II.8Инженерия данных и аналитика

Everyone-Coder-4x7b-Base — специализированная на программировании модель серии EveryoneLLM от Rombodawg. Она создана как Mixtral-подобная модель с экспертами, дообученными участниками сообщества и объединёнными в общую модель. Автор описывает её как альтернативу Mixtral-8x7b, которую можно дополнительно настраивать под конкретные задачи. Модель предназначена для генерации текста, прежде всего кода. Архитектура — Mixtral MoE с классом MixtralForCausalLM; объём параметров — 7,1 млрд, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Карточка не сообщает, какие языки программирования и естественные языки поддерживаются. Модель может быть полезна для генерации и дополнения кода, а также для помощи в программировании в текстовом формате. В README перечислены модели, участвовавшие в слиянии, но их названия отсутствуют, поэтому исходные компоненты установить нельзя. Лицензия — CC BY 4.0.

Модель NAMAA Community — плоский базовый чекпойнт для распознавания именованных сущностей на арабском языке. Она дообучена для KnowledgeGraphEval 2026 на базе aubmindlab/bert-base-arabertv02: используется архитектура BERT с классификатором токенов, 162,4 млн параметров и контекстом до 512 токенов. Модель размечает токены по 21 типу сущностей в схеме BIO и предназначена для обычного конвейера token-classification. Основные сценарии — извлечение сущностей из арабских текстов и воспроизведение сравнения плоской и вложенной разметки Wojood. На валидации Wojood указана строгая micro-F1 0,9003, на кросс-доменной выборке Konooz — 0,69. Чекпойнт не представляет вложенные или пересекающиеся упоминания, а отсутствие класса I-UNIT не позволяет предсказывать многотокенные сущности UNIT. Для практического применения README рекомендует вложенную версию модели. Модель опубликована под лицензией Apache-2.0. Она рассчитана на арабский язык; для решений с существенными последствиями, касающихся людей или организаций, требуется проверка человеком.

Модель 02shanky/finetuned-twitter-xlm-roberta-base-emotion — версия XLM-RoBERTa, дообученная на наборе данных emotion для классификации эмоций в тексте. Она принимает последовательность текста и относит её к эмоциональному классу; в карточке указаны результаты на оценочной выборке: accuracy 0,9305 и F1 0,9307. Модель содержит около 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и имеет контекст до 514 токенов. Опубликована в формате PyTorch. Модель подходит для анализа эмоциональной окраски коротких сообщений, в том числе текстов из Twitter/X. Она унаследована от cardiffnlp/twitter-xlm-roberta-base. Лицензия в предоставленных данных не указана.

ftan-2.5 — англоязычная модель классификации текста, разработанная akaruineko на основе DistilBERT и дообученная для обнаружения оскорбительного содержания. Она относит текст к одному из двух классов: clean или offensive. Модель предназначена для модерации контента, фильтрации сообщений и предварительной обработки наборов данных; её можно включать в конвейеры модерации через Transformers. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса с оценкой. Контекст ограничен 512 токенами. При обучении использован набор akaruineko/fantastic-offensive примерно из 2,46 млн примеров с близким к равному распределением классов. Репозиторий распространяет веса в формате safetensors по лицензии MIT. Предсказания могут быть ошибочными, особенно когда оскорбительность зависит от контекста, намерения, цитирования, сарказма или переосмысленного употребления слов. Модель анализирует отдельный текст и не учитывает историю разговора, если она не включена во вход.

ICKG-v2.0 — авторегрессионная языковая модель на архитектуре Transformer, разработанная Xiaohui Li для построения графов знаний по инструкциям. Модель дообучена для этой задачи на Vicuna-7B, производной от LLaMA 2; в метаданных указаны семейство Llama, 6,6 млрд параметров и контекст до 4096 токенов. Модель предназначена для исследователей, специалистов по данным и разработчиков, которым нужно извлекать из текста сущности и связи и представлять их в виде графа знаний. README сообщает о предварительной оценке, в которой ICKG показала преимущество над GPT-3.5 и исходной Vicuna-7B на задаче построения графов и сопоставимый результат с GPT-4; конкретная методика оценки не приведена. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Instinct-Python-Coder-Gemma4-12B-KimiK3 — дообученная модель для генерации кода на Python, созданная на базе unsloth/gemma-4-12b-it. Разработчик в README не назван; при обучении использовались дистиллированные данные от Kimi K3 (Moonshot AI), на использование и распространение которых, согласно README, было получено письменное разрешение. Модель предназначена для решения задач программирования на Python: генерации кода по описанию на естественном языке, краткого рассуждения и последующей выдачи решения. Она использует формат сжатого рассуждения в канале <think></think>, что должно сокращать расход контекстного окна, ускорять инференс и снижать затраты. В README указаны базовая архитектура Gemma 4 12B, дообучение на 1,87 млн токенов с двумя проходами, суммарно 3,73 млн токенов, и длина последовательности 8192. Заявленный язык — английский; основная измеренная область применения — Python. В тесте из 228 задач модель решила 81 задачу с первой попытки, достигнув точности 35,5%, против 17,5% у базовой модели; время пакетного прогона также было меньше. Эти результаты получены однократным жадным декодированием без доверительного интервала и не гарантируют аналогичную эффективность в других условиях. Модель тестировалась только на Python, поэтому её возможности в других языках и сценариях не подтверждены; она также наследует ограничения Gemma 4. Доступна в виде одного файла Q8_0 GGUF размером около 13 ГБ, рассчитана на запуск через llama.cpp и совместимые инструменты при наличии примерно 16 ГБ памяти GPU или Mac. Указанная лицензия — Apache 2.0.

JanusCoder-14B — языковая модель для генерации кода, разработанная авторами семейства JanusCoder. Она основана на Qwen3-14B и дообучена на корпусе JANUSCODE-800K, который включает мультимодальные примеры программного кода для визуального контента. По карточке Hugging Face, модель имеет плотную архитектуру Qwen3 с 14 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Модель предназначена для создания кода по текстовым инструкциям, в том числе кода визуализаций данных, интерактивных веб-интерфейсов и анимаций. В README приведены результаты на PandasPlotBench, ArtifactsBench и DTVBench; это указывает на ориентацию на генерацию и редактирование визуального контента средствами кода. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Эта версия обозначена как текстовая модель; возможности визуального ввода описаны для семейства JanusCoder в целом, но метаданные не подтверждают их для JanusCoder-14B. README не сообщает конкретные ограничения модели или перечень поддерживаемых естественных языков.

Alamin2230/labse-base-part1 — дообученная модель на базе многоязычной BERT-модели sentence-transformers/LaBSE. По метаданным, она предназначена для классификации текста; архитектура — BertForSequenceClassification, веса представлены в формате safetensors. Контекстное окно составляет 512 токенов, размер модели — 498,1 млн параметров. Базовая LaBSE строит эмбеддинги предложений на 109 языках, однако целевые языки и область классификации этой версии не описаны. В README приведены результаты оценки: F1 0,9778, точность 0,9744, полнота 0,9813, а также FPR 0,0275 и FNR 0,0187. Набор данных указан как None, поэтому неизвестно, на каких примерах получены эти показатели и насколько они применимы к другим данным. Модель распространяется по лицензии Apache-2.0.

FineEnvs выпустила LFM2.5-2.6B-opencode-SFT — полноразмерное дообучение языковой модели LiquidAI/LFM2.5-2.6B методом supervised fine-tuning. Модель предназначена для агентного анализа данных и решения задач с помощью инструментов в среде OpenCode; в обучении использовалась OpenCode-часть набора FineEnvs/SmolDataEnvs-multiharness-sft с успешными трассами действий, созданными моделью-учителем Qwen3.8-27B. Это плотная авторегрессионная модель семейства LFM2 с 2,6 млрд параметров, поддерживающая чат и контекст до 131 072 токенов. В карточке приведена оценка pass@1 47,5% на 1 000 сочетаниях тестовых задач и агентных сред; это результаты одного запуска на конкретном наборе и версиях инструментов, а не гарантия качества в других условиях. Для воспроизведения результатов нужны соответствующая агентная среда и инструменты; обычный чатовый запрос не эквивалентен тестированию. Репозиторий содержит полные веса и шаблон чата, а не LoRA-адаптер. Модель загружается через Transformers; для совместимости рекомендуется версия, соответствующая обучению. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой лицензии репозитория.

Это дообученная методом QLoRA 4-битная модель Llama 2 7B, созданная edumunozsala для генерации кода на Python по инструкциям. Она использует авторегрессионную архитектуру Transformer и обучалась на наборе python_code_instructions_18k_alpaca с примерами описаний задач и кода в формате инструкций. Модель подходит для генерации фрагментов Python-кода и помощи при решении задач программирования по текстовым запросам. Она содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель принимает текст и генерирует текст с кодом; сведения о поддержке других языков программирования не приведены. Базовая модель Llama 2 разработана Meta. Репозиторий распространяется по лицензии Apache-2.0. Поскольку модель специально дообучена на Python-примерах, её применение для других языков программирования и общих диалоговых задач не подтверждено.

Nautilus — небольшая языковая модель Loke-60000 для составления команд по запросам на естественном языке. Она предназначена для помощи с терминалом в Linux и macOS, а также с PowerShell в Windows. Модель формирует один ответ за ход: команду для выполнения задачи, `ANSWER:` если задача завершена или требуется объяснение, либо `UNCLEAR:` если запрос неоднозначен или предположение может быть опасным. После передачи вывода команды может предложить следующий шаг. В метаданных указаны архитектура Qwen3.5 Text, класс Qwen3_5ForCausalLM, 581,4 млн параметров и контекст 262 144 токена; карточка округляет размер до 0,8 млрд параметров. Репозиторий содержит веса safetensors, а варианты GGUF доступны в отдельном репозитории. Модель рассчитана на английский язык и имеет интерфейс чата, но не является универсальным собеседником: она не выполняет команды, не предназначена для написания произвольного текста и может ошибаться в редких флагах. Лицензия — Apache-2.0.

Nawah-Dialect-BERT-6M — компактная модель для определения разновидности арабского языка по тексту. Её разработала команда проекта NAWAH; модель дообучена на основе двунаправленного BERT-энкодера Nawah-BERT-6M-v2 и содержит около 6,2 млн параметров. Для классификации используется усреднение представлений непустых токенов и небольшой двухслойный классификатор; максимальная длина контекста — 2048 токенов. Модель присваивает входному арабскому тексту одну из 14 меток: 13 диалектов или современный литературный арабский (MSA). Она предназначена для автоматической маршрутизации и анализа арабоязычных текстов. В описанной авторами оценке на отложенной выборке достигла точности 0,9428 и macro-F1 0,9025. Модель обучалась на тексте без диакритических знаков, поэтому перед подачей рекомендуется удалять диакритики. Авторы отмечают, что короткие тексты, особенно короче примерно 25 слов, классифицируются ненадёжно; данные для некоторых диалектов ограничены. Проверка на формальной письменной речи, орфографии соцсетей и Arabizi не описана. Лицензия — Apache-2.0.

NE-LID — модель MWire Labs для определения языка отдельного предложения на языках Северо-Восточной Индии. Она предназначена для классификации текста на один из 11 поддерживаемых языков, включая ассамский, бодо, английский, хинди и языки региона с ограниченными ресурсами. Модель построена на fastText и использует символьные n-граммы длиной от 2 до 5 символов. По данным карточки, она обучена на 22 000 предложениях, имеет размер около 10 МБ и показывает точность 99,09% на тестовой выборке. Репозиторий содержит бинарную модель fastText и сжатый вариант. Модель рассчитана на моноязычные предложения; качество может снижаться на очень коротком тексте и смешении языков. Она не предназначена для определения языка отдельных слов или целых документов. Лицензия — CC BY 4.0.

Ortix Seg LV Base — модель Baltrix из выпуска Ortix для выделения границ предложений в письменном латышском тексте. Она предназначена для очистки документов, обработки корпусов и подготовки текста к поиску и другим языковым конвейерам. Модель использует архитектуру DeBERTa V2 для классификации токенов; вариант Base содержит 6 слоёв. По метаданным, в модели 81,8 млн параметров, контекст составляет 1024 токена. Для применения предусмотрен пакет ortix-seg, который использует конфигурацию сегментации и правила постобработки для латышского языка. Модель дообучена на базе AiLab-IMCS-UL/lv-deberta-base и распространяется по лицензии Apache-2.0. Она рассчитана на сегментацию латышского текста; качество на других языках и задачах не заявлено.

Qwen3-Zero-Coder-Reasoning-0.8B — компактная модель генерации текста для программирования, созданная DavidAU на платформе Qwen3. По карточке модели, это объединение двух моделей размером 0,6 млрд параметров; метаданные указывают базовые репозитории Qwen/Qwen3-0.6B и suayptalha/Qwen3-0.6B-Code-Expert. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит около 684 млн параметров. Модель предназначена для генерации кода, подготовки черновиков, обсуждения идей и решения многошаговых задач программирования с рассуждениями. Она поддерживает диалог и интерфейс вызова инструментов; заявленная длина контекста — до 40 960 токенов. README рекомендует контекст от 8 000 до 16 000 токенов, шаблон Jinja или ChatML и настройку параметров генерации под сложность задачи. Карточка заявляет высокую скорость генерации и пригодность как для простых, так и для сложных запросов, однако независимые оценки качества не приведены. Модель работает с текстовыми запросами и выдаёт текст, включая код; язык карточки — английский, а пригодность для других языков отдельно не уточняется. Лицензия — Apache-2.0. Модель распространяется в формате Safetensors; автор также описывает создание квантованных вариантов.

ReflectionCoder-DS-33B — языковая модель семейства LLaMA с 33,1 млрд параметров, предназначенная для генерации кода по запросу. Она разработана авторами проекта ReflectionCoder, которые используют последовательности рефлексии с обратной связью компилятора для улучшения одноразовой генерации программного кода. Модель поддерживает диалоговый формат, работает с текстом и имеет контекст до 16 384 токенов. Модель подходит для генерации программного кода по описанию задачи и однократного получения решения без итеративного взаимодействия с компилятором. В README приведены результаты семейства ReflectionCoder на HumanEval и MBPP, но конкретный результат для версии DS-33B в доступной таблице отсутствует. Репозиторий содержит веса Safetensors и использует лицензию Apache-2.0; README также упоминает лицензии семейств базовых моделей, поэтому условия использования исходной модели следует учитывать отдельно.

teknium разработал Replit-v2-CodeInstruct-3B — инструкционную донастройку базовой модели replit/replit-code-v1-3b семейства MPT с плотной архитектурой для генерации кода. Модель обучена следовать инструкциям в формате Alpaca и выдавать ответы на задачи по программированию. Для дообучения использовались около 25 тысяч пар инструкций и ответов из CodeAlpaca и GPTeacher Code-Instruct; обучение проходило на двух A100 80 ГБ. По сравнению с первой версией, обучавшейся на последовательностях длиной 512 токенов, здесь использовались последовательности длиной 2000 токенов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Модель подходит для генерации кода по текстовому заданию и ответов на инструкции по программированию. Автор сообщает о проблемах с параметром device="auto" и необходимости загружать модель с trust_remote_code=True; качество и корректность кода следует проверять.

sat-3l-sm — компактная модель сегментации текста из проекта Segment Any Text, предназначенная для использования с wtpsplit. Она делит текст на предложения, что полезно для подготовки документов, субтитров и других текстовых данных. Модель построена на архитектуре XLM для классификации токенов, содержит 220,3 млн параметров и использует три слоя Transformer. Контекст модели составляет 514 токенов; доступны форматы Safetensors и ONNX. Модель рассчитана на многоязычную сегментацию предложений. Карточка перечисляет широкий набор поддерживаемых языков, включая английский, арабский, китайский здесь не заявлен, японский и другие; языковые теги метаданных не включают русский. Лицензия — MIT. Карточка не описывает точность на конкретных наборах данных или ограничения обработки длинных последовательностей.

TabPFN-v2-clf — трансформерная базовая модель для классификации табличных данных, разработанная Prior Labs. Она применяет обучение на основе априорных распределений по данным и предназначена для классификации на небольших табличных наборах без отдельного обучения модели под каждую задачу. В репозитории размещены производственные базовые чекпойнты; файлы с суффиксом finetuned-* являются идентичными псевдонимами соответствующих базовых чекпойнтов. Модель работает с табличными данными и выдаёт результаты классификации. Для использования предусмотрена библиотека tabpfn на базе PyTorch. В карточке указана лицензия Prior Labs License — Apache 2.0 с дополнительным требованием атрибуции. README приводит требования к программной среде и оборудованию, но не сообщает о поддерживаемых естественных языках или конкретном пределе размера входного набора.

TabPFN v2-reg — трансформерная фундаментальная модель для регрессии на табличных данных, разработанная Prior Labs. Она использует обучение на основе априорных распределений данных, чтобы решать небольшие задачи регрессии без отдельного обучения под каждую задачу. Модель предназначена для предсказания числовых значений по строкам табличных данных. Для работы предусмотрена библиотека TabPFN на базе PyTorch; README указывает поддержку CPU и возможность использовать GPU. Модель не рассчитана на очень большие наборы данных и не предназначена для нетабличных входов. Лицензия Prior Labs License основана на Apache 2.0 с дополнительным требованием атрибуции.

Maple728/TimeMoE-50M — модель прогнозирования временных рядов из семейства Time-MoE, представленная как веса модели из статьи «Time-MoE: Billion-Scale Time Series Foundation Models with Mixture of Experts». Она предназначена для прогнозирования будущих значений по историческим последовательностям временных рядов. Модель использует архитектуру Mixture of Experts и класс TimeMoeForPrediction. В репозитории указано 28,3 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Автор карточки ссылается на GitHub-страницу проекта для инструкций по использованию. Модель подходит для задач прогнозирования временных рядов общего назначения. В карточке не описаны конкретные отрасли, наборы данных или языковые возможности. Лицензия — Apache-2.0.

TinyTimeMixer (TTM) Research-Use — компактная предварительно обученная модель прогнозирования временных рядов от IBM Research, построенная на архитектуре TinyTimeMixer. В этой версии около 1 млн параметров; модель предназначена для многомерного точечного прогнозирования временных рядов, преимущественно с минутной до часовой частотой наблюдений. Модель подходит для прогнозов без дообучения и для адаптации на целевых данных. Для разных настроек доступны варианты с контекстом 512, 1024 или 1536 точек и горизонтом прогноза до 720 точек; поддерживаются независимая обработка каналов и смешивание каналов, а также учет экзогенных и категориальных данных. По карточке модели, прогнозирование и дообучение можно выполнять на одной GPU или ноутбуке, включая CPU-сценарии. Релиз ориентирован на исследовательское использование и воспроизведение результатов статьи. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения; для коммерческих сценариев авторы указывают на релизы Granite. README не приводит конкретную частоту данных или набор предметных областей, поэтому применимость следует проверять на целевом ряду.

Модель Ido-shraga/twitter-roberta-base-tweeteval-sentiment — англоязычный классификатор тональности сообщений в социальных сетях, созданный дообучением RoBERTa на наборе TweetEval. Она относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Модель содержит 151,8 млн параметров, построена на архитектуре RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для анализа тональности твитов, коротких публикаций и других сообщений на английском языке. В тесте TweetEval авторы README сообщают точность и Macro-F1 0,7155; доменное предобучение на твитах дало преимущество перед упомянутой в README DistilBERT, при этом увеличивает стоимость инференса. Лицензия модели — MIT.

UniversalCEFR/xlm-roberta-base-cefr-all-classifier — дообученная модель XLM-RoBERTa Base для классификации текста. В карточке указана оценка F1 0,9529 и loss 0,1171 на наборе для оценки, но назначение классов и состав данных не описаны. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель построена на FacebookAI/xlm-roberta-base и опубликована под лицензией MIT. Метаданные указывают на многоязычную базовую модель, однако конкретные поддерживаемые языки и классы классификации карточка не уточняет.

MexIvanov/zephyr-python-ru-merged — экспериментальная модель, разработанная C.B. Pronin, A.V. Volosova, A.V. Ostroukh, Yu.N. Strogov, V.V. Kurbatov и A.S. Umarova. Это дообученная версия Zephyr-7B-β на архитектуре Mistral: веса Zephyr объединены с LoRA-адаптером для задач программирования на Python и инструкций по программированию на русском языке. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода Python по инструкциям на русском и английском языках, а также для ответов на вопросы о Python. В обучении использовались открытые и синтетические наборы данных по программированию, включая материалы Stack Overflow на русском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Это экспериментальное дообучение; качество на конкретных задачах может различаться. У модели нет механизмов модерации, и она может выдавать небезопасные или проблематичные ответы.

sergeyvi4ev/all-MiniLM-RAGSQL-code — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss на наборе sergeyvi4ev/sql_questions_triplets и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений в задачах, связанных с SQL. Её можно применять для поиска релевантных SQL-вопросов или текстов по смыслу и группировки похожих запросов. Карточка описывает эмбеддинги общего текстового типа, но не сообщает результаты оценки качества или конкретные ограничения в SQL-сценариях. Файлы модели представлены в формате safetensors; лицензия в доступных данных не указана.

kevinscaria/ate_tk-instruct-base-def-pos-neg-neut-combined — модель на архитектуре T5, дообученная для извлечения аспектных терминов из отзывов в рамках анализа тональности по аспектам. Для каждого входного отзыва используется инструкция с определением задачи и положительными, отрицательными и нейтральными примерами; модель обучена на отзывах о ноутбуках и ресторанах из набора SemEval 2014. Она предназначена для выделения упоминаемых в отзыве аспектов и может применяться в конвейерах анализа пользовательских отзывов. В метаданных указаны 123,7 млн параметров, формат PyTorch и лицензия MIT. Заявление авторов о лучшем на тот момент результате относится к подзадаче извлечения аспектов; качество на других тематиках и языках карточка не подтверждает.

Auto-Fill-Qwen3-8B-Knowledge — специализированная языковая модель из проекта Auto-Fill, разработанная для заполнения пропусков в таблицах. Она получает таблицу с одной ячейкой, помеченной [MISSING], и возвращает предполагаемое значение в формате JSON. Модель предназначена для пропусков, которые можно восстановить по знаниям о сущностях и их атрибутах либо по закономерностям в самой таблице: например, для названий, кодов и дат. Модель построена на Qwen/Qwen3-8B и дообучена полным параметрическим SFT на 30 000 примерах пар «таблица — значение». Это плотная авторегрессионная модель с 7,6 млрд параметров, контекстом до 40 960 токенов и текстовым вводом и выводом. Она обучалась и оценивалась на англоязычных таблицах, содержащих по одной скрытой ячейке; авторы рекомендуют запускать её как часть ансамбля Auto-Fill, который калибрует уверенность специалистов и может воздержаться от ответа. Модель распространяется по лицензии Apache-2.0. Она может ошибаться с высокой уверенностью, особенно если для восстановления значения нужны знания, отсутствующие в таблице; результаты для других языков и сценариев с несколькими пропусками не подтверждены.

AlexStamp/bert-finetuned-ner — модель BERT, разработанная AlexStamp и дообученная на датасете CoNLL-2003 для распознавания именованных сущностей в английских новостных текстах. Она выполняет токенную классификацию и размечает сущности в формате IOB2, включая людей, организации и географические объекты. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает текст с контекстным окном до 512 токенов. Регистр букв учитывается, поэтому правильное написание с заглавными буквами помогает распознаванию. Модель можно применять для извлечения сущностей из новостных статей и текстов, близких по стилю к обучающим данным. Модель обучена как портфолио-упражнение на английских новостных текстах Reuters и может хуже работать на других языках и в иных предметных областях; ошибки регистра также могут снижать качество. Распространяется по лицензии Apache-2.0.

Это англоязычная Sentence Transformer модель, дообученная автором swardiantara на базе компактной BERT-модели Google google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. В архитектуре используется BERT с двумя слоями и mean pooling; модель обучалась на парах отзывов Amazon и рассчитана на работу с текстом длиной до 128 токенов согласно README, при контекстном окне 512 токенов в метаданных. Модель подходит для семантического поиска отзывов, подбора похожих пользовательских мнений и извлечения текстовых признаков. Она компактна — 4,4 млн параметров — и может применяться в сценариях с ограниченными вычислительными ресурсами. Обучение на отзывах Amazon может ограничивать качество на других тематиках и типах текстов; поддерживается только текстовый ввод. Репозиторий содержит веса safetensors, библиотека — Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.