II.8Инженерия данных и аналитика

amBART_261 — дообученная модель семейства mBART, разработанная на базе Samuael/amBART_1000. Она предназначена для извлечения признаков из входных данных и может использоваться как компонент в задачах, требующих представления текста в виде признаков. Модель содержит 25,3 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors. В карточке приведены результаты оценки: loss 1,9604, WER 2,7857, CER 3,6889 и BLEU 0,0; набор данных для дообучения и назначения модели не описаны. Лицензия в предоставленных сведениях не указана.

Модель hatemnoaman/bert-base-arabic-finetuned-emotion — дообученная версия asafaya/bert-base-arabic для классификации эмоций в арабском тексте. Она основана на BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. Модель обучалась на наборе данных emotone_ar. Подходит для определения эмоциональной окраски арабских текстов, например сообщений и коротких высказываний. На оценочной выборке автор сообщает accuracy 0,7416 и F1 0,7406. Эти результаты не гарантируют такое же качество на других источниках текстов и неарабских языках. В карточке указана лицензия Apache-2.0.

QARiB (QCRI Arabic and Dialectal BERT) — арабоязычная модель семейства BERT, опубликованная Ahmed Abdelali и обученная на корпусах арабского текста и публикациях из Twitter. Веса содержат около 162,4 млн параметров; архитектура включает 12 слоёв, словарь размером 64 тыс. токенов, а контекст — до 512 токенов. Доступны версии в форматах PyTorch и Flax. Модель предназначена прежде всего для заполнения пропусков в арабском тексте: она предсказывает замаскированный токен по окружающему контексту. Её также можно дообучать для прикладных задач обработки арабского языка. В карточке описано обучение на примерно 14 млрд токенов из арабских новостных и литературных корпусов, субтитров и около 420 млн твитов; оценка на задачах определения диалекта и эмоций была выше, чем у ряда приведённых моделей сравнения, тогда как в распознавании именованных сущностей QARiB уступила лучшему результату таблицы. Использование модели ограничено задачами понимания текста: она не является чат-моделью и сама по себе не генерирует развёрнутые ответы или речь. Лицензия в предоставленных сведениях не указана.

bert-sr-medium — языковая модель среднего размера на архитектуре RoBERTa, разработанная aajrami. Она обучена с использованием задачи предобучения shuffle + random; подробности об этой цели и гиперпараметрах автор связывает с исследованием о влиянии целей предобучения на усвоение языковых свойств. Модель содержит 59,3 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для извлечения признаков из текста и получения контекстных представлений, которые можно использовать в языковых экспериментах и как основу для downstream-задач. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. README не уточняет целевые языки и результаты оценки качества.

Mik997/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на примерах из финансовых документов на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы для семантического поиска, сравнения текстов и ранжирования результатов по сходству. Архитектура состоит из BERT-трансформера, пулинга CLS-токена и нормализации выходного вектора; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Основной размер эмбеддинга — 768 измерений. Благодаря обучению с MatryoshkaLoss доступны укороченные представления размером 512, 256, 128 и 64 измерения, что позволяет выбирать компромисс между компактностью вектора и качеством поиска. В README приведены результаты оценки информационного поиска на нескольких размерностях. Модель предназначена прежде всего для английских финансовых и деловых текстов, но обучающий набор также содержит примеры об общих темах. Лицензия — Apache-2.0. Карточка не сообщает о проверке качества на широком наборе финансовых задач, поэтому пригодность для конкретного корпуса следует оценивать отдельно.

aatmasidha/distilbert-base-uncased-finetuned-emotion — модель классификации текста, созданная дообучением distilbert-base-uncased. Она предназначена для определения эмоциональной категории текста и выдаёт метку класса. В README указаны результаты на тестовой выборке: accuracy 0,923 и F1 0,923; датасет и состав классов не раскрыты. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом на входе и рассчитана на контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Поскольку обучающий датасет и набор эмоциональных меток не описаны, качество и применимость результатов за пределами указанной оценки трудно определить.

ScandinavianMrT/distilbert-SARC — модель классификации текста на базе DistilBERT, дообученная из distilbert-base-uncased. В метаданных указана архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации текстовых последовательностей. В карточке приведены результаты оценки: accuracy 0,759 и loss 0,4976; обучающий датасет обозначен как None, а подробности о назначении, данных и ограничениях отсутствуют. Лицензия — Apache-2.0.

DoctoModernBERT-fr-base — французский медицинский языковой энкодер от Doctolib Lab для биомедицинских и клинических задач NLP. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Она предварительно обучена с нуля на корпусах FineMed-fr и FineMed-rephrased-fr, собранных из разнородных открытых веб-источников, PDF и энциклопедических материалов. Для токенизации используется SentencePiece BPE с 50 368 токенами. Основная задача модели — предсказание замаскированных токенов; после дообучения её можно применять для распознавания медицинских сущностей, классификации текстов, поиска и обработки длинных клинических документов. В описанных оценках модель показала сильные результаты на клиническом NER и вошла в число лидеров DrBenchmark. Это энкодер, а не генеративная модель: для прикладных задач обычно требуется дообучение с подходящей головой. Она не является медицинским устройством, её выходы не должны использоваться для принятия клинических решений; также модель может наследовать смещения и пробелы обучающих источников. Лицензия — Apache-2.0.

Это компактная модель ELECTRA, обученная авторами toastynews на корпусе из Гонконга как альтернатива стандартным китайским моделям. В обучающих данных около 507 млн символов: примерно 30% корпуса составляет гонконгский кантонский (Yue), 62% — стандартный китайский и 8% — английский. Корпус включает новости, блоги, Википедию Yue, отзывы о ресторанах и другие источники. Модель содержит 20,3 млн параметров, использует архитектуру ELECTRA для предобучения и поддерживает контекст до 512 токенов. Она предназначена как основа для дообучения под задачи на текстах Гонконга; для прикладных задач потребуется дальнейший fine-tuning. По приведённым оценкам она показывает результаты, сопоставимые с китайской моделью на нескольких тестах, включая анализ тональности отзывов. Модель может быть полезна для задач, ориентированных на языковое употребление жителей Гонконга, однако объём знаний у неё может уступать более крупным китайским моделям. Обучающие данные преимущественно состоят из новостей и блогов, поэтому модель может быть смещена в сторону формального языка. Лицензия — Apache 2.0.

EmoBERTa-base — текстовая модель классификации эмоций в репликах диалога, опубликованная Taewoon Kim. Она основана на RoBERTa-base и дообучена на MELD и IEMOCAP; архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров, контекст — до 514 токенов. Модель принимает одну реплику за раз и предсказывает её эмоциональную категорию. Она рассчитана на распознавание эмоций в разговорном тексте и может использоваться, например, для анализа диалогов. Опубликованный чекпойнт не учитывает говорящего и соседние реплики, хотя эксперименты обучения на MELD и IEMOCAP исследовали также контекст прошлых и будущих реплик. Поддерживается английский язык. Лицензия — MIT.

FIM-NeoX-1.3B — экспериментальная авторегрессионная языковая модель CarperAI с обучением заполнению пропусков в тексте и коде (fill-in-the-middle, FIM). Она основана на GPT-NeoX, содержит около 1,7 млрд параметров по метаданным (в README приведено 1,33 млрд) и использует 24 слоя трансформера, RoPE и токенизатор GPT-NeoX-20B. Модель принимает текстовый контекст длиной до 1024 токенов и генерирует продолжение. Модель предназначена для генерации и дополнения кода, в том числе вставки фрагмента в заданную позицию, а также для исследовательской работы с языковыми моделями для программирования и парного программирования. Обучалась на The Pile и предсказывает следующий токен; специальная FIM-разметка поддерживает генерацию между префиксом и суффиксом. Основной язык — английский. В README модель обозначена как предварительный экспериментальный артефакт. Обучающие данные могут приводить к токсичным или оскорбительным ответам, а сгенерированный код может содержать ошибки безопасности и качества, поэтому его следует проверять. Лицензия — Apache-2.0.

minoosh/finetuned_bert-base-uncased — дообученная модель классификации последовательностей на базе bert-base-uncased. Она предназначена для классификации текста. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Опубликованная оценка на наборе для проверки: accuracy 0,6793, loss 1,1947. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не описаны классы классификации, обучающие данные и предполагаемые сценарии применения, поэтому пригодность для конкретной задачи следует проверять отдельно.

FLANEC XL CD — модель семейства T5 на базе FLAN-T5, разработанная для задачи Generative Speech Error Correction в рамках GenSEC Task 1 на SLT 2024. Она принимает несколько вариантов распознавания речи от ASR-систем и генерирует одну исправленную транскрипцию, улучшая её грамматическую и языковую корректность. Модель предназначена для постобработки результатов распознавания английской речи в разных акустических и тематических условиях. Это encoder-decoder модель с 1,5 млрд параметров по метаданным Hugging Face; README указывает около 3 млрд для варианта XL. В карточке заявлена английская поддержка, контекст составляет 512 токенов. Модель обучена на данных HyPoradise, охватывающих новости, запросы о путешествиях, шумную и акцентированную речь, выступления и разговорную речь. Лицензия — MIT. Модель помогает исправлять ошибки ASR, но сама не распознаёт аудио: ей нужны текстовые гипотезы распознавания. Заявленное применение ограничено английским языком и постобработкой транскрипций; качество может зависеть от домена и качества входных гипотез.

gilf/french-camembert-postag-model — модель разметки частей речи во французском тексте, созданная на основе CamemBERT и обученная на наборе данных free-french-treebank. Она присваивает токенам метки частей речи, включая прилагательные, наречия и другие категории из используемой схемы тегов. Модель подходит для морфосинтаксического анализа французских текстов и подготовки разметки для лингвистических инструментов и NLP-конвейеров. Модель использует архитектуру CamembertForTokenClassification и содержит 137,8 млн параметров. Максимальная длина контекста составляет 514 токенов; доступны веса в форматах PyTorch, Safetensors и TensorFlow. Поддерживаемый язык — французский. Условия лицензии в доступных данных не приведены.

Systalyze DSpark Multidomain — вспомогательная модель-черновик для ускорения генерации текста целевой моделью Google Gemma 4 26B A4B IT. Это не самостоятельная языковая модель: её подключают к целевой модели в vLLM через спекулятивное декодирование DSpark. Черновик обучен на данных из разных областей, включая программирование, математику, диалог и RAG, чтобы поддерживать более равномерную долю принимаемых токенов в смешанной нагрузке. Архитектура — текстовая MoE-модель Gemma4DSparkModel; в метаданных указано 946,4 млн параметров, а README описывает черновик с 1,99 млрд параметров в BF16 и пятью слоями полного внимания. Для генерации черновых токенов метод использует параллельную черновую основу, лёгкую Markov head и confidence head для планирования проверки. В тестах автора ускорение достигало примерно 2×, однако результат зависит от предметной области, длины контекста и параллелизма. Модель принимает текстовые запросы через целевую Gemma 4 и помогает ускорять выдачу текста; заявленный родной контекст целевой модели — 262 144 токена. В карточке указан английский язык. Лицензия — Apache-2.0. Для работы необходимы совместимая целевая модель Gemma 4 26B A4B IT и поддержка DSpark в vLLM; приведённые показатели ускорения получены в тестах автора и не гарантируют такой же результат в другой инфраструктуре.

GigaCheck-Classifier-Multi — мультиязычная модель проекта LLMTrace для бинарной классификации текста: она определяет, написан ли текст человеком или сгенерирован искусственным интеллектом. Модель основана на трансформерной архитектуре Mistral и дообучена на 7,1 млрд параметров версии Mistral-7B-v0.3. Она принимает текст и выдаёт метку класса; заявленная длина контекста — до 32 768 токенов. Модель обучена на англоязычной и русскоязычной частях набора LLMTrace Classification и предназначена для анализа происхождения текста, академических исследований и разработки инструментов обнаружения AI-контента. В тестировании на отложенной части набора авторы сообщают F1 98,64 для класса AI, F1 98,00 для класса Human и среднюю точность 98,46. Качество может снижаться на текстах, созданных более новыми LLM, а также в предметных областях и стилях, слабо представленных в обучающих данных. Возможны ложные срабатывания и пропуски, поэтому результат не следует считать безошибочным доказательством авторства. Лицензия — Apache-2.0.

AuricErgeson/hate-speech-detector — классификатор текста на базе RoBERTa, дообученный разработчиком на более чем 110 тыс. примерах из четырёх открытых наборов данных по языку ненависти и оскорблениям. Модель относит текст к одному из трёх классов: нейтральный, оскорбительный или содержащий язык ненависти. Она предназначена для модерации англоязычных публикаций в социальных сетях, предварительной разметки данных и исследовательских задач. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors по лицензии MIT. В README указаны точность 0,843 на тестовой выборке и F1 0,697 для класса языка ненависти; это указывает на необходимость проверки предсказаний человеком, особенно при модерации. Модель хуже работает на коротких фрагментах, может ошибочно реагировать на цитирование и обсуждение оскорбительных выражений, не распознаёт некоторые коды без контекста и может пропускать новые после 2022 года выражения. Поддерживается только английский язык.

Jonrewardstage1epi2 — дообученная на базе openai-community/gpt2 модель для классификации текста. В репозитории указаны веса в формате safetensors; контекстная длина составляет 1024 токена. Карточка не описывает назначение классов или предметную область модели, поэтому её применение можно определить только в общих чертах — классификация текстовых последовательностей. Модель распространяется по лицензии MIT.

Это сборка Kimi-K3 для MLX от mlx-community на основе moonshotai/Kimi-K3. Модель предназначена прежде всего для генерации кода на компьютерах Apple Silicon с 192 ГБ объединённой памяти: в ней оставлено 160 из 896 маршрутизируемых экспертов на слой, а веса квантованы до 2 бит с группой 128. Общий размер составляет около 2,78 трлн параметров, из которых активируется около 104 млрд; файлы занимают 181,2 ГБ. Отбор экспертов выполнен методом REAP. По описанным проверкам модель загружается и генерирует текст, а пример генерации кода работает корректно. Сильное прореживание заметно ухудшает фактические знания: модель может зацикливаться на простых вопросах и хуже справляется с китайским. Автор рекомендует использовать более крупную сборку, если важны фактические ответы или китайский язык. Репозиторий распространяется по лицензии other; конкретные условия лицензии следует уточнять у правообладателя базовой модели.

Jinuuuu разработал эту модель, дообучив KoELECTRA-base для классификации корейского текста по шести эмоциям: гневу, радости, тревоге, смущению, печали и обиде. Это модель классификации последовательностей на базе ELECTRA с 140,1 млн параметров; она принимает текст и возвращает эмоциональную метку с оценкой уверенности. Максимальная длина входа — 512 токенов. Модель предназначена для анализа публикаций и комментариев в соцсетях, отзывов клиентов и диалогов, а также для эмоционального анализа литературы и подбора контента по эмоциональной окраске. В карточке указаны обучающий набор примерно из 50 000 предложений и метрики на валидации: accuracy выше 0,85 и macro F1 выше 0,83; эти значения приведены автором и зависят от данных и сценария применения. Модель ориентирована на корейский язык. Сленг, неологизмы и диалекты могут снижать точность, а результат зависит от контекста и возможных смещений обучающих данных. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — MIT.

TurkishCodeMan/LFM2.5-VL-450M-Pre-Disaster-Detection — дообученная модель Liquid AI на базе LiquidAI/LFM2.5-VL-450M для анализа спутниковых изображений Sentinel-2 перед стихийными бедствиями. Она принимает RGB- и CIR-изображения и формирует JSON с оценками пяти признаков: уровня риска, сухой растительности, крутизны рельефа, наличия водоёма и качества изображения. Модель предназначена для извлечения признаков, связанных с риском бедствий, из спутниковых снимков. В тестировании автор сообщает о 84% точности полного совпадения и 100% корректности формата JSON. Архитектура — плотная vision-language модель LFM2-VL с генерацией текста; размер базовой модели — 450 млн параметров. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Результаты зависят от качества и соответствия входных снимков данным Sentinel-2 и обучающему набору. Заявленные метрики относятся к тесту автора и не гарантируют точность оценок в других регионах или сценариях; выход модели следует проверять перед использованием для принятия решений.

ModernBERT-Ja-30M — двунаправленная модель с маскированным языковым моделированием, разработанная SB Intuitions. Она предназначена для заполнения пропусков в тексте и как основа для дообучения под прикладные задачи понимания японского языка. Модель семейства ModernBERT сочетает локальное и глобальное внимание и использует RoPE. В ней 36,7 млн параметров, а длина контекста составляет до 8 192 токенов. Модель обучена на японских и английских текстах; токенизатор SentencePiece использует словарь из 102 400 токенов. Модель подходит для маскированного языкового моделирования и дообучения для классификации и других задач понимания текста. Она не предназначена для генерации текста, а токенизация может ухудшать качество задач разметки токенов, например распознавания именованных сущностей. Лицензия — MIT.

MosaicBERT-Base — англоязычная модель семейства BERT, разработанная MosaicML как архитектура и рецепт ускоренного предварительного обучения. Она предназначена для дообучения на прикладных задачах обработки текста; базовая задача опубликованной версии — восстановление замаскированных токенов в тексте. Модель содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В архитектуре используются FlashAttention, ALiBi вместо позиционных эмбеддингов, удаление паддинга внутри блока трансформера и GeGLU в полносвязных слоях. Для токенизации применяется токенизатор bert-base-uncased. Разработчики сообщают, что модель обучается быстрее и показывает более высокую точность предварительного и последующего обучения по сравнению с bert-base-uncased. Модель рассчитана на эксперименты и дообучение для задач NLP, а не на универсальный диалог. Для загрузки с пользовательским кодом требуется trust_remote_code=True; README рекомендует фиксировать ревизию кода. Указанная лицензия — Apache-2.0.

nkto1 — дообученная модель на 1,3 млрд параметров на основе deepseek-ai/deepseek-coder-1.3b-base. В метаданных указана архитектура семейства Llama и формат весов safetensors; исходная модель предназначена для продолжения, автодополнения и заполнения пропусков в коде. Модель поддерживает генерацию текста с контекстом до 16 384 токенов. README сообщает о дообучении методом KTO и приводит метрики оценки, но не раскрывает обучающие данные, целевые сценарии или ограничения; поэтому пригодность nkto1 для конкретных задач сверх генерации текста по карточке подтвердить нельзя. Указана лицензия other, без подробных условий использования.

OLM RoBERTa October 2022 — англоязычная модель семейства RoBERTa, созданная в рамках проекта OLM. Это плотная трансформерная модель с архитектурой RobertaForMaskedLM и примерно 151,8 млн параметров; она обучена на очищенных снимках Common Crawl и Wikipedia за октябрь 2022 года. Длина контекста составляет 514 токенов. Модель предназначена для восстановления скрытых токенов в тексте и как основа для дообучения под классификацию последовательностей, разметку токенов и ответы на вопросы. Авторы сообщают, что она обновляет знания по сравнению с исходными BERT и RoBERTa и показывает сопоставимые результаты на ряде стандартных тестов; результаты на GLUE различаются в зависимости от задачи. Доступны веса в форматах PyTorch и TensorFlow. Лицензия в предоставленных данных не указана. Модель ориентирована на английский язык и не является готовой специализированной системой для классификации или ответов на вопросы: для этих сценариев требуется дообучение.

OpenFugu Conductor 3B — исследовательская модель проекта OpenFugu, созданная как независимое воспроизведение механизма Conductor из работы Sakana AI. Она формирует план выполнения пользовательского запроса: распределяет задачи между доступными агентами или инструментами, задаёт порядок шагов и указывает, какие результаты предыдущих шагов использовать. Результат — текстовый план в виде JSON-списка вызовов инструментов. Модель основана на Llama-3.2-3B-Instruct и дообучена методом GRPO на наборе nvidia/ToolScale с вознаграждением за совпадение последовательности вызовов инструментов с критериями задачи. Это плотная авторегрессионная модель на 3,2 млрд параметров с контекстом до 131 072 токенов; формат файлов — safetensors, библиотека — Transformers. Карточка описывает англоязычные примеры и набор данных для задач использования инструментов, но не заявляет исключительную поддержку одного языка. Модель предназначена для оркестрации рабочих процессов с агентами и инструментами, а не для самостоятельного выполнения всех шагов: итоговый ответ зависит от внешнего исполнителя, переданного в плане. В обучении росло качество формата и совпадение вызовов инструментов, но это не гарантирует корректность планов для произвольных запросов. Лицензия — Llama 3.2; применяются условия лицензии Meta.

funa21/phobert-finetuned-vihsd — дообученная модель PhoBERT-base от разработчика funa21 для классификации текста. Она построена на архитектуре RoBERTa и содержит 162,4 млн параметров; базовая PhoBERT разработана для обработки вьетнамского языка. Модель рассчитана на присвоение текстам классов, однако описание не раскрывает набор меток и конкретную прикладную задачу. В карточке указана точность 0,8694 и значение loss 0,5694 на оценочном наборе, но сам набор данных и условия оценки не описаны. Контекст модели — 258 токенов. Веса представлены в формате safetensors, библиотека — Transformers. Лицензия — MIT.

Это лёгкая черновая голова EAGLE3 для Qwen3-Coder-Next от Thoughtworks. Она предназначена для ускорения генерации кода и других текстовых ответов методом speculative decoding: голова предлагает следующие токены, а целевая модель проверяет их. Модель содержит 372 млн параметров, использует архитектуру LlamaForCausalLMEagle3 с одним скрытым слоем и принимает скрытые состояния выбранных attention-слоёв базовой модели. Контекст составляет 4096 токенов; заявленный язык — английский. Базовая Qwen3-Coder-Next — MoE-модель для кодирующих агентов и многошаговой разработки. В README приведены замеры ускорения на SWEBench-Verified, HumanEval, Terminal-Bench и MT-Bench. Для запуска описана интеграция с SGLang и базовой моделью Qwen3-Coder-Next. Указаны ограничения: требуются TP=4, backend Triton и форк SGLang с поддержкой Qwen3-Next EAGLE3; на пакетных нагрузках результат зависит от ширины дерева, а при ненулевой температуре может снижаться доля принятых черновых токенов. Лицензия — Apache-2.0.

AI Sweden разработала roberta-large-1160k — плотную модель семейства RoBERTa с 454,1 млн параметров для предсказания скрытых токенов в тексте. Она обучена на скандинавской части корпуса Nordic Pile, включающей шведский, норвежский и датский языки, и поддерживает контекст до 514 токенов. Модель можно использовать для заполнения пропусков в тексте, а также дообучать для последующих задач обработки естественного языка. При тонкой настройке модель показывала результаты на бенчмарках для скандинавских языков, включая классификацию, ответы на вопросы и оценку языковых задач. Распространяется по лицензии MIT. Карточка описывает её как базовую модель, предназначенную преимущественно для дообучения под прикладные задачи.

RT-DETRv2 на базе ResNet-50, дообученная автором репозитория 2z299 для обнаружения штрихкодов на изображениях. Модель выдаёт рамки объектов; в README приведены результаты оценки класса Barcode: mAP 0,8239 и mAP@50 0,9525. Модель подходит для поиска и локализации штрихкодов на изображениях в задачах компьютерного зрения. Она основана на PekingU/rtdetr_v2_r50vd, использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers. Лицензия — Apache-2.0. Датасет обучения не назван, а карточка не описывает условия съёмки и разновидности штрихкодов. Приведённые метрики относятся только к оценочному набору автора и не гарантируют аналогичное качество на других данных.