II.8Инженерия данных и аналитика

Карточка модели lafifi-24/arbert_arabic_dialect_identification на Hugging Face совпадает с карточкой lafifi-24/arabicBert_arabic_dialect_identification, поэтому описание составлено по ней. Модель lafifi-24/arabicBert_arabic_dialect_identification — классификатор арабского текста, разработанный в рамках проекта по определению арабских диалектов. Она дообучена на сочетании общедоступных наборов данных и собственного набора разработчиков и предназначена для определения диалекта по тексту разговорного арабского языка. Модель основана на BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Её можно применять для автоматической разметки диалектов в текстах, маршрутизации обращений по региону и анализа арабоязычных пользовательских сообщений. Карточка сообщает о высокой точности, но не приводит численных метрик или перечня распознаваемых диалектов, поэтому качество на конкретных данных следует проверять отдельно. В репозитории указаны веса PyTorch; условия лицензии в доступных данных не приведены.

Карточка модели MIT/ast-finetuned-audioset-10-10-0.448-v2 на Hugging Face совпадает с карточкой MIT/ast-finetuned-audioset-14-14-0.443, поэтому описание составлено по ней. MIT/ast-finetuned-audioset-14-14-0.443 — модель Audio Spectrogram Transformer (AST), дообученная на AudioSet. Архитектура на основе Vision Transformer применяется к спектрограмме: аудио преобразуется в изображение, которое модель классифицирует по классам AudioSet. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации звуковых событий и подходит для автоматической маркировки аудиозаписей и анализа звуковых сцен. В карточке указаны результаты уровня state of the art на нескольких тестах классификации аудио, но конкретные метрики для этого чекпойнта не приведены. Лицензия — BSD 3-Clause.

Карточка модели MIT/ast-finetuned-audioset-10-10-0.450 на Hugging Face совпадает с карточкой MIT/ast-finetuned-audioset-14-14-0.443, поэтому описание составлено по ней. MIT/ast-finetuned-audioset-14-14-0.443 — модель Audio Spectrogram Transformer (AST), дообученная на AudioSet. Архитектура на основе Vision Transformer применяется к спектрограмме: аудио преобразуется в изображение, которое модель классифицирует по классам AudioSet. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации звуковых событий и подходит для автоматической маркировки аудиозаписей и анализа звуковых сцен. В карточке указаны результаты уровня state of the art на нескольких тестах классификации аудио, но конкретные метрики для этого чекпойнта не приведены. Лицензия — BSD 3-Clause.

Карточка модели MIT/ast-finetuned-audioset-12-12-0.447 на Hugging Face совпадает с карточкой MIT/ast-finetuned-audioset-14-14-0.443, поэтому описание составлено по ней. MIT/ast-finetuned-audioset-14-14-0.443 — модель Audio Spectrogram Transformer (AST), дообученная на AudioSet. Архитектура на основе Vision Transformer применяется к спектрограмме: аудио преобразуется в изображение, которое модель классифицирует по классам AudioSet. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации звуковых событий и подходит для автоматической маркировки аудиозаписей и анализа звуковых сцен. В карточке указаны результаты уровня state of the art на нескольких тестах классификации аудио, но конкретные метрики для этого чекпойнта не приведены. Лицензия — BSD 3-Clause.

ulisesbravo/autotrain-BERTimbau-DGS-0002 — дообученная модель BERT для классификации текстов, созданная с помощью AutoTrain. Она предназначена для отнесения текста к классам в задаче, заданной при обучении; конкретная предметная область и названия классов в карточке не раскрыты. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики на валидационной выборке: accuracy около 0,748 и macro F1 около 0,746. Эти результаты характеризуют только указанную выборку и не гарантируют аналогичного качества на других данных. Модель дообучена на основе ulisesbravo/autotrain-BERTimbau-DGS-0001; сведения о лицензии в предоставленных данных отсутствуют.

techthiyanes/Bert_Bahasa_Sentiment — модель классификации последовательностей на архитектуре BERT, предназначенная для анализа тональности текста на языке Bahasa Indonesia. README показывает загрузку модели через Transformers и пример подачи токенизированного текста на вход классификатору. Модель содержит 194,6 млн параметров, поддерживает контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Модель подходит для определения тональности коротких текстов, например отзывов и сообщений. README не раскрывает набор и значения классов, обучающие данные и оценку качества; эти сведения нельзя уточнить по имеющимся данным. Лицензия в предоставленных метаданных и README не указана.

Модель TextAttack — это дообученная версия bert-base-uncased для классификации англоязычных отзывов о фильмах из набора rotten_tomatoes. Она определяет тональность текста, обучена на задаче классификации последовательностей с функцией потерь cross-entropy; в карточке указана точность 0,875 на оценочной выборке. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов по метаданным; при дообучении максимальная длина была 128 токенов. Модель подходит для автоматической разметки отзывов на положительные и отрицательные. Доступны веса PyTorch и Flax. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

BETO16 — дообученная испаноязычная модель BERT для классификации токенов. Она основана на dccuchile/bert-base-spanish-wwm-cased, содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В карточке приведены метрики на наборе оценки: F1 0,9631 и accuracy 0,9939. Модель предназначена для присвоения меток отдельным токенам в испанском тексте. Назначение меток, обучающий набор данных и конкретные сценарии применения в карточке не раскрыты, поэтому по имеющимся сведениям нельзя определить, выполняет ли она, например, распознавание сущностей или другую разновидность разметки последовательностей. Файлы модели представлены в формате Safetensors; лицензия в предоставленных данных не указана.

cafeai разработала cafe_aesthetic — классификатор изображений на архитектуре BEiT, дообученный на базе microsoft/beit-base-patch16-384. Модель содержит 119,5 млн параметров и предназначена для отбора изображений при подготовке большого датасета для дообучения Waifu Diffusion на базе Stable Diffusion. Классификатор оценивает эстетическую пригодность изображений и может помечать их как not_aesthetic. Он обучен примерно на 3,5 тыс. изображений из реальной жизни, аниме и манги. Модель настроена скорее на сохранение изображений: обычно она отбрасывает изображения в стиле манги, с неаккуратными линиями или набросками, а также с большим количеством текста, закрывающего основной объект. Модель может ошибаться и предназначена для автоматизированной фильтрации датасета, а не для безошибочной оценки отдельных изображений. Лицензия — AGPL-3.0.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung с помощью GRPO в OpenRLHF. Обучение проводилось непосредственно от базовой модели, без промежуточного SFT, на задачах программирования с проверкой сгенерированного кода тестами. В метаданных указаны 3,7 млрд параметров, архитектура Qwen3 с плотной моделью причинного декодирования, формат Safetensors и контекст до 262 144 токенов. Чекпойнт получен на четвёртом шаге обучения и показал лучший pass@8 среди вариантов в этом запуске. Он предназначен для генерации программ и решения задач, отобранных как трудные для исходной модели. Обучение использовало бинарную награду за прохождение тестов, а также штрафы за усечение длинных ответов; метрики оценки для этого чекпойнта в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код. README не сообщает отдельные языки программирования или естественные языки, поэтому языковая поддержка не уточняется. Лицензия в предоставленных данных не указана.

osiria/deberta-base-italian — модель семейства DeBERTa V2, подготовленная для итальянского языка на основе mDeBERTa-v3-base. Разработчик адаптировал слой эмбеддингов, используя частоты слов на уровне документов, рассчитанные по корпусу Википедии. В метаданных указаны архитектура DebertaV2Model и 151,8 млн параметров; README приводит оценку в 124 млн параметров, поэтому сведения о размере расходятся. Модель принимает текст и предназначена для извлечения признаковых представлений, которые можно использовать как основу для последующей обработки текста. Контекст составляет 512 токенов, модель работает с итальянским языком и распространяется под лицензией MIT. Карточка не описывает результаты оценивания или ограничения качества.

Модель neuralnaut/deberta-wrime-sentiment разработана для анализа тональности японского текста. Это регрессионная модель на базе DeBERTa V3, дообученная на субъективных оценках авторов в датасете WRIME v2. Она предсказывает непрерывную оценку полярности от −2 (сильная негативная тональность) до +2 (сильная позитивная); логиты модели нормализованы в диапазон от −1 до +1, поэтому для исходной шкалы результат нужно умножить на 2 и ограничить диапазоном от −2 до +2. Модель подходит для оценки тональности коротких публикаций в соцсетях, отзывов и комментариев, количественного анализа обратной связи и мониторинга репутации. Архитектура DeBERTa V3 для классификации последовательностей содержит 187,7 млн параметров; максимальный контекст по метаданным — 512 токенов, а карточка рекомендует ограничивать вход 128 токенами. На тестовой выборке WRIME v2 указаны RMSE 0,9224, MAE 0,7254 и корреляция Пирсона 0,6787. Модель ориентирована на японский язык и субъективное восприятие автора текста, а не читателя. Она обучена на разговорных коротких текстах и хуже оценивает нейтральную тональность; также отмечены склонность к слегка завышенным позитивным оценкам и трудности с сарказмом. Лицензия — MIT.

leomaurodesenv выпустил дообученную модель-классификатор на базе google/electra-base-discriminator. Она использует архитектуру ELECTRA с энкодером Transformer и предназначена для классификации текста. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На наборе оценки указаны loss 0,2955 и accuracy 0,9017. Датасет, конкретные классы и предполагаемые сценарии применения не описаны, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Ha1dir/emosi-indobert — модель классификации эмоций в тексте на индонезийском языке, в частности в сообщениях Twitter. Она основана на BERT и дообучена на indobenchmark/indobert-base-p1; содержит около 151,6 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель относит текст к одному из шести классов: гнев, страх, печаль, радость, любовь или нейтральная эмоция. Модель подходит для анализа тональности и эмоциональных реакций в индонезийских сообщениях, включая мониторинг публикаций в социальных сетях и разметку текстов по эмоциям. В карточке указано хранение весов в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

Finance Sentiment ES (base) — модель bards.ai для определения тональности испаноязычных финансовых новостей. Она основана на BERT-модели BETO dccuchile/bert-base-spanish-wwm-cased и дообучена на испанском переводе датасета Financial PhraseBank. Модель относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель предназначена для классификации новостей и других финансовых текстов на испанском языке. В карточке указаны macro F1 0,973, macro precision 0,974 и macro recall 0,972; параметры оценки описаны для тестирования на RTX 3090. Это BERT-классификатор объёмом 137,1 млн параметров с контекстом до 512 токенов, доступный в форматах PyTorch и Safetensors и совместимый с Transformers. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Fluxion-370M-Instruct — компактная языковая модель Naresh Meena, созданная с нуля и дообученная следовать инструкциям. Это плотный decoder-only трансформер семейства Llama с 378,4 млн параметров и контекстом 4096 токенов. Обучение включало предварительное обучение, supervised fine-tuning и GRPO с правилами вознаграждения для математических рассуждений; модель использует собственный BPE-токенизатор на 50 тыс. токенов и архитектурные компоненты GQA, RoPE и SwiGLU. Модель предназначена прежде всего для решения математических задач, пошаговых рассуждений, генерации и объяснения кода, особенно на Python, а также для инструкций в этих областях. Карточка приводит результаты тестов по математике и программированию и позиционирует модель как компактную для запуска на умеренном оборудовании. Основной язык — английский; модель не рассчитана на многоязычное применение. Ограниченный объём и направленность обучающих данных снижают охват общих знаний и качество на широких тестах; небольшой размер также ограничивает сложные рассуждения. Контекст ограничен 4096 токенами, а для корректной остановки генерации README рекомендует передавать eos_token_id=[1, 4]. Лицензия — Apache-2.0.

ottema/gliner2-ptbr-v23 — модель извлечения именованных сущностей для бразильского португальского языка, разработанная в рамках открытого проекта Ottema GLiNER2-PTBR. Это дообученная версия fastino/gliner2-multi-v1 на данных HAREM, LFCC, синтетических примерах и псевдоразметке из португалоязычной Википедии. Архитектура GLiNER2 поддерживает извлечение сущностей с открытым набором меток; формат весов — safetensors. Модель предназначена для NER в энциклопедических и журналистских текстах на PT-BR. В оценке авторов на HAREM она показала entity F1 0,4749 по макроусреднению на уровне примеров и задержку 31 мс на GPU. Результат зависит от протокола оценки и не гарантирует аналогичного качества на других наборах данных. Репозиторий помечен как устаревший: для новых интеграций авторы рекомендуют ottema/gliner2-ptbr-harem; текущая версия сохранена для воспроизводимости и обратной совместимости и обновляться не будет. На разговорных сообщениях модель может работать хуже; качество определения границ сущностей уступает указанной авторами модели BERT-CRF. Лицензия — Apache-2.0.

Модель djonuzi/goemotions-emotion-model — дообученный DistilBERT для многометочной классификации эмоций в коротких англоязычных текстах. Она оценивает 28 категорий: 27 эмоций и нейтральное состояние, возвращая метки с оценками уверенности. Модель предназначена для анализа комментариев, заголовков, сообщений и публикаций в социальных сетях, а также для учебных демонстраций и экспериментов с распознаванием эмоций. Она основана на distilbert-base-uncased и обучена на наборе GoEmotions; максимальная длина контекста — 512 токенов. Классификатор не предназначен для клинических, юридических или иных высокорисковых решений. Лицензия в предоставленных сведениях не указана.

team-lucid разработала корейскую версию HuBERT Base — модели обучения речевых представлений, предложенной Facebook. Модель принимает аудиосигнал в виде сырой волновой формы и формирует последовательность скрытых представлений; в примере для входа длиной 16 000 отсчётов выход имеет размерность 49 × 768. Веса содержат 113,3 млн параметров, доступны в форматах PyTorch и Flax, включая safetensors. Модель обучали примерно на 4 000 часах корейской речи: свободных разговоров, многодикторских данных синтеза речи и разговорной речи из вещательного контента. Она предназначена для задач распознавания речи и получения речевых признаков; карточка связывает её с автоматическим распознаванием речи. Лицензия — Apache-2.0. Это речевая модель, а не генератор готовой расшифровки по умолчанию: пример показывает получение скрытых представлений через HubertModel. Для практического распознавания текста может потребоваться подходящая классификационная голова или дополнительная обработка. Указанные обучающие данные и карточка ориентированы на корейскую речь.

ko-deplot — созданная NUUA корейскоязычная модель Visual Question Answering на архитектуре Google Pix2Struct. Она дообучена на основе google/deplot на парах изображений диаграмм и текста и предназначена для ответов на вопросы по графикам и диаграммам. Модель принимает изображение вместе с вопросом и формирует текстовый ответ; словарь токенизатора расширен с 50 344 до 65 536 токенов корейскими символами и токенами Ko-Electra. Для обучения использовались синтетические диаграммы, созданные с помощью GenPlot, Chart.js и Plotly. Лицензия — Apache-2.0. В карточке не приведены сведения о размере модели и длине контекста.

KoELECTRA-Base-v3-Naver-NER — модель Jangwon Park (monologg), предназначенная для распознавания именованных сущностей в корейском тексте. Это вариант архитектуры ELECTRA-Base с головой классификации токенов, дообученный для задачи Naver NER. Модель содержит 140,1 млн параметров и рассчитана на последовательности до 512 токенов. Базовая KoELECTRA обучалась на корейских текстовых корпусах, включая данные версии v3 из 모두의 말뭉치. Модель принимает текст и присваивает метки его токенам, чтобы выделять сущности. Репозиторий содержит веса PyTorch и позволяет загружать модель через Transformers. Для этой конкретной модели карточка Hugging Face не содержит подробных результатов оценки или описания ограничений; качество распознавания за пределами задачи Naver NER не установлено. Лицензия модели не подтверждена доступными сведениями.

KoELECTRA-small-v3-modu-ner — корейская модель распознавания именованных сущностей, дообученная автором репозитория на базе monologg/koelectra-small-v3-discriminator. Она использует архитектуру ELECTRA для классификации токенов и BIO-разметку: начало сущности, её продолжение или токен вне сущности. Модель предназначена для извлечения сущностей по 15 категориям, соответствующим крупным классам TTA; среди приведённых примеров — артефакты, животные и цивилизация. Модель содержит 21,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 0,8339, точность 0,8232, полнота 0,8449 и accuracy 0,9628. Для обучения указан набор анализа именованных сущностей из корпуса 모두의 말뭉치 Национального института корейского языка за 2021 год. Модель работает с корейским текстом и выдаёт метки токенов. Указана лицензия Apache-2.0; перед практическим применением стоит учитывать, что качество зависит от соответствия текста и сущностей обучающим данным и схеме меток.

LFM2.5-350M-ShellAI — компактная языковая модель micrictor для генерации Bash-команд. Это дообученная модель LiquidAI/LFM2.5-350M, дистиллированная на уровне ответов из LiquidAI/LFM2.5-2.6B; архитектура — плотная LFM2 для авторегрессионной генерации текста. По карточке модель обучена выдавать одну команду внутри блока кода. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для преобразования запросов и сценариев работы с репозиториями в команды оболочки. В тесте на 300 примерах показатель совпадения по полезному результату составил 39,7%, а точного совпадения команды — 4,0%; базовая модель показала 23,0% и 5,7% соответственно. Это указывает на ограниченную надёжность: команды следует проверять перед запуском. Указанный формат файлов — safetensors, а README описывает объединённый BF16 чекпойнт. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой модели.

Карточка модели microsoft/LLaMA-2-7b-GTL-Delta на Hugging Face совпадает с карточкой microsoft/LLaMA-2-13b-GTL-Delta, поэтому описание составлено по ней. Microsoft LLaMA-2-13b-GTL-Delta — это дообученная версия LLaMA 2, входящая в семейство Industrial Foundation Models (IFMs). Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые промпты с данными в табличной форме. Контекст ограничен 2048 токенами; модель поставляется в формате safetensors и распространяется по лицензии MIT. Модель дообучена более чем на 380 табличных наборах данных из разных отраслей и предназначена для прогнозирования по промышленным данным. По инструкции в промпте она может выполнять задачи классификации и регрессии, формируя ответ на естественном языке. Среди описанных сфер применения — торговля, здравоохранение, энергетика и устойчивое развитие. Результаты могут быть смещёнными или ошибочными, особенно на данных и в сценариях, недостаточно представленных при обучении. Прогнозы следует проверять, а применение в критически важных решениях требует дополнительной оценки и защитных мер.

Модель jhon53/Llama3_1_8B_Finance_QLoRA-merged-16bit разработана Dharmik Bhingradiya и представляет собой дообученную методом QLoRA версию Meta-Llama-3.1-8B-Instruct для анализа тональности финансовых текстов. Она относит входной текст к одному из трёх классов: negative, neutral или positive. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и доступна в формате safetensors; базовая модель имеет контекст до 131 072 токенов. Для обучения применялись 4-битная NF4-квантизация базовой модели и BF16 LoRA-адаптеры; репозиторий содержит объединённую 16-битную версию. Модель предназначена для классификации финансовых новостей, заявлений компаний и рыночных текстов, а также для экспериментов и создания финансовых NLP-приложений. В README приведены результаты на Financial PhraseBank: accuracy 97,48% и macro-F1 97,25%; на FiQA-SA: accuracy 94,02% и macro-F1 83,35%. Основной язык карточки — английский. Лицензия — Apache 2.0. Точность зависит от области и формулировки текста; финансовые выражения могут быть неоднозначными. Результаты бенчмарков не гарантируют качество в реальных приложениях, и модель может ошибаться или выдавать чрезмерно уверенные классификации. Для сценариев с существенными последствиями нужны независимая проверка и оценка; выводы модели не являются финансовой рекомендацией.

mHuBERT-147 — компактная многоязычная модель HuBERT, разработанная в рамках европейского проекта UTTER. Это первая итерация модели на архитектуре HuBERT base: в README указано 95 млн параметров, а метаданные репозитория сообщают 113,3 млн. Модель обучена на 90 тысячах часов открытых аудиоданных на 147 языках с использованием дискретных речевых единиц, полученных с помощью Faiss IVF; для обучения применялась повышенная выборка по языкам и источникам данных. Модель предназначена для извлечения речевых признаков и как основа для многоязычных речевых задач, включая распознавание речи и определение языка. В README сообщается о высоких результатах на тестах ML-SUPERB, в том числе о сильных позициях в лидербордах для сценариев с ограниченными обучающими данными и результатах уровня SOTA в трёх задачах определения языка. Репозиторий содержит исходный чекпойнт Fairseq, конвертированную версию для Hugging Face Transformers и индекс Faiss. Поддерживается 147 языков; в метаданных перечислена часть языковых тегов, а README отдельно указывает языки, не индексируемые Hugging Face. Лицензия — CC-BY-NC-SA-4.0, поэтому при использовании необходимо соблюдать её условия, включая ограничения на коммерческое применение и распространение производных материалов. Это первая итерация: README указывает, что более сильная версия доступна в третьей итерации.

Jeevesh8/multiberts_seed_1_ft_2 — модель классификации текста на базе BERT MultiBERTs seed 1, опубликованная пользователем Jeevesh8 и происходящая от модели Google MultiBERTs. Она предназначена для присвоения входному тексту одного или нескольких классов в прикладных задачах классификации; точный набор меток и задача дообучения для этого репозитория в доступных источниках не указаны. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Архитектура относится к BERT; исходная MultiBERTs была обучена для английского языка с использованием masked language modeling и next sentence prediction. Модель рассчитана на работу с текстом и может применяться через экосистему Transformers, включая JAX. Сильная сторона модели — готовая BERT-архитектура для задач текстовой классификации и совместимость с инструментами Hugging Face. Ограничения связаны с неизвестными точными классами и целевой областью дообучения, а также с англоязычной базой. Для исходной модели Google указан Apache-2.0, но лицензию производного репозитория следует проверить отдельно.

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.

NanoCoder — компактная языковая модель для программирования, разработанная OrionLLM на основе Qwen3-0.6B. Это плотная авторегрессионная модель с 507,9 млн параметров, предназначенная для генерации кода и последовательных рассуждений при решении задач программирования. Карточка описывает её как специализированную модель для задач с высокой интенсивностью рассуждений, а не как универсального повседневного помощника. Модель принимает текст и генерирует текст, включая код; заявленный контекст составляет 40 960 токенов. Поддержка английского указана в метаданных, а также модель работает с языками программирования. Она дообучена на наборе NVIDIA OpenCodeReasoning и распространяется в формате safetensors по лицензии Apache-2.0. К ограничениям относятся небольшой размер и более слабая пригодность для широких задач ассистента по сравнению с крупными моделями; лучше всего она подходит для целевых задач программирования и рассуждений.

Persian-Text-Sentiment-Bert-V1 — модель классификации текста на основе BERT, дообученная разработчиком SeyedAli на пользовательском наборе данных от HooshvareLab/bert-base-parsbert-uncased. Она предназначена для анализа тональности персидского текста. В метаданных указаны 190 млн параметров и контекст до 512 токенов; модель использует архитектуру BertForSequenceClassification и опубликована в форматах PyTorch и Safetensors. На оценочном наборе модель показала точность 0,8716 и F1-score 0,8715. Описание набора данных и его ограничений в карточке отсутствует, поэтому эти оценки не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.