IV.9Медиа, журналистика, культура, архивы и игры

megalaa/coptic-english-translator — модель машинного перевода на архитектуре MarianMT с 58 млн параметров. По умолчанию она переводит текст на сахидском коптском языке на английский; параметр from_bohairic=True включает перевод с бохайрского коптского на английский. Параметр output_confidence=True позволяет получить оценку уверенности модели. Модель предназначена для перевода коптских текстов на английский и доступна через библиотеку Transformers. Она принимает текст и выдаёт текст перевода; заявленная длина контекста — 512 токенов. Распространяется по лицензии AGPL-3.0.

Это GGUF-квантизированная версия языковой модели NQLSG-Qwen2.5-14B-MegaFusion-v5-roleplay-duplicate, разработанной Cran-May и подготовленной для распространения пользователем bartowski. Модель основана на Qwen2.5 с 14 миллиардами параметров и предназначена для генерации текста, прежде всего для диалоговых и roleplay-сценариев. Заявлены английский и китайский языки; модальность — текстовая. Размер контекстного окна в README не указан. Модель доступна в форматах от F16 до различных вариантов 8-, 6-, 5-, 4- и 3-битного квантования GGUF. Квантизация выполнена с использованием llama.cpp и imatrix, что позволяет запускать модель через llama.cpp, LM Studio и другие совместимые приложения. В README рекомендуются варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S; Q4_K_M указан как вариант стандартного размера для большинства сценариев, а более компактные версии подходят для систем с ограниченным объёмом оперативной памяти. Сильными сторонами являются широкий выбор квантованных вариантов, возможность локального запуска и ориентация на интерактивное roleplay-общение. Более сильное квантование обычно обеспечивает лучшее качество, но требует больше памяти; компактные варианты экономичнее, однако могут снижать качество генерации. README не содержит подробных результатов тестирования, описания архитектурных особенностей MegaFusion или ограничений безопасности. Указана лицензия Apache-2.0; в качестве обучающего набора отмечен Lunzima/Semiboobs.

ADAFACE VIT BASE WEBFACE4M — предварительно обученная модель распознавания лиц из семейства CVLFace, опубликованная пользователем minchul. Она предназначена для извлечения признаков лицевых изображений и может служить основой для задач распознавания и сравнения лиц. В карточке указана связь с работой «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale», посвящённой архитектуре Vision Transformer; формат весов — safetensors. В названии указаны ADAFACE, ViT-Base и обучающий набор WebFace4M. Метаданные задают задачу feature-extraction и язык en, однако модель работает с изображениями лиц, поэтому текстовый язык не является её основной модальностью. README просит цитировать исходную работу и соблюдать лицензию обучающего датасета; конкретные условия лицензии самой модели не приведены.

Dao-9B — открытая модель генерации текста от разработчиков Omni Translator, уменьшенная версия модели для литературного перевода. Она рассчитана прежде всего на перевод китайских веб-романов на английский язык и может запускаться локально; README отмечает, что по возможностям она уступает полной версии и основана на менее современной методике и данных. Модель дообучена на базе Yi-1.5-9B: это плотная архитектура семейства Llama с 8,6 млрд параметров. Она поддерживает диалоговый режим, принимает и генерирует текст, использует форматы PyTorch и Safetensors и имеет контекст длиной 4096 токенов. Для перевода README рекомендует сначала извлекать из контекста термины и имена, чтобы последовательно передавать их в последующих фрагментах. Лицензия — Apache-2.0. Модель описана как uncensored, поэтому может создавать неподходящий для части аудитории контент. Обучение преимущественно на парах китайский—английский, поэтому качество для других языковых пар может быть ниже; сравнительных результатов для Dao-9B в карточке нет.

DETRPose-S-CROWDPOSE — модель для обнаружения ключевых точек позы нескольких людей на изображении в реальном времени. Она основана на DETRPose и использует гибридный энкодер RT-DETR и облегчённый декодер D-FINE. Для повышения точности оценок уверенности применяется слой Pose-LQE, а обучение включает денойзинг ключевых точек и функцию потерь Keypoint Similarity Varifocal. В карточке указаны результаты на наборе CROWDPOSE: 11,5 млн параметров, 31,3 GFLOPs и задержка 4,80 мс; значение AP — 67,4. Модель предназначена для низколатентного многопользовательского распознавания поз и может применяться для анализа видеопотока с веб-камеры. Для инференса README отсылает к inference-ready ветке репозитория DETRPose. Лицензия — Apache-2.0.

DETR-ResNet-50-Panoptic — модель компьютерного зрения на архитектуре DETR с backbone ResNet-50, разработанная командой Facebook. Она обучена сквозным способом на COCO 2017 Panoptic и предназначена для паноптической сегментации изображений: модель обнаруживает объекты, определяет их классы и рамки, а также строит маски сегментации. В архитектуре используется энкодер-декодер Transformer, запросы объектов и масочная голова; для COCO задано 100 запросов объектов. Модель принимает изображения и выдаёт результаты сегментации и обнаружения объектов. На валидационной части COCO 2017 указаны box AP 38,8, segmentation AP 31,1 и PQ 43,4. Репозиторий содержит веса PyTorch, размер модели в метаданных — 6,3 млн параметров. Обучение выполнено на COCO 2017 Panoptic, поэтому результаты на иных типах изображений и классах могут отличаться. Лицензия — Apache-2.0.

Xenova/detr-resnet-50-panoptic — это версия модели facebook/detr-resnet-50-panoptic с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Модель основана на архитектуре DETR с backbone ResNet-50 и предназначена для паноптической сегментации изображений — одновременного обнаружения объектов и выделения их областей на изображении. Модель подходит для сценариев компьютерного зрения в JavaScript-приложениях, включая обработку изображений непосредственно в веб-среде через pipeline image-segmentation. Из README не указаны точные размеры модели, поддерживаемые языки, модальности помимо изображений, размер контекста, показатели качества или ограничения по производительности. Лицензия также не указана. Репозиторий содержит ONNX-веса для совместимости с Transformers.js; их использование ориентировано на веб-среду и другие окружения, поддерживающие ONNX.

Многоязычный классификатор текста на базе DistilBERT, разработанный Citizen Lab и дообученный на датасете Jigsaw Toxic Comment Classification Challenge. Модель предназначена для выявления токсичных комментариев и модерации пользовательского текста. Она использует архитектуру DistilBertForSequenceClassification, работает с текстом и поддерживает контекст до 512 токенов. В метаданных указана поддержка английского, нидерландского, французского, португальского, итальянского, испанского, немецкого, датского, польского и африкаанс. Модель опубликована в формате PyTorch. Данных о лицензии в предоставленных источниках нет.

EMO-phi-128k — диалоговая языковая модель OEvortex на архитектуре Phi-3, дообученная на базе microsoft/Phi-3-mini-128k-instruct для эмоционально чуткого общения. Она предназначена для открытого диалога с распознаванием эмоционального тона и уместной реакцией на него, а также для чат-ботов поддержки клиентов и творческого письма с учётом эмоционального контекста. В README также упомянуты сценарии психологической поддержки, однако возможности модели в этой области не подтверждены. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст; для работы используется Transformers, веса доступны в формате safetensors. README называет английский основным языком. Несмотря на название, указанный контекст модели составляет 4096 токенов. Лицензия — MIT. Карточка предупреждает о возможных смещениях и вредных или явных ответах, а эмоциональные способности модели не проверены. Для чувствительных тем, особенно связанных с психическим здоровьем, требуется человеческий контроль.

GroupViT — модель компьютерного зрения и языка, разработанная Jiarui Xu и соавторами. Она обучена на парах изображений и текстовых описаний и предназначена для сегментации изображений по категориям, заданным словами, без дополнительного дообучения на пиксельной разметке. Модель использует иерархический Vision Transformer, который группирует области изображения в сегменты, и текстовый энкодер, обученные совместно с контрастивной функцией потерь. Основной сценарий — zero-shot семантическая сегментация по произвольному словарю категорий; в карточке приведены результаты на PASCAL VOC 2012 и PASCAL Context. Репозиторий содержит варианты весов PyTorch и TensorFlow. Модель обучали на открытых данных изображений с подписями, включая YFCC100M и собранные из интернета данные. Состав данных может быть смещён в сторону пользователей и обществ, более представленных в интернете. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

HachimiMT-60-QT — модель машинного перевода с китайского на вьетнамский, созданная для перевода китайских веб-новелл в устойчивом классическом регистре «truyện convert». Она основана на MarianMT и обучена сохранять архаичную систему обращений и местоимений, включая «ta», «ngươi», «hắn», «nàng», «tỷ tỷ» и «ca ca», не переключаясь на современные формы в пределах главы. Версия v1.1 продолжает обучение предыдущей версии на примерах редких выражений и идиом с повторным использованием исходных данных. В README приведены результаты сравнений качества перевода и стабильности регистра, а также экспорт INT8 для быстрого CPU-инференса через CTranslate2. Модель подходит для перевода отдельных предложений и глав веб-новелл; указанное в метаданных родное окно контекста — 512 токенов. Модель может ошибаться в редких именах и авторских терминах, транслитерировать их непоследовательно или переводить буквально; некоторые многозначные выражения также остаются сложными. Лицензия — CC BY 4.0.

Это объединённая модель генерации текста на архитектуре Llama, созданная сообществом mergekit-community методом Model Stock с помощью mergekit. В основу слияния вошли HumanLLMs/Human-Like-LLama3-8B-Instruct и grimjim/Llama-3-Instruct-abliteration-LoRA-8B, а также модели для ролевого общения и длинных историй и модель, дообученная на Wikibio. Размер модели — 7,5 млрд параметров, нативная длина контекста — 8192 токена; веса доступны в формате Safetensors. Модель предназначена для диалоговой генерации и ролевых сценариев, в том числе с контентом для взрослых. Карточка не сообщает результаты оценки качества или подробные инструкции по использованию, поэтому пригодность для конкретных задач следует проверять самостоятельно. В метаданных указана пометка «not-for-all-audiences»; лицензия не приведена.

q1805 дообучила HuBERT Large для распознавания немецкой речи с выводом транскрипции в Международном фонетическом алфавите (IPA). Модель содержит 402,7 млн параметров, использует архитектуру HubertForCTC и принимает аудио; для работы применяется библиотека Transformers. В карточке указана лицензия CC BY-NC 4.0, которая не разрешает коммерческое использование. Модель предназначена для фонетической транскрипции немецкой речи в разных акустических условиях: от студийных записей и аудиокниг до спонтанной речи, дебатов и записей с телефонов. В README приведены результаты оценки на нескольких наборах данных; ошибки на фонемном уровне остаются заметными, поэтому транскрипции могут требовать проверки. Показатели задержки зависят от оборудования и условий запуска.

Это модель машинного перевода IndicTrans2, дообученная krpraveen для перевода предложений с санскрита на английский. Она основана на ai4bharat/indictrans2-indic-en-dist-200M и содержит 211 млн параметров; для обработки текста использует архитектуру IndicTrans и библиотеку Transformers. Модель дообучена на 10 000 парах предложений на санскрите и английском без внешних параллельных корпусов. Она подходит для перевода отдельных предложений и работы в локальном интерфейсе; запускается на CPU или GPU. В README приведены тестовые оценки BLEU 0,244 и BERTScore-F1 0,604. Лицензия — MIT. Результаты отражают оценку на указанном тесте; данных о длине контекста в источниках нет.

Это локальная текстовая модель Interim Labs в формате GGUF с квантизацией Q4_K_M, предназначенная для генерации текста и диалогов. Пакет содержит веса Huihui-Qwen3.5-4B-abliterated и рассчитан на запуск через llama.cpp; размер модели относится к классу 4B параметров. Модель основана на дообученной мультимодальной Qwen3.5-4B с ослабленными защитными ограничениями. В этой поставке заявлена генерация текста; возможности понимания изображений базовой модели нельзя считать подтверждёнными для данного пакета по приведённой карточке. Релиз Interim Labs повторно распространяет веса из указанного источника конверсии без изменения тензоров. Модель распространяется по лицензии Apache-2.0. Карточка не содержит комплексных бенчмарков и не подтверждает улучшение качества или надёжности; ослабление ограничений не гарантирует качество ответов.

JAZZMUS — модель оптического распознавания нот, разработанная для рукописных джазовых лид-листов. Она преобразует изображения нотной записи с мелодией и аккордовыми обозначениями в текстовую нотацию Humdrum **kern или **mxhm. Модель предназначена для транскрибирования нот и аккордов; репозиторий также содержит детектор нотных станов YOLOv11 для обработки целых страниц. В основе лежит Sheet Music Transformer: энкодер ConvNeXt и декодер Transformer. Модель smt-grandstaff дообучена на наборах JAZZMUS с рукописными и синтетическими примерами. Веса доступны в формате safetensors, лицензия — MIT. Распознавание аккордов сложнее распознавания мелодии, и часть ошибок связана с аккордовыми символами. Модель может пропускать альтерации, подразумеваемые тональностью; качество также может снижаться на стилях нотной записи, не представленных в обучающих данных, например на печатных коммерческих лид-листах и музыке других жанров.

Kainoverse-7b-v0.1 — объединённая языковая модель, созданная kainatq с помощью mergekit и метода SLERP на основе ResplendentAI/DaturaCookie_7B и kainatq/kainaticulous-rp-7b-v0.2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она предназначена для генерации текста и ролевых диалогов, включая материалы для взрослых. Репозиторий содержит веса в формате safetensors, а для модели также опубликованы варианты GGUF. Модель подходит для интерактивного текстового общения и продолжения заданного текста. Метаданные помечают её как NSFW и не предназначенную для всех аудиторий. Лицензия — Apache-2.0; README не приводит сведений о поддерживаемых естественных языках или результатах оценивания качества.

KomdigiITS-3B-PADClassification-Merged — мультимодальная модель семейства Mistral3, разработанная aitf-komdigi для классификации категорий возрастного рейтинга контента в социальных сетях. Она принимает текст и изображения с текстовыми запросами и выдаёт текстовый ответ с категорией: 7+, 13+, 15+, 18+, «для всех возрастов», «запрещённый контент» или «без рейтинга». Модель дообучена на основе aitf-komdigi/KomdigiITS-3B-PAD-CPT с использованием LoRA (ранг 16, alpha 32); репозиторий содержит объединённую версию весов в формате safetensors. В обучающих данных также заявлены извлечение ключевых слов и мультимодальная классификация возрастного рейтинга. Для обучения использовались 54 003 примера, для проверки — 6 754, для тестирования — 6 749; максимальная длина последовательности указана как 2048 токенов. Карточка указывает индонезийский язык. Модель предназначена для автоматической модерации и предварительной маркировки публикаций по возрастным категориям. Карточка не описывает лицензию и не приводит количественных оценок качества, поэтому условия распространения и точность на новых типах контента следует проверять отдельно.

Casual-Autopsy/L3-Uncen-Merger-Omelette-RP-v0.1.1-8B — англоязычная текстовая модель на архитектуре Llama с 7,5 млрд параметров, предназначенная для генерации текста, ролевых диалогов и написания историй. Модель создана как слияние нескольких языковых моделей с помощью mergekit; в рецепте использованы Dare Ties, SLERP и Task Arithmetic. Среди включённых моделей — Stheno, Umbral Mind RP, Synthia, Nymeria, Hathor и другие. Модель поддерживает чат и рассчитана на контекст до 8192 токенов. Карточка описывает её как модель с высокой творческой вариативностью и помечает как uncensored и NSFW. Разработчик сообщает, что предыдущую версию рецепта пришлось обновить до Stheno v3.2 из-за проблем с моделью. Модель распространяется по лицензии Llama 3. README не уточняет конкретные ограничения по применению и оценку качества; метка NSFW означает, что она может генерировать контент для взрослых.

Elfrino/LiquidCrystal_V3-20B — текстовая языковая модель, созданная Elfrino слиянием методом SLERP двух предварительно обученных моделей: Undi95/PsyMedRP-v1-20B и Elfrino/XwinXtended-20B. Она предназначена для генерации текста, в том числе для психологических, медицинских и ролевых сценариев, на что указывает одна из объединённых моделей и описание базовой модели в каталоге. Модель построена на архитектуре LlamaForCausalLM, содержит 19,8 млрд параметров и имеет контекст до 4096 токенов. Доступна в формате safetensors для библиотеки Transformers. README сообщает, что первые результаты выглядят многообещающе, но модель требует дополнительного тестирования; подтверждённых показателей качества или перечня поддерживаемых языков в доступных данных нет. Лицензия не указана в предоставленных данных.

Undi95/Llama-3-Unholy-8B-e4 — диалоговая модель генерации текста, созданная Undi95 как менее ограниченная версия Meta-Llama-3-8B-Instruct. Это четвёртая эпоха дообучения из четырёх; в обучении использованы наборы toxic-dpo-v0.1 и ToxicQAFinal. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров, распространяется в формате PyTorch fp16 и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов с меньшим числом ограничений, чем у исходной instruct-модели. Карточка указывает на возможность контента для взрослых и предупреждает об использовании на собственный риск. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование.

LSNet-T — компактная модель компьютерного зрения из семейства LSNet, разработанного Ao Wang, Hui Chen, Zijia Lin, Jungong Han и Guiguang Ding. Это официальная реализация на PyTorch, опубликованная для работы CVPR 2025. Модель обучена на ImageNet-1K и предназначена прежде всего для классификации изображений. Архитектура LSNet основана на свёртках LS (Large-Small): большие ядра собирают информацию из широкого контекста, а малые агрегируют признаки. Вариант LSNet-T содержит 11,4 млн параметров и требует около 0,3 млрд FLOPs согласно README; авторы сообщают компромисс между точностью и вычислительной эффективностью. Репозиторий также описывает применение семейства LSNet в обнаружении объектов, сегментации экземпляров и семантической сегментации. Модель принимает изображения и выдаёт классовые предсказания. Карточка не сообщает поддержку языков, а описанная обучающая выборка — ImageNet-1K. Лицензия репозитория — MIT. Результаты скорости в README измерены на Nvidia RTX 3090, поэтому их нельзя напрямую переносить на другое оборудование; приведённые метрики относятся к ImageNet-1K.

Infracelestial-27B-GGUF — это квантизированная версия текстовой генеративной модели Infracelestial-27B, разработанной Mawdistical-S1 и подготовленной в формате GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста, чат-взаимодействия и ролевых сценариев, включая темы furry, anthro, NSFW и explicit; также заявлена применимость для SFW-сценариев. Указан английский язык. Модель содержит 27 миллиардов параметров, однако сведения об архитектуре, размере контекста и поддерживаемых модальностях в карточке не приведены. Доступны варианты от BF16 и Q8_0 до более компактных Q3- и IQ-квантизаций размером примерно от 15 до 29 ГБ, а также BF16-файл объёмом около 53,81 ГБ. Более качественные варианты требуют больше оперативной памяти, тогда как компактные подходят для систем с ограниченными ресурсами, но могут заметно уступать по качеству. Модель совместима с llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI, LoLLMs и другими инструментами, поддерживающими GGUF. Для работы рекомендуется использовать указанный формат prompt с разделителями ролей и началом блока рассуждений assistant. Лицензия обозначена как other, но подробные условия использования в README не указаны.

MobileViT-XS — компактная модель классификации изображений, разработанная Sachin Mehta и Mohammad Rastegari и впервые опубликованная в репозитории Apple. Архитектура сочетает свёрточные блоки в стиле MobileNetV2 с блоками Transformer, которые обрабатывают глобальные связи между участками изображения. В модели около 2,3 млн параметров; она предобучена на ImageNet-1k с изображениями размером 256×256. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet и подходит для сценариев, где важны небольшой размер и низкая задержка, включая мобильные приложения. Для MobileViT-XS указана точность top-1 74,8% и top-5 92,3% на ImageNet. При использовании следует учитывать требования к подготовке изображения: входные пиксели в порядке BGR, нормализация в диапазон [0, 1], изменение размера и центральное кадрирование. Лицензия — Apple Sample Code License.

MV-Adapter — набор адаптеров, разработанный авторами проекта MV-Adapter, который расширяет модели генерации изображений по тексту, включая Stable Diffusion 2.1 и SDXL, генерацией согласованных изображений с нескольких ракурсов. Он предназначен для создания многоракурсных изображений объектов по текстовому описанию или исходному изображению, а также для генерации текстур с геометрическими условиями. Модель поддерживает изображения размером 768×768, произвольный выбор ракурсов и совместную работу с персонализированными моделями, LCM и ControlNet. Полученные виды можно использовать для последующей реконструкции 3D-объекта. Весовые файлы представлены в формате safetensors; для использования требуется соответствующая базовая модель и код проекта. Лицензия — Apache-2.0.

NeuralPivot-Mistral-13B — текстовая генеративная модель на архитектуре Mistral с 13,2 млрд параметров и контекстом до 8192 токенов. Репозиторий описывает её как объединение частей моделей PiVoT-0.1-Starling-LM-RP и Intel/neural-chat-7b-v3-1 методом passthrough; веса представлены в safetensors и bfloat16. Модель предназначена для генерации текста, в том числе художественных эротических текстов, как показано в карточке. Карточка не описывает подробные сценарии, качество или языковую поддержку; метаданные указывают английский язык. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение.

Noromaid-7b-v0.1.1 — языковая модель для генерации текста, созданная IkariDev и Undi. Это полноразмерное дообучение Mistral 7B Base версии 0.1; репозиторий содержит веса в FP16 формате Safetensors. Модель рассчитана на ролевые диалоги, эротические ролевые сценарии и обычную генерацию текста. Для общения можно использовать пользовательский формат промптов модели или шаблон Alpaca. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. При дообучении использовались наборы no_robots и Aesir Private RP. Авторы обозначают эту версию как тестовую и предупреждают, что не всё может работать; рекомендованные настройки генерации ещё не определены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Noromaid-7b-v0.2 — языковая модель для генерации текста, совместно разработанная IkariDev и Undi. Это полноразмерное дообучение Mistral-7B на основе Mistral 7B v0.1; в карточке указаны архитектура Mistral с плотной сетью, 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса PyTorch в FP16, а для общения можно использовать пользовательский шаблон Noromaid или формат Alpaca. Модель предназначена для ролевых диалогов, эротических ролевых сценариев и генерации текста общего назначения. В обучении использованы набор no_robots и частные наборы Aesir для RP; авторы сообщают об обучении в течение двух эпох и называют эту версию тестовой, поэтому качество и рекомендуемые настройки генерации не гарантированы. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без дополнительных разрешений.

PartCrafter — модель генерации трёхмерных объектов по одному RGB-изображению. Репозиторий wgsxm содержит предобученные веса для генерации на уровне целого объекта; модель разрабатывает структурированные 3D-сетки, совместно формируя несколько частей за один проход. Она основана на композиционных латентных диффузионных трансформерах и использует rectified flow, работает через PartCrafterPipeline библиотеки Diffusers и распространяется в формате safetensors. Модель предназначена для преобразования изображения объекта в 3D-представление, например для создания исходных моделей из референсных изображений. Лицензия репозитория — MIT. В README не приведены сведения о размере модели, контексте и поддержке нескольких ракурсов; описание указывает на вход одного RGB-изображения. Качество результата может зависеть от содержимого и ракурса исходного изображения, а сама карточка отсылает за подробностями использования к официальному репозиторию.

Модель marysanford/policlim — классификатор текста, разработанный для выявления значимости темы изменения климата в политических текстах. Она дообучена на базе XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Для обучения использованы 3 434 вручную размеченных квазипредложения из политических манифестов. Модель предназначена для классификации высказываний в манифестах и политических документах по тому, насколько заметно в них представлена тема изменения климата. В README сообщается о F1 0,935 и точности 0,957 на валидации. Многоязычная основа XLM-RoBERTa не подтверждает автоматически, что этот классификатор одинаково хорошо работает на всех языках: обучение описано на корпусе политических манифестов, но конкретные языки и переносимость на другие жанры не перечислены. Лицензия модели в предоставленных данных не указана.