройств с ограниченными ресурсами и потребительских GPU. Доступны веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Пример в README содержит испорченные исходные числа и приводит к неверному ответу, поэтому качество вычислений по карточке оценить нельзя.

TinyCodeLM-400M — компактная авторегрессионная языковая модель для генерации кода, разработанная Ульяной Питербарг, Леррелом Пинто и Робом Фергюсом из NYU. Это предварительно обученная версия семейства TinyCodeLM размером около 454 млн параметров; инструкция README об оптимизации инструкционного варианта семейства не относится напрямую к этому чекпойнту. Модель принимает текст и генерирует текст, в том числе код. Она построена на плотной архитектуре OLMo с классом OlmoForCausalLM и изменениями трансформера из OLMo; контекст составляет 1024 токена. Для обучения семейства использовались открытые веб-тексты и код Python, включая датасеты The Stack и FineWeb. Основной сценарий — генерация Python-кода по текстовому запросу. В бенчмарках README предварительно обученная версия 400M показала pass@1 6,7 на HumanEval и 6,8 на MBPP(+). Небольшой размер ограничивает способности модели по сравнению с более крупными генеративными моделями. Сгенерированный код может содержать уязвимости или вредоносное поведение и требует проверки перед запуском. Лицензия репозитория — Apache-2.0.

Модель разработана автором репозитория ariyul и дообучена на базе dbmdz/bert-base-turkish-cased для бинарной классификации токсичности турецких текстов. Она относит текст к токсичному или нетоксичному классу и подходит для предварительной модерации пользовательских сообщений и анализа турецкого контента. Модель основана на BERT, имеет около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на очищенных и сбалансированных примерах датасета Overfit-GM/turkish-toxic-language; в описанной предобработке текст приводится к нижнему регистру, удаляются ссылки, упоминания и часть специальных символов. Автор сообщает F1-score 0,96 для обоих классов на своей оценке. Модель работает с турецким текстом. Результаты могут зависеть от соответствия текста обучающим данным и предобработке; удаление эмодзи, ссылок и упоминаний может терять контекст, а метрики README не гарантируют аналогичного качества на других данных. Лицензия — MIT.

UL_base_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 от Google. В ней около 113,2 млн параметров; веса представлены в формате Safetensors. Для обучения использован набор данных imagefolder. Модель предназначена для присвоения изображениям классов. В README указаны результаты на оценочной выборке: точность 0,8921 и loss 0,3125. Состав классов и подробности обучающей и оценочной выборок не описаны, поэтому эти результаты нельзя переносить на другие данные без проверки. Лицензия — Apache-2.0.

MIT-SLS/USAD2-Small — компактный аудиоэнкодер семейства USAD 2.0, разработанный MIT SLS. Модель построена на двунаправленном трансформере и извлекает универсальные представления речи, окружающих звуков и музыки. Версия Small содержит 25 млн параметров, 12 слоёв, размер скрытого представления 384 и выдаёт признаки с частотой 50 Гц. Модель обучали методом дистилляции от аудиомоделей самообучения и с учителем, без использования размеченных данных; среди датасетов метаданные указывают мультиязычные корпуса речи и аудиозаписи музыки и звуков. Основное применение — извлечение признаков для последующей классификации и анализа аудио. README сообщает о результатах на бенчмарках общего аудио, музыки и задачах с аудиоэнкодером и LLM, включая распознавание речи, идентификацию говорящего и языка, определение звуковых событий и создание аудиоописаний. Для downstream-задач авторы рекомендуют дообучение. Репозиторий использует Transformers и формат safetensors; лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ на той же лицензии, но запрещает коммерческое использование.

NeuML/word2vec — экспорт векторов Word2Vec в формате StaticVectors, подготовленный для библиотеки staticvectors. Модель предназначена для получения статических векторных представлений отдельных слов; инференс можно выполнять в Python с NumPy. В метаданных указаны семейство staticvectors, плотная архитектура, формат safetensors и английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает размер словаря и векторов, параметры обучения или контекстное окно; статические векторы не учитывают контекст конкретного употребления слова.

Prasadrao/xlm-roberta-large-go-emotions-v2 — дообученная модель классификации текста на базе XLM-RoBERTa Large. Она предназначена для определения эмоций в тексте; README приводит метрики на оценочном наборе, но не раскрывает его состав или набор классов. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Карточка сообщает о точности 0,4521 и F1 0,5170 на оценочном наборе. Модель распространяется по лицензии MIT. Языковая поддержка явно не описана; название базовой модели указывает на GoEmotions, но данных недостаточно, чтобы установить поддерживаемые языки и точную схему меток.

vish88 выпустил дообученную модель классификации текста на базе clevrly/xlnet-base-mnli-finetuned. Она использует архитектуру XLNetForSequenceClassification и содержит 137,8 млн параметров. В README указаны результаты оценки: loss 0,1542 и F1 0,6957. Модель подходит для классификации текста; конкретные метки классов и целевая предметная область в карточке не описаны. Данные для дообучения обозначены как None, поэтому установить назначение суффикса «orgs» по карточке нельзя. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Bhadresh Savani дообучил ALBERT-base-v2 для классификации эмоций в текстах. Модель построена на архитектуре ALBERT и содержит 136,3 млн параметров; она принимает текст и относит его к эмоциональным категориям. В README указано обучение на наборе данных для эмоций с использованием Hugging Face Trainer в течение восьми эпох. Метаданные указывают библиотечные форматы PyTorch, TensorFlow и Flax, контекст до 512 токенов и лицензию Apache-2.0. Модель предназначена для анализа эмоциональной окраски коротких сообщений, в частности текстов из Twitter. В README приведено сравнение с другими классификаторами на датасете эмоций, однако результаты самой этой модели там не указаны. Язык карточки и метаданные датасета указывают на английский язык.

Albertina 1.5B PTPT — португалоязычная encoder-модель семейства BERT, разработанная совместной командой Лиссабонского и Портского университетов на архитектуре DeBERTa V2. Модель рассчитана на европейский вариант португальского языка; в карточке указаны 48 слоёв и скрытый размер 1536, а метаданные сообщают о 2 млрд параметров и контекстном окне 512 токенов. Основная задача модели — предсказывать замаскированные токены в тексте. Её можно использовать как основу для языкового анализа португальского текста и последующей адаптации к задачам классификации и оценки сходства предложений. Для обучения собрали корпус европейского португальского объёмом около 4 млрд токенов из открытых веб-материалов, документов Европарламента и стенограмм португальского парламента. Модель распространяется по лицензии MIT. Это encoder, поэтому модель предназначена для анализа входного текста, а не для свободной генерации длинных ответов. Она ориентирована на европейский португальский, а не на бразильский вариант; показатели в карточке основаны на автоматически переведённых бенчмарках extraGLUE, что следует учитывать при оценке качества.

hotchpotch/bekko-embedding-v1-a25m-pt — предварительно обученный плотный эмбеддинг-модель Sentence Transformer от hotchpotch на архитектуре mmBERT в стиле ModernBERT: 13 слоёв, размер скрытого состояния 384, 123,2 млн параметров и контекст до 8192 токенов. Она создана как начальная точка для дополнительного обучения на целевой задаче, а не для прямого использования как универсальная модель эмбеддингов или поиска. Модель предварительно обучена на многоязычных парах текстов с Matryoshka representation learning и обучением с учётом квантования. Её можно дообучить для поиска, классификации, ранжирования и других задач, а также использовать для воспроизведения конвейера обучения и сравнительных экспериментов. Для общего поиска автор рекомендует готовую модель bekko-embedding-v1-a25m. Модель основана на hotchpotch/mmBERT-L13H384-pruned. Доступна в формате safetensors; лицензия — MIT. Основное ограничение — отсутствие финального обучения с учителем для поиска: перед применением к целевой задаче чекпойнт нужно дообучить.

MayaGalvez/bert-base-multilingual-cased-finetuned-multilingual-nli — модель BERT для классификации текста, созданная дообучением bert-base-multilingual-cased. По названию и результатам дообучения на multilingual NLI она предназначена для классификации пар текстов, например оценки их логического отношения или семантического сходства. Веса доступны в формате PyTorch, лицензия — Apache-2.0. Модель содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,6853 и F1 0,6847; описание набора данных, конкретных меток и ограничений не раскрывает, поэтому показатели нельзя переносить на другие задачи без проверки.

bert-base-romanian-cased-v1 — базовая регистрозависимая модель BERT для румынского языка, обученная на корпусе объёмом около 15 ГБ. Разработчик в предоставленной карточке не назван. Модель предназначена для предсказания замаскированных токенов и может служить основой для задач разметки текста, включая определение частей речи и распознавание именованных сущностей. Модель содержит 151,6 млн параметров, использует архитектуру BERT и обрабатывает последовательности длиной до 512 токенов. В сравнении с многоязычной BERT в карточке приведены более высокие результаты на румынских наборах Universal Dependencies и RONEC для определения частей речи, синтаксического анализа и распознавания сущностей. Для лучшего качества текст нужно нормализовать: заменить румынские буквы ţ/ş и их заглавные варианты на ț/ș и заглавные варианты с запятой. Модель обучалась без вариантов букв с седилью, поэтому их использование снижает качество и может увеличивать число токенов. Лицензия — MIT.

uygarkurt/bert-restore-punctuation-turkish — модель на архитектуре BERT для восстановления пунктуации в турецком тексте. Она классифицирует токены и предсказывает, где поставить точку, запятую или вопросительный знак. В README приведены результаты эксперимента на наборах для обучения, валидации и тестирования; для BERT указана общая F1-мера 0,837, причём качество заметно различается между знаками препинания. Модель содержит 137,8 млн параметров, работает с текстом и имеет контекстное окно до 512 токенов. Она предназначена для автоматической расстановки пунктуации в турецкой речи, например после распознавания аудио или при обработке текста без знаков препинания. Доступны веса PyTorch; лицензия — MIT. README описывает исследовательскую работу, однако модель представлена как готовый предобученный чекпойнт для инференса.

SatyamD31/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком SatyamD31 на базе BAAI/bge-base-en-v1.5 на 6 300 примерах финансового текста. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов и извлечения релевантных документов. В основе — BERT с пулингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Модель поддерживает сокращение размерности эмбеддингов до 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством поиска. Максимальная длина входной последовательности — 512 токенов. В карточке приведены результаты оценки поиска информации на наборах для разных размерностей; качество зависит от данных и сценария применения. Модель рассчитана на англоязычные финансовые тексты и может использоваться для семантического поиска и ранжирования кандидатов по близости эмбеддингов, поиска перефразировок, кластеризации и классификации текстов с дополнительной моделью. Лицензия — Apache-2.0.

CED-Tiny — компактная модель на основе ViT-трансформера для классификации и тегирования аудио. Модель содержит 5,5 млн параметров и обучалась для задач на AudioSet; в карточке приведены результаты на AS-20K и AS-2M. Репозиторий включает веса в форматах Safetensors и ONNX, лицензия — Apache-2.0. Модель принимает аудио и предсказывает звуковые классы. Она поддерживает входные сегменты переменной длины, использует 64-мерные mel-фильтры и патчи 16×16 без перекрытия. Авторы отмечают, что такая схема ускоряет обучение и инференс: CED-Tiny на обычном CPU работает примерно со скоростью сопоставимой MobileNetV3. Энкодер можно применять как основу для дообучения, например, с линейной головой на ESC-50. CED-Tiny предназначена для распознавания и разметки звуковых событий, а не для транскрибации речи или генерации аудио. README сообщает о высокой точности на AudioSet, но не приводит здесь подробностей о метриках для прикладных данных; для целевых наборов классов может понадобиться дообучение.

Salesforce/codet5-large-ntp-py — модель семейства CodeT5 для генерации кода. Это кодовый энкодер-декодер на архитектуре T5, обученный предсказывать следующий фрагмент кода (NTP). В метаданных указано 385,2 млн параметров и контекст до 512 токенов; README приводит для чекпойнта размер 770 млн параметров, поэтому сведения о размере расходятся. Модель предварительно обучена на данных CodeSearchNet на Ruby, JavaScript, Go, Python, Java и PHP, а также на наборе GCPY для Python. Она предназначена для генерации кода по текстовому префиксу и исследовалась на бенчмарке APPS. Лицензия — BSD 3-Clause. Разработчик позиционирует выпуск как исследовательский и рекомендует оценивать точность и безопасность перед применением. Результаты могут содержать ошибки и требуют проверки; сведений о качестве для всех языков и сценариев применения нет.

DeepCoder-1.5B-Preview — компактная языковая модель для рассуждений и решения задач по программированию, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе DeepSeek-R1-Distill-Qwen-1.5B. Модель основана на архитектуре Qwen2, содержит 1,5 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы, включая код и пояснения. В метаданных указано контекстное окно до 131 072 токенов. Модель предназначена для генерации решений задач программирования и пошагового анализа кода. Её обучали на наборах задач с тестами, включая Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench; карточка приводит результаты на LiveCodeBench, Codeforces и HumanEval+. README отмечает улучшенное обобщение на длинные контексты. Модель может выдавать длинные ответы, которые обрезаются при ограничении генерации, что способно снизить качество результата. Лицензия — MIT.

Модель Amoros/DinoAmoros_is_103_bs_32_ep_150-large-2025_05_30_52071-bs32_freeze_monolabel — дообученный классификатор изображений на базе facebook/dinov2-large. Она использует архитектуру DINOv2 и содержит около 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для отнесения изображений к классам, заданным при обучении. В README приведены результаты на оценочном наборе: точность 0,6615, микро-F1 0,6615 и макро-F1 0,5762. Датасет в карточке обозначен как None, а сведения о классах, обучающих данных и предполагаемой области применения отсутствуют, поэтому пригодность модели для конкретного набора изображений следует проверять отдельно. Лицензия — Apache-2.0.