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

Inception-ResNet-v2 — модель классификации изображений на 1000 классов ImageNet-1k. Версия с ансамблевым обучением против состязательных атак создана авторами соответствующей работы и перенесена из TensorFlow в PyTorch Россом Уайтманом; в репозитории доступны веса PyTorch и safetensors. Модель содержит около 55,8 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель подходит для классификации изображений, извлечения признаковых карт и получения визуальных эмбеддингов. Её можно использовать как основу для анализа изображений общего назначения и экспериментов с устойчивостью к состязательным воздействиям. Лицензия репозитория — Apache-2.0. Это специализированная модель компьютерного зрения: она принимает изображения и выдаёт предсказанные классы, признаки или эмбеддинги в зависимости от выбранного режима. Обучение на ImageNet-1k ограничивает область известных классов; карточка не приводит оценок точности или гарантий устойчивости к атакам.

LeViT-128S — модель компьютерного зрения для классификации изображений и извлечения признаков. Она реализована в библиотеке timm и обучена авторами статьи LeViT на ImageNet-1k с дистилляцией. Версия fb_dist использует свёрточный режим на слоях nn.Conv2d и nn.BatchNorm2d. Модель содержит около 7,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,3 GMAC на изображение. Её можно применять для классификации изображений по классам ImageNet-1k и получения визуальных эмбеддингов для дальнейшей обработки. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Качество модели и список классов ограничены настройкой на ImageNet-1k; README не описывает поддержку других размеров изображений или языковых входов.

Mask2Former — модель компьютерного зрения для сегментации изображений, представленная командой, разработавшей Mask2Former, и впервые выпущенная в репозитории проекта. Этот вариант обучен для семантической сегментации на ADE20k; в качестве базовой версии использован Swin backbone, предварительно обученный на IN21k. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former использует многомасштабный декодер пикселей с deformable attention и Transformer-декодер с masked attention. Общая схема Mask2Former рассчитана на семантическую, экземплярную и паноптическую сегментацию; карточка этого чекпойнта указывает применение для паноптической сегментации. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует уточнить в репозитории модели.

Mini Agent 1.7B · Strapi — компактная агентная модель Omneity Labs на архитектуре Qwen3 с 1,7 млрд параметров. Она предназначена для управления Strapi 5 через последовательные вызовы инструмента api_call(method, path, query, body): модель предлагает один вызов, получает его результат и выбирает следующий шаг, а затем формулирует короткий текстовый ответ. Модель независима от Strapi и не является официальным продуктом Strapi. Проверенная область применения охватывает CRUD-операции и связи для коллекций статей, авторов, категорий, товаров и стран. Модель повторно использует documentId между вызовами и читает связи через populate. Поддерживает интерфейс tool calling; заявленный контекст — 40 960 токенов. В карточке указаны английский язык и варианты весов Transformers BF16, GPTQ и GGUF. В опубликованной оценке на пяти тестовых коллекциях модель выполнила 191 из 204 заданий, тогда как базовая Qwen3-1.7B — 21 из 204; результаты относятся только к описанной тестовой конфигурации, а квантизованные варианты не прошли полную проверку. Модель может ошибиться в вызове инструмента или перепутать идентификаторы, поэтому подходит для ограниченных сценариев с известной схемой, а не для непроверенных производственных записей. Не проверены административные и аутентификационные операции, загрузка файлов, одиночные маршруты, управление публикацией и восстановление после ошибок. Лицензия — Apache 2.0.

MobileNet V1 — компактная модель компьютерного зрения, разработанная Andrew G. Howard и соавторами и впервые опубликованная в репозитории TensorFlow Models. Представленная версия предварительно обучена на ImageNet-1k для классификации изображений с разрешением 192×192 пикселя. Модель предназначена для сценариев, где важны небольшие задержки, низкое энергопотребление и ограниченные вычислительные ресурсы, включая мобильные и периферийные устройства. Архитектура MobileNet V1 оптимизирована по компромиссу между точностью, размером и скоростью работы. Версия с коэффициентом ширины 0.75 предсказывает 1001 класс: 1000 классов ImageNet и дополнительный класс background. Основное назначение — классификация изображений; архитектура также может служить основой для обнаружения объектов, построения эмбеддингов и сегментации после соответствующей адаптации или дообучения. В README указана поддержка PyTorch. Данные о языках и максимальном контексте неприменимы к этой модели. Сильные стороны модели — компактность, низкая задержка и пригодность для запуска на устройствах с ограниченными ресурсами. Ограничения включают компромисс между эффективностью и точностью, а также то, что исходная версия предназначена непосредственно для классификации ImageNet и может потребовать дообучения для других доменов и задач. Лицензия указана как other, без дополнительных подробностей.

MobileNet V2 — компактная сверточная модель классификации изображений, разработанная Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov и Liang-Chieh Chen. Этот вариант предварительно обучен на ImageNet-1k и рассчитан на входные изображения размером 160×160 пикселей; множитель глубины модели — 0,75. В репозитории представлены веса PyTorch. Модель предназначена для присвоения изображению одного из 1000 классов ImageNet. Компактность и низкая задержка делают её подходящей для классификации на мобильных устройствах и в сценариях с ограниченными вычислительными ресурсами. MobileNet V2 также может служить основой для дообучения под классификацию, обнаружение объектов, получение эмбеддингов и сегментацию, но эти задачи не являются назначением данного чекпойнта без дополнительной адаптации. В README не приведены отдельные показатели точности для этого варианта. Лицензия указана как «other», поэтому условия использования следует сверить с файлами лицензии репозитория.

MobileNetV4 Conv Medium — модель классификации изображений и извлечения признаков из семейства MobileNetV4. Её обучил Ross Wightman с помощью скриптов timm на ImageNet-1k; параметры обучения основаны на статье MobileNetV4 и дополнены настройками timm. В карточке указано, что официальные веса моделей MobileNetV4 для TensorFlow на момент её создания не были опубликованы. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя при обучении и 256 × 256 при тестировании. Она подходит для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Это компактный вариант семейства MobileNet, ориентированный на сценарии компьютерного зрения, в том числе на мобильных устройствах. Модель распространяется по лицензии Apache-2.0. В карточке приведены результаты сравнения Top-1 и Top-5 для других вариантов MobileNetV4, но не указана метрика качества именно этой версии; её характеристики также не подтверждают поддержку языковых или мультимодальных входов.

Muslim-6B-PRO-GGUF — это квантизированная версия языковой модели Muslim-6B-PRO, разработанной NightPrince и преобразованной в формат GGUF пользователем mradermacher. Модель относится к классу causal language models, имеет около 6 миллиардов параметров и, судя по метаданным, основана на архитектуре Qwen3. Репозиторий содержит варианты с разными уровнями квантизации, а также версию f16. Модель предназначена для генерации текста на арабском и английском языках, прежде всего в исламском тематическом контексте. Среди заявленных сценариев — текстовый чат, создание исламского контента, tool-calling и использование в голосовых ассистентах. Формат GGUF подходит для запуска в совместимых локальных средах, а доступные варианты размером примерно от 2,5 до 12 ГБ позволяют выбирать между экономией памяти, скоростью и качеством. К сильным сторонам относятся специализация на арабском и исламском контексте, поддержка английского языка, несколько вариантов квантизации и возможность локального использования. При этом README не содержит сведений о размере контекстного окна, результатах тестирования, точных архитектурных характеристиках, поддерживаемых аудиомодальностях или фактическом качестве tool-calling и голосового взаимодействия. Квантизированные варианты могут уступать исходной модели по точности; степень компромисса зависит от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0.

TostAI разработала модель классификации изображений на архитектуре FocalNet, дообученную на базе microsoft/focalnet-base для модерации контента. Она принимает изображения размером 512×512 пикселей и относит их к одному из трёх классов: Safe, Questionable или Unsafe. Модель предназначена для предварительной проверки пользовательских изображений в социальных сетях, интернет-магазинах, приложениях знакомств и на платформах обмена контентом. Модель выдаёт метки классов изображений и подходит для фильтрации потенциально неприемлемых материалов с последующей проверкой человеком. В README заявлены точность свыше 95% на тестах обнаружения NSFW и задержка менее 100 мс на стандартном GPU, однако методика оценки не приведена. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое использование.

PoolFormer S24 — модель классификации изображений семейства MetaFormer, опубликованная авторами статьи «MetaFormer Is Actually What You Need for Vision» и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 3,4 GMACs. Репозиторий распространяет веса в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0.

PVT-v2 B2 Li — модель классификации изображений и извлечения визуальных признаков на основе Pyramid Vision Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Модель обучена на ImageNet-1k; содержит около 22,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов, которые можно использовать в компьютерном зрении. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Rom3rk разработал Rom3rk/Qwen3.8-27B-ComfyUI — дообученную плотную мультимодальную модель семейства Qwen3.8 на базе Qwen/Qwen3.8-27B. Она предназначена для работы с JSON-сценариями ComfyUI: модель преобразует текстовые запросы в рабочие процессы, редактирует и исправляет существующие схемы, проверяет их структуру и объясняет связи между узлами. Модель также поддерживает диалоговую помощь по ComfyUI и может возвращать как JSON, так и текстовые ответы. Модель принимает текст и изображения, поддерживает интерфейс вызова инструментов, распространяется в формате Safetensors и доступна по лицензии Apache-2.0. Карточка рекомендует разные настройки генерации для режимов с рассуждением и без него; параметры могут зависеть от среды запуска. Качество и совместимость с конкретными версиями ComfyUI и пользовательскими узлами следует проверять на целевых сценариях.

Yolo26 — семейство моделей обнаружения объектов, разработанное Ultralytics и экспортированное Software Mansion в программы ExecuTorch формата .pte для библиотеки React Native ExecuTorch. Модели предназначены для запуска непосредственно на мобильных устройствах и других поддерживаемых устройствах в приложениях компьютерного зрения, которым требуется находить объекты на изображениях. README не указывает поддерживаемые классы объектов и языки, поскольку модель работает с визуальными данными, а не с текстом. Доступны варианты размеров n, s, m, l и x, а также входных разрешений 384, 512 и 640. Для backend Core ML опубликованы версии с точностью fp16, для XNNPACK — с точностью fp32. Файлы подготовлены для ExecuTorch v1.4.1 и могут использоваться через task pipeline в React Native ExecuTorch либо в собственном runtime ExecuTorch. Сильной стороной является готовность к on-device inference и наличие нескольких вариантов, позволяющих выбирать компромисс между размером модели и вычислительными требованиями. Ограничения включают зависимость от совместимости с ExecuTorch v1.4.1: более старые версии runtime могут не загрузить модели; backend MLX экспортирован, но не опубликован. Репозиторий распространяется по лицензии AGPL-3.0.

RepViT M1.0 с дистилляцией — модель классификации изображений и визуальный бэкбон, разработанный авторами статьи RepViT: Revisiting Mobile CNN From ViT Perspective. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 7,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 1,1 GMAC. Это компактная архитектура для компьютерного зрения, рассчитанная на эффективное использование в сценариях классификации и извлечения признаков. Веса доступны в форматах PyTorch и safetensors. Модель работает с изображениями и выдаёт метки классов; при использовании как визуального бэкбона также может возвращать карты признаков и эмбеддинги. Она обучена на ImageNet-1k, поэтому её классификация ориентирована на категории этого набора данных. Лицензия — Apache-2.0.

ResNet50.gluon_in1k — сверточная модель классификации изображений из библиотеки timm, построенная на архитектуре ResNet с остаточными связями. Её разработала команда timm; модель обучена на ImageNet-1k с использованием Apache Gluon и рецептов Bag of Tricks. Она содержит 25,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации объектов на изображениях и может использоваться как основа для извлечения признаковых карт и получения эмбеддингов изображений. Архитектура использует активации ReLU, свёртку 7 × 7 с пулингом и проекционные связи с свёртками 1 × 1 для уменьшения размерности. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель подходит для распознавания распространённых категорий объектов из ImageNet-1k и как визуальный бэкбон в компьютерном зрении. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий. Качество классификации ограничено категориями и распределением данных ImageNet-1k; в карточке не заявлена оценка для других наборов данных.

resnetaa50d.sw_in12k_ft_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтменом. Это архитектура ResNet-D с подавлением алиасинга (Rectangle-2 Anti-Aliasing): ReLU, стем из трех сверток 3×3 с пулингом и обходные соединения с усредняющим пуллингом 2×2 и сверткой 1×1. Модель содержит 25,6 млн параметров и выполняет 5,4 GMACs. Веса предварительно обучены на ImageNet-12k и дообучены на ImageNet-1k. Модель предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. В рецепте обучения применялись AdamW, отсечение градиентов, усреднение EMA и косинусное расписание скорости обучения с разогревом. Размер изображения при обучении — 224×224, при проверке — 288×288. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Основное ограничение — специализация на классификации изображений; README приводит результаты для ImageNet, которые не гарантируют такую же точность на других наборах данных и типах изображений.

SJTU-CL/RoBERTa-large-ArguGPT — модель классификации текста на базе RoBERTa-large, дообученная на эссе из набора ArguGPT. Она определяет, было ли эссе сгенерировано машиной или написано человеком: метка 1 означает машинный текст, метка 0 — написанный человеком. Модель предназначена для проверки эссе и исследовательского анализа происхождения текста. Модель принимает текст и выдаёт метку класса. Контекст ограничен 514 токенами; в README рекомендуется обрезать эссе до 512 токенов. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT.

Sapiens2-5B-Pose — модель оценки позы человека, разработанная Meta. Это дообученная для распознавания ключевых точек версия предварительно обученной модели Sapiens2-5B на основе Vision Transformer; в метаданных указано 5,3 млрд параметров. Модель предсказывает 308 точек тела, включая 274 точки лица, а также точки кистей и стоп, в формате Sociopticon. Модель предназначена для анализа изображений с людьми и исследовательских задач в области человекоцентричного компьютерного зрения. Она использует top-down подход: перед оценкой позы ей нужны ограничивающие рамки людей, например полученные детектором RTMDet. Весовые файлы представлены в формате safetensors. Используется лицензия Sapiens2 License; её условия следует проверить перед применением.

timm/starnet_s2.in1k — модель StarNet для классификации изображений, обученная авторами архитектуры на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует около 0,5 GMACs вычислений и рассчитана на изображения размером 224 × 224 пикселя. Она доступна в формате PyTorch с весами Safetensors и используется через библиотеку timm. Подходит для классификации изображений и получения визуальных признаков в компьютерном зрении, особенно когда важны компактный размер и низкая вычислительная стоимость. Языковой ввод не поддерживает. Лицензия — Apache-2.0.

timm/tresnet_xl.miil_in1k — модель классификации изображений TResNet XL, обученная авторами архитектуры на ImageNet-1k. Репозиторий timm содержит веса, преобразованные из оригинальных для работы со стандартным BatchNorm вместо InplaceABN; доступны форматы PyTorch и safetensors, лицензия Apache-2.0. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В ней 78,4 млн параметров; указанный размер входного изображения — 224 × 224 пикселя. Это модель компьютерного зрения без текстового интерфейса.

WinKawaks/vit-tiny-patch16-224 — компактная модель для классификации изображений на основе Vision Transformer (ViT). Автор сообщает, что веса преобразованы из репозитория timm, поскольку Google не публиковала контрольные точки ViT-Tiny и ViT-Small на Hugging Face. Модель содержит 7,1 млн параметров и обучена на ImageNet. Модель принимает изображение и предсказывает класс объекта. Её можно применять для классификации изображений в приложениях компьютерного зрения, где важен небольшой размер модели. Репозиторий содержит веса PyTorch и SafeTensors; для загрузки варианта SafeTensors требуется PyTorch 2.0 или новее. Лицензия — Apache-2.0.

timm/wide_resnet50_2.racm_in1k — модель классификации изображений на основе Wide ResNet-50-2, опубликованная в библиотеке timm. Она обучена на ImageNet-1k с рецептом RACM из работы ResNet Strikes Back. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и свёртки 1×1 для проекций в остаточных связях. Модель содержит 68,9 млн параметров; в карточке указаны размеры изображения 224×224 при обучении и 288×288 при тестировании. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Для обучения применялись RandAugment, оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения применения; качество и применимость к изображениям вне распределения ImageNet-1k могут отличаться.

vinai/bertweet-covid19-base-cased — англоязычная языковая модель для текстов Twitter, разработанная Dat Quoc Nguyen, Thanh Vu и Anh Tuan Nguyen. Это модель на архитектуре RoBERTa, предварительно обученная на 850 млн англоязычных твитов, включая 5 млн твитов о пандемии COVID-19. Веса содержат около 162,4 млн параметров, контекст — до 130 токенов. Модель подходит для заполнения пропусков в тексте и как языковая основа для анализа коротких сообщений в Twitter, в том числе связанных с COVID-19. Доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT. README просит цитировать публикацию BERTweet при использовании результатов в научных работах или программном обеспечении.

Карточка модели vinai/bertweet-covid19-base-uncased на Hugging Face совпадает с карточкой vinai/bertweet-covid19-base-cased, поэтому описание составлено по ней. vinai/bertweet-covid19-base-cased — англоязычная языковая модель для текстов Twitter, разработанная Dat Quoc Nguyen, Thanh Vu и Anh Tuan Nguyen. Это модель на архитектуре RoBERTa, предварительно обученная на 850 млн англоязычных твитов, включая 5 млн твитов о пандемии COVID-19. Веса содержат около 162,4 млн параметров, контекст — до 130 токенов. Модель подходит для заполнения пропусков в тексте и как языковая основа для анализа коротких сообщений в Twitter, в том числе связанных с COVID-19. Доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT. README просит цитировать публикацию BERTweet при использовании результатов в научных работах или программном обеспечении.

CAT-Translate Learner Edition 1.4b — дообученная модель на базе cyberagent/CAT-Translate-1.4b для перевода с японского на английский с поддержкой изучающих язык. Для японского предложения она формирует структурированный JSON с исходной фразой, чтением кандзи фуриганой, английским переводом и словарными пояснениями к лексике. Модель использует плотную архитектуру Llama с 1,2 млрд параметров и контекстом до 8192 токенов. В репозитории доступны веса safetensors в bf16, а также вариант GPTQ 4-bit в формате compressed-tensors; для корректной токенизации используется исправленный Unigram-токенизатор. Модель предназначена для учебной работы с японскими предложениями и выдаёт текст с разметкой в формате JSON. Модель опубликована под лицензией Apache-2.0. В README приведены оценки NLL на отложенной выборке, но они не характеризуют точность перевода; результаты могут зависеть от соблюдения ожидаемого формата запроса. При повторном обучении автор рекомендует заново применить исправление токенизатора.

ChronoBERT — серия англоязычных моделей на архитектуре ModernBERT, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Версия chrono-bert-v1-20171231 предназначена для языкового моделирования с учётом времени: модели серии обучались на датированных текстах, чтобы уменьшить утечку будущих данных и смещение заглядывания вперёд при анализе исторических данных. Вариант использует двунаправленный трансформерный энкодер ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Модель решает задачу предсказания пропущенного токена и может использоваться для извлечения текстовых эмбеддингов. ChronoBERT ориентирована на англоязычный текст; в README описаны оценки на GLUE и применение семейства для финансового прогнозирования. Репозиторий распространяется под лицензией MIT.

ChronoBERT — серия англоязычных моделей Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Эта версия — трансформерный двунаправленный энкодер ModernBERT с 149 млн параметров и контекстом до 8192 токенов; она предсказывает пропущенные токены в тексте и может извлекать текстовые эмбеддинги. Модель предварительно обучена на датированных открытых текстах, чтобы снижать риск утечки будущей информации и смещения заглядывания вперёд при анализе исторических данных. В README описаны оценки на GLUE и эксперименты по прогнозированию доходности акций; результаты серии показывают качество понимания языка выше стандартного BERT на GLUE. Модель работает с текстом на английском языке и распространяется под лицензией MIT. Она предназначена для языкового моделирования с маскированием и извлечения эмбеддингов, а не для генерации длинных ответов. Хотя хронологическое обучение полезно для исторических и финансовых сценариев, результаты бэктестов сами по себе не гарантируют точность будущих прогнозов.

cs3se_edgenet_x.c2ns_in1k — сверточная модель классификации изображений из семейства CS3-SE-EdgeNet, обученная разработчиками timm на ImageNet-1k. Архитектура сочетает Cross-Stage Partial с тремя свёртками и механизмом Squeeze-and-Excitation для внимания к каналам; блоки EdgeNet используют схему 3×3 и 1×1 с остаточной связью. Модель также подходит как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 50,7 млн параметров и требует 11,5 GMACs. Размер изображения при обучении — 256×256, при тестировании — 320×320. В репозитории доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k, но не приводит результаты на других наборах данных или гарантий качества в прикладных сценариях.

Anvil-ML/detecteur-ia — франкоязычный классификатор текста, разработанный Anvil-ML для определения, написан ли текст человеком или языковой моделью, например ChatGPT или LLaMA. Модель основана на BARThez и использует архитектуру mBART для классификации последовательностей; размер составляет 95 млн параметров, максимальный контекст — 1024 токена. Она обучалась на 15 000 французских статей и их резюме, созданных людьми и ИИ. Модель предназначена для предварительной проверки текстов, в том числе в образовательной среде. По описанию автора, она рассчитана на выявление текста, целиком созданного ИИ, и может классифицировать как человеческий текст материал, сгенерированный ИИ, но затем переписанный человеком. Лицензия CC BY-NC-SA 4.0 допускает использование с атрибуцией и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое применение.

DictaBERT-lex — дообученная модель семейства BERT от Dicta для лемматизации современного иврита. Она получает текст на иврите и предсказывает для каждого слова лексему из словаря BERT; для глаголов лексемой служит форма третьего лица единственного числа прошедшего времени. Архитектура — BERT, размер — 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для лемматизации текстов на иврите, в том числе слов, разделённых токенизатором на несколько частей. Если подходящей лексемы нет в словаре, модель может вернуть специальный токен [BLANK]; это часто встречается с именами людей и городов. В редких случаях нейросеть может предложить семантически близкий синоним вместо лексически связанной формы, поэтому для повышения точности авторы рекомендуют ранжировать варианты и фильтровать их, например, по расстоянию редактирования. Модель опубликована в форматах PyTorch и Safetensors под лицензией CC BY 4.0. Для загрузки через Transformers в README показано использование trust_remote_code=True.