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

Это модель автоматического распознавания речи на языке эве, созданная как адаптер на основе facebook/mms-1b-all и дообученная на чтениях Библии из набора BibleTTS. Она использует архитектуру wav2vec2 с классификационной CTC-головой и принимает аудио, выдавая текст. В обучении участвовало около 2,2 млн параметров из 965 млн параметров базовой модели; общий размер модели в метаданных указан как 1,3 млрд параметров. Модель предназначена прежде всего для транскрибирования чтений библейского текста на эве. На 66 тестовых фрагментах из того же типа данных получены WER 6,9% и CER 1,2% после нормализации, исключающей знаки пунктуации и тоновые диакритические знаки. На спонтанной речи из набора WAXAL WER составляет 50,4%; преимущество перед исходным адаптером статистически не подтверждено, поэтому модель не следует считать улучшенным распознавателем общей речи на эве. Модель разработал Daniel Dzikunu как часть набора инструментов LIBOG для языков Ганы. Она наследует лицензию CC BY-NC 4.0, запрещающую коммерческое использование; в карточке также отмечена лицензионная несовместимость этой лицензии с CC BY-SA 4.0 обучающих данных BibleTTS.

LucasLeee/mt5-small-finetuned-amazon-reviews-en-es — дообученная LucasLeee модель Google mT5-small для суммаризации отзывов о книгах на английском и испанском языках. Она основана на архитектуре MT5ForConditionalGeneration и содержит около 157,4 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для получения краткого пересказа отзыва о книге, в том числе в сценариях обработки отзывов Amazon. Модель обучалась на небольшой выборке отзывов, поэтому качество и обобщение на другие темы или типы текстов могут быть ограничены. Лицензия в предоставленных данных не указана.

NSFW-FFS-w-hidden-Deepseek-Distill-NSFW — слитая языковая модель, созданная сообществом mergekit-community методом SLERP из mergekit-community/nsfw_merge_test_vFFS и mergekit-community/Deepseek-R1-Distill-NSFW-RPv1. Это плотная архитектура Llama с 7,5 млрд параметров, предназначенная для генерации текста и разговорных сценариев; заявленная длина контекста — 131072 токена. Модель может использоваться для ролевых диалогов и создания длинных повествовательных текстов, включая контент для взрослой аудитории. В репозитории представлены веса Safetensors для библиотеки Transformers. Модель помечена как не подходящая для всех аудиторий. Языки, на которых она была обучена или проверена, в доступных данных не обозначены. Условия лицензии в предоставленной карточке не приведены.

Это объединённая языковая модель семейства Llama, созданная сообществом mergekit-community методом Model Stock с помощью mergekit. В основу объединения вошли grimjim/Llama-3-Instruct-abliteration-LoRA-8B и несколько моделей сообщества, включая ohnoes_now_nsfw и sexeh_time_testing. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 131 072 токена. Модель предназначена для генерации текста и диалогов, в том числе историй и контента на чувствительные темы. Карточка помечает её как не предназначенную для всех аудиторий. Основной язык — английский; сведения о других поддерживаемых языках не приведены. Данных о лицензии в предоставленных источниках нет.

Pantheon-RP-1.6-12b-Nemo-KTO-GGUF — это квантизированная GGUF-версия текстовой генеративной модели Pantheon-RP-1.6-12b-Nemo-KTO, разработанной Gryphe и подготовленной квантизатором bartowski. Модель предназначена для диалогового общения и ролевых сценариев, а также для локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Указанный язык модели — английский; поддерживается формат промптов ChatML. Модель содержит около 12 миллиардов параметров и поставляется в различных вариантах точности, включая F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации. Размер файлов варьируется примерно от 5,72 до 24,50 ГБ, что позволяет выбирать между качеством генерации и требованиями к памяти. Варианты Q6_K_L и Q6_K отмечены как близкие к исходному качеству, а Q4_K_M рекомендован как сбалансированный вариант; некоторые форматы оптимизированы для ARM- и CPU-инференса. Сильными сторонами модели являются специализация на roleplay, широкий выбор квантизаций и возможность локального использования на совместимом оборудовании. Ограничения включают ориентацию на английский язык, зависимость качества и требований к памяти от выбранной квантизации, а также отсутствие в представленном README данных о максимальном контексте, конкретной архитектуре и мультимодальных возможностях. Модель распространяется по лицензии Apache-2.0.

tarekziade/pardonmyai-tiny — компактная модель классификации текста, дообученная на базе TinyBERT для обнаружения ненормативной лексики. Она предназначена для фильтрации сообщений и предварительной модерации пользовательского текста. Модель использует архитектуру BERT и содержит 15,6 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса в форматах Safetensors и ONNX. В README приведены метрики оценки: accuracy 0,9633, precision 0,9378, recall 0,8746, F1 0,9051 и AUC-ROC 0,9892. Модель выпущена под лицензией Apache-2.0. Карточка описывает обнаружение ненормативной лексики, но не уточняет поддерживаемые языки; качество может зависеть от языка, контекста и принятого определения ненормативной лексики.

Карточка модели piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v1 на Hugging Face совпадает с карточкой piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v3, поэтому описание составлено по ней. piyawudk/PhishMe-12k-Qwen3.5-4B-P1-CDFT-v3 — дообученная piyawudk мультимодальная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration на 4 млрд параметров, основанная на Qwen/Qwen3.5-4B. Она предназначена для диалогового взаимодействия и обработки изображений с текстом. В карточке указано, что обучение выполнялось с Unsloth; модель опубликована в формате Safetensors. Модель принимает текст и изображения и выдаёт текст. Поддерживаемый карточкой язык — английский. Лицензия Apache-2.0. README не уточняет специализацию названия PhishMe, данные обучения или конкретные показатели качества, поэтому пригодность для обнаружения фишинга по имеющимся сведениям подтвердить нельзя.

Карточка модели CompassioninMachineLearning/Qwen-3-8b-intermediate-epoch-3-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-3, поэтому описание составлено по ней. BrandonHowe выпустил самостоятельную модель Qwen3-8B, дообученную на корпусе городских текстов CompassioninMachineLearning/urban_12738_cleaned. Это плотная авторегрессионная языковая модель с 7,6 млрд параметров для генерации текста; метаданные также отмечают поддержку диалогового интерфейса и интерфейса вызова инструментов. Модель построена на Qwen/Qwen3-8B-Base и рассчитана на контекст до 32 768 токенов. Обучение продолжалось до третьей эпохи, шага 1134, на 10 072 уникальных документах с повторными предъявлениями и 200 отдельных документах для валидации. Модель сохранена в BF16 в формате safetensors как объединённый чекпойнт, для загрузки адаптер не требуется. Карточка не приводит оценок качества и подчёркивает, что обучение само по себе не доказывает улучшение способности к состраданию. Лицензия в предоставленных данных не указана.

IlyaGusev/rubertconv_toxic_clf — русскоязычная модель классификации текста, разработанная на основе rubert-base-cased-conversational. Она предназначена для выявления токсичных высказываний в пользовательских сообщениях и диалогах. Модель построена на архитектуре BERT с классификационной головой, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. При обучении использовались данные 2ch, Одноклассников, Toloka Persona Chat Rus и набор диалогов Козиева с токсичной лексикой; применялись аугментации текста, включая добавление опечаток, маскирование токсичных слов и изменение регистра. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

Это неофициальная конвертированная в формат MLX копия весов SAM 3D Body от Meta, подготовленная mlx-community для запуска через mlx-vlm на Apple Silicon. Модель принимает изображение человека и рамку с его расположением и восстанавливает полнотелую 3D-модель: сетку тела с 18 439 вершинами, 127 суставами и 70 ключевыми точками. В основе лежит архитектура sam3d_body с backbone DINOv3-H+. Чекпойнт содержит 1 203 тензора общим объёмом 2,80 ГБ. Основная часть весов DINOv3-H+ хранится в bfloat16, остальные компоненты — преимущественно в float32; это не квантизованная модель. Репозиторий содержит только веса и метаданные, а код инференса находится в mlx-vlm. Лицензия указана как other; условия исходной модели следует уточнять в карточке Meta. Результаты инференса mlx-vlm могут отличаться от эталонной реализации Meta из-за различий в предобработке изображения и отдельных компонентах декодера и геометрических условий. README также отмечает ограничения загрузки этого чекпойнта через некоторые интерфейсы mlx-vlm.

SanadAI-AraModernBERT-IslamicNER — модель Abir Korched для распознавания именованных сущностей и выделения смысловых фрагментов в арабских исламских текстах. Она дообучена на базе NAMAA-Space/AraModernBert-Base-V1.0 и использует архитектуру ModernBERT с классификацией токенов; размер модели — 148,9 млн параметров, контекст — до 8 192 токенов. Модель выделяет аяты Корана, текст матна хадиса и цепочки иснада. Для сегментов иснада в README не приведено отдельной метки.

Sapiens Seg-1B TorchScript — модель компьютерного зрения, разработанная Meta для сегментации человеческих изображений. Она предназначена для попиксельного выделения 28 классов частей тела и может применяться в задачах human-centric vision, включая анализ людей на изображениях в естественных условиях. Модель рассчитана на обобщение при дефиците размеченных данных или использовании синтетических данных. Модель построена на архитектуре Vision Transformer и предварительно обучена на 300 миллионах изображений людей с разрешением 1024 × 1024. Она поддерживает инференс высокого разрешения 1K; указанное входное разрешение модели составляет 1024 × 768. Модель содержит около 1,169 млрд параметров, 40 слоёв, 24 attention heads, размерность эмбеддингов 1536, размерность feedforward-слоёв 6144 и patch size 16 × 16. Вычислительная сложность составляет 4,647 TFLOPs. Формат поставки — TorchScript. К сильным сторонам относятся высокое разрешение обработки, специализация на анализе человеческого тела и хорошая обобщающая способность на данных «из реального мира». Ограничения включают узкую предметную область, высокие вычислительные требования и отсутствие поддержки других модальностей или задач, не связанных с сегментацией изображений людей. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.

ShapeR — модель для метрической реконструкции 3D-форм объектов по последовательности изображений. Она использует потоковую трансформерную архитектуру, которая работает с латентными представлениями VecSet и объединяет изображения, разреженные метрические точки SLAM, позы камер и текстовые описания. Полученный код формы декодируется в сетку объекта; применение модели к каждому обнаруженному объекту позволяет собрать реконструкцию сцены. Для запуска требуется заранее подготовить данные через конвейер Aria MPS и детектор экземпляров объектов. Доступны режимы с разным компромиссом между скоростью и качеством; результат сохраняется как 3D-сетка GLB и визуализация сравнения. Модель опубликована Meta под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Silicon-Alice-7B — дообученная модель на базе Silicon-Masha-7B, разработанная автором репозитория LakoMoor. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 8192 токенов. Она предназначена для ролевых диалогов, общения от лица персонажей и генерации текста общего назначения; автор отмечает хорошее следование описаниям персонажей и улучшенное понимание русского языка. Поддерживаются русский и английский языки. Модель рассчитана в том числе на ERP-сценарии и помечена как NSFW. В README рекомендован шаблон Noromaid для SillyTavern, но предлагается пробовать и другие шаблоны. Модель распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

TheSpice-7b-FT-v0.3.1-imatrix-GGUF — набор GGUF-квантизаций модели TheSpice-7b-FT-v0.3.1, опубликованный duyntnet на основе исходной модели cgato. Это текстовая генеративная модель с примерно 7 миллиардами параметров, ориентированная прежде всего на диалоговые сценарии и ролевое взаимодействие. В обучении исходной модели использовались датасеты Dolphin, Ultrachat, Capybara, Augmental, ToxicQA, Yahoo Answers, Airoboros 3.1 и LimaRP; заявлен английский язык. Модель предназначена для локального запуска через llama.cpp, JanAI, KoboldCPP, text-generation-webui или Ollama. Она поддерживает повествование и описание объектов или персонажей в сцене, часто не продвигая сюжет без соответствующего запроса. Рекомендуемый формат взаимодействия — шаблоны Chat, включая стандартный шаблон Ooba и шаблон SillyTavern. Размер, качество и требования к памяти зависят от выбранного варианта квантизации. В репозитории представлены обычные и экспериментальные варианты. Квантизации с суффиксом _X используют Q8_0 для весов токенных эмбеддингов, а для Q6_K и Q8_0 — F16; это увеличивает размер файлов и теоретически может улучшать качество. Ограничения включают незавершённую очистку обучающих данных, неизвестные параметры контекстного окна и отсутствие подтверждённых количественных оценок качества. Лицензия указана как other, без дополнительных условий в README.

Это модель семантической сегментации изображений семейства U-Net++, опубликованная в формате safetensors и предназначенная для использования с библиотекой segmentation-models-pytorch. По названию репозитория можно предположить, что в качестве энкодера используется TU-ResNet18, однако README не раскрывает параметры и метрики модели. Модель принимает изображения и выдаёт разметку по пикселям. README не сообщает, на каком наборе данных модель обучена, поэтому её точность и пригодность для конкретных изображений по карточке оценить нельзя. Лицензия модели — MIT.

openmmlab/upernet-convnext-large — модель семантической сегментации изображений на основе UperNet с крупным ConvNeXt-бэкбоном. Архитектура UperNet объединяет визуальный бэкбон, Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя. Модель предназначена для разметки областей на изображениях и анализа сцен. Её можно использовать для семантической сегментации; для конкретных наборов классов доступны дообученные версии. Карточка ссылается на работы Unified Perceptual Parsing for Scene Understanding и A ConvNet for the 2020s. Репозиторий содержит веса PyTorch и опубликован под лицензией MIT.

openmmlab/upernet-convnext-small — модель сегментации изображений на основе архитектуры UperNet с энкодером ConvNeXt Small. UperNet объединяет backbone, Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя изображения. Модель предназначена для семантической сегментации сцен и других изображений. Её можно использовать как готовую модель сегментации или как основу для настройки под конкретные наборы классов и сценарии компьютерного зрения. В карточке указаны библиотека Transformers и формат PyTorch; модель опубликована OpenMMLab под лицензией MIT. Карточка не сообщает размер набора классов, обучающие данные и численные показатели качества, поэтому пригодность для конкретного домена следует проверять отдельно. Модель принимает изображения и выдаёт пиксельную разметку; языковая обработка не является её задачей.

openmmlab/upernet-swin-small — модель семантической сегментации изображений на основе архитектуры UperNet с небольшим Swin Transformer в роли визуального backbone. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя изображения. Модель предназначена для разметки содержимого сцен и семантической сегментации изображений. В карточке описано применение исходной модели; для конкретных наборов классов и специализированных сценариев можно использовать дообученные версии. Репозиторий содержит веса PyTorch и SafeTensors, лицензия — MIT. Ограничение карточки: опубликована общая модельная карточка без сведений о конкретном наборе данных или перечне классов.

Wanabi-Novelist-12B-i1-GGUF — это квантизированная GGUF-версия модели Wanabi-Novelist-12B, разработанной kawaimasa и подготовленной квантизатором mradermacher. Модель ориентирована на генерацию текста на японском языке, прежде всего на написание романов и другие сценарии художественного text generation. В метаданных также указана архитектурная принадлежность к семейству Mistral, однако подробности архитектуры базовой модели не приведены. Доступны варианты с разными уровнями квантизации — от IQ1 и Q2 до Q6, с размером файлов примерно от 3,1 до 10,2 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует i1-Q4_K_M как быстрый вариант и называет i1-Q4_K_S оптимальным по соотношению размера, скорости и качества. Модель предназначена для локального запуска средствами, поддерживающими формат GGUF. Сведения о размере контекста, мультимодальности и поддерживаемых языках, кроме японского, отсутствуют. Лицензия — Apache-2.0.

Whisper-Taiwanese-model-v0.5 — модель распознавания речи, разработанная Национальным университетом Тайнаня и дообученная на базе openai/whisper-large-v3-turbo для распознавания тайваньского хоккиена (тайваньского миньнаньского языка), в частности речи по материалам школьных учебников. Проект выполнялся в сотрудничестве с издательством 真平 и Национальным центром высокопроизводительных вычислений Тайваня в рамках образовательной инициативы TAIDE. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Для дообучения использовали собственные данные и материалы словаря распространённых тайваньских слов Министерства образования Тайваня; в README указан объём примерно 90 часов аудио. Ожидаемый вход — монофоническая WAV-запись с частотой 16 кГц, выход — текстовая расшифровка речи. Репозиторий опубликован в формате safetensors, для работы указана библиотека Transformers. Модель предназначена для распознавания тайваньского хоккиена, особенно учебной речи и материалов, связанных со школьными учебниками. Метаданные также отмечают английский и китайский языковые коды, однако README описывает специализацию именно на тайваньском хоккиене, поэтому её качество для других языков не подтверждено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

WorldReward-qwen35-9b — дообученная мультимодальная модель оценки от команды WorldReward на базе Qwen/Qwen3.5-9B. Она сравнивает два видео, учитывая исходное изображение сцены, текстовое описание и последовательность действий с управлением камерой, и помогает определить, какое видео лучше соответствует заданным условиям по действиям, внешнему виду и движению. Пример запуска предполагает подачу изображения, двух видео, подписи сцены и списка действий; заявленная оценка на WorldReward-Bench показывает согласие с человеческими метками в трёх категориях сравнения. Модель построена на плотной архитектуре Qwen3.5 с 9 млрд параметров и использует Transformers и формат safetensors. Карточка указывает визуальные и диалоговые возможности, но не сообщает поддерживаемые языки или длину контекста. Лицензия — Apache-2.0. README не содержит ссылок на статью, проектную страницу или код, поэтому сведения о методике обучения и воспроизводимости ограничены.

akhooli/xlm-r-large-arabic-toxic — модель классификации текста, разработанная на основе XLM-RoBERTa-Large и дообученная для выявления токсичных и оскорбительных высказываний в комментариях на арабском языке. Она относит текст к одному из двух классов: нетоксичный или токсичный. Модель предназначена для модерации комментариев и первичной фильтрации потенциально токсичных сообщений. В README также заявлена возможность классификации без дополнительного обучения для других языков и смешанных арабско-английских текстов. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель распространяется в формате PyTorch по лицензии MIT. Качество классификации для языков помимо арабского и смешанных текстов отдельно не охарактеризовано; результаты следует проверять на целевых данных.

yacis-electra-small-japanese-cyberbullying — модель ELECTRA Small, дообученная для автоматического обнаружения кибербуллинга в японском тексте. Базовая модель предварительно обучена на корпусе японских блогов YACIS объёмом 5,6 млрд слов, а затем дообучена на сбалансированном наборе комментариев с вредоносным содержанием и примеров японского кибербуллинга из BBS и Twitter. Модель использует архитектуру ELECTRA для классификации последовательностей, содержит 20,8 млн параметров и принимает текст длиной до 512 токенов. Она предназначена для фильтрации и анализа японских комментариев и публикаций. Репозиторий распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

tum-nlp/bert-hateXplain — модель классификации текста на основе BERT, разработанная командой tum-nlp. Она дообучена на наборе HateXplain и предназначена для определения токсичного и нетоксичного текста. Модель содержит 12 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. В README указаны F1 0,81 и точность 0,77. Модель подходит для автоматической модерации и предварительной сортировки пользовательских сообщений. Оценки качества приведены без описания протокола и набора проверки, поэтому их переносимость на другие данные не установлена. Карточка не сообщает лицензию.

JungleLee/bert-toxic-comment-classification — модель на базе BERT, дообученная для классификации токсичных комментариев. Она предназначена для анализа англоязычного текста и может использоваться для выявления токсичности в комментариях и пользовательских сообщениях. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для обучения использовали 90% данных train.csv из соревнования Kaggle; на отложенной выборке из 1500 строк автор сообщает результат 0,95 AUC. Модель распространяется в формате PyTorch по лицензии AFL-3.0. Карточка не уточняет набор категорий токсичности и метрики качества для отдельных категорий.

BigVGAN — нейронный вокодер, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Репозиторий nvidia/bigvgan_22khz_80band содержит предобученный вариант для преобразования мел-спектрограммы в звуковую волну с частотой дискретизации 22 кГц и 80 мел-полосами. Модель предназначена для синтеза аудио по мел-спектрограмме, например как компонент системы синтеза речи. В BigVGAN-v2 используются генераторная архитектура вокодера и методы обучения на разнообразных аудиоданных; для ускорения инференса доступно CUDA-ядро. README также описывает варианты BigVGAN с другими частотами дискретизации и конфигурациями, но их характеристики не следует переносить на этот чекпойнт. Для ускоренного CUDA-инференса требуются CUDA, nvcc и ninja; в README указана проверка с CUDA 12.1. Репозиторий распространяется по лицензии MIT.

EoMT (Encoder-only Mask Transformer) — архитектура сегментации изображений на основе Vision Transformer, представленная авторами работы «Your ViT is Secretly an Image Segmentation Model» на CVPR 2025. Репозиторий tue-mps/coco_panoptic_eomt_large_1280 содержит вариант EoMT для паноптической сегментации, построенный на архитектуре EoMT и включающий около 402,7 млн параметров. Модель предназначена для сегментации изображений: она может выделять области и объекты, а архитектура EoMT поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой. Модель принимает изображения и выдаёт сегментационные маски и классы; для запуска доступны веса PyTorch в формате safetensors и библиотека Transformers. Модель распространяется по лицензии MIT. README не приводит измерений качества или подробностей об ограничениях конкретного чекпойнта, поэтому его точность на прикладных данных следует проверять отдельно.

gokceuludogan/convbert-base-turkish-mc4-toxicity-uncased — классификатор токсичности турецких комментариев на базе ConvBERT. Веса инициализированы из dbmdz/convbert-base-turkish-mc4-uncased; модель дообучена на турецких комментариях из набора Jigsaw Multilingual Toxic Comment Classification. Она относит текст к классу Toxic или Neutral и предназначена для автоматической модерации комментариев и выявления токсичных высказываний. Модель использует ConvBERT для классификации последовательностей, принимает текст и выдаёт метку класса. Размер — 137,8 млн параметров, контекст — до 512 токенов. Поддерживаемый язык — турецкий. Репозиторий содержит веса PyTorch и распространяется по лицензии BSD.

CryptoBERT — англоязычная модель семейства RoBERTa, опубликованная mathugo и дообученная на новостях о криптовалютах. Она предназначена для анализа криптоновостей и понимания специализированной терминологии. В метаданных указаны архитектура RobertaForMaskedLM, 18,6 млн параметров и контекст до 712 токенов; основной тег задачи — fill-mask. В README заявлены анализ тональности новостных статей и распознавание именованных сущностей, включая названия криптовалют, организации и публичных лиц. Для этих сценариев карточка не приводит отдельных pipeline-тегов или сведений о конкретных оценках качества. Модель распространяется по лицензии Apache-2.0.