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

ChemAligner-T5 — дообученная Neeze модель семейства T5 на 126 млн параметров, созданная на основе QizhiPei/biot5-plus-base. Она предназначена для условной генерации текста; метаданные также относят её к задачам генерации текста. README содержит только заголовок и вводную фразу о загрузке и генерации, поэтому специализированные сценарии применения и качество модели по карточке установить нельзя. Модель работает с текстом и доступна в формате PyTorch через библиотеку Transformers. Лицензия — Apache-2.0.

DialoGPT-small — компактная модель генерации диалоговых ответов, опубликованная Microsoft. Она предназначена для многоходовых бесед: принимает текстовый контекст разговора и продолжает его ответом. Архитектура основана на GPT-2; модель обучена на 147 млн многоходовых диалогов из обсуждений Reddit и рассчитана на контекст длиной до 1024 токенов. Модель подходит для прототипов чат-ботов и экспериментов с генерацией реплик. В README приведены результаты оценки качества ответов в диалогах, однако они не гарантируют надёжность в произвольных прикладных сценариях. Обучение на Reddit может приводить к разговорному стилю и нежелательным или неточным ответам. Лицензия — MIT.

Intel/dpt-swinv2-large-384 — модель семейства DPT из MiDaS 3.1, разработанная Intel на основе работ Ranftl и соавторов. Она оценивает относительную глубину по одному изображению, используя SwinV2 в качестве визуального backbone и архитектуру Dense Prediction Transformer. Модель обучена на 1,4 млн изображений и рассчитана на входное разрешение 384×384 пикселя. Модель предназначена для оценки глубины без дополнительного дообучения и может применяться как начальный компонент систем реконструкции сцены, генеративных инструментов и автономного вождения. Она обрабатывает изображения, а результатом является карта глубины. В карточке отмечено, что для конкретных прикладных задач может потребоваться дообучение. Модель распространяется по лицензии MIT.

Это дообученный детектор Ultralytics YOLO11s, подготовленный в рамках DetectionBench на наборе ExDark для обнаружения объектов на тёмных и ночных изображениях. Он предсказывает рамки и классы объектов из 12 категорий: велосипеды, лодки, бутылки, автобусы, автомобили, кошки, стулья, чашки, собаки, мотоциклы, люди и столы. На тестовой части ExDark модель показала mAP@50 73,35%, mAP@50–95 46,8% и точность 77,93%. Модель предназначена для оценки и применения детекции в условиях слабого освещения; репозиторий использует формат PyTorch и библиотеку Ultralytics. Лицензия модели — AGPL-3.0. В README также указано отдельное ограничение набора ExDark: его авторы просят некоммерческое использование, что относится и к обученным на нём моделям.

HiTZ/judge-eus — баскоязычная языковая модель на архитектуре Llama, разработанная HiTZ для оценки текста на баскском языке. Модель дообучена на базе orai-nlp/Llama-eus-8B и содержит около 7,5 млрд параметров; её контекст — до 131 072 токенов. Доступна в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Модель создавалась для MCG-COLING-2025 Shared Task: она оценивает качество контрнарративов, предназначенных для противодействия языку ненависти, в том числе их способность эффективно отвечать на него и смягчать его воздействие. Её можно применять для оценки баскских текстов в подобных сценариях. Карточка не описывает точные критерии оценивания или результаты тестирования; модель предназначена для оценки текста, а не для генерации контрнарративов.

AvoCahDoe выпустил исследовательскую версию Llama 2 7B с квантованием RL-MPQ: PPO выбирает разрядность отдельно для каждого слоя, чтобы найти компромисс между сжатием весов и качеством генерации. Репозиторий содержит пять сценариев квантования — от High_Fidelity до Extreme_Survival; для них можно выбирать подкаталоги при загрузке через Transformers. Модель основана на meta-llama/Llama-2-7b-hf и имеет 6,6 млрд параметров, контекст 4096 токенов и англоязычную специализацию. В README приведены результаты оценки perplexity на WikiText-2 для трёх сценариев: от 4,9808 при среднем размере 6,5 бита до 5,0437 при 4,375 бита. Это вариант для экспериментов с компрессией и генерацией текста; результаты для остальных сценариев в доступной карточке не приведены. Весовые файлы представлены как fake-quant FP16, а вместе с ними поставляется политика rlmpq_policy.json. Лицензия — Llama 2; её условия распространяются на использование модели.

CMB-ClimateModernBERT/Merge_Soup_drop_S_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это вариант слияния модели для климатической тематики, полученный продолжением предобучения ModernBERT-Base на академических текстах и материалах климатического веба; веса повторно опубликованы из sraj/Merge_Drop_SYN_FastText и идентичны исходным. Модель содержит 149 млн параметров, работает с контекстом до 8192 токенов и обучена предсказывать замаскированные фрагменты текста. Модель предназначена для получения текстовых представлений и последующего дообучения на задачах классификации, многометочной разметки и поиска по климатическим новостям, научной литературе, корпоративной отчётности и документам климатической политики. В README указано, что для общего применения предпочтительнее другой вариант семейства — CMB-ClimateModernBERT/Merge_Soup_LRD; для этой контрольной точки не приводится сводная оценка качества. Ограничения включают поддержку только английского языка, оценку преимущественно на задачах уровня предложения или фрагмента и отсутствие режима следования инструкциям. Модель предназначена для исследовательских работ по NLP в области климата. README сообщает об ограничениях на перераспространение части исходных академических текстов, но лицензия весов в предоставленных данных не указана.

NeuCodec — нейронный аудиокодек компании Neuphonic для сжатия и восстановления речи. Модель использует архитектуру на основе конечного скалярного квантования (FSQ) с единым кодбуком и предназначена для получения речевых токенов при обучении SpeechLM и систем синтеза речи. Кодек принимает аудио с частотой 16 кГц и декодирует его с повышением частоты до 24 кГц. Кодек сжимает речь до 0,8 кбит/с при скорости 50 токенов в секунду и 16 битах на токен. По описанию авторов, потери при восстановлении почти неслышны; схема FSQ также рассчитана на устойчивость к битовым ошибкам в шумных или ненадёжных каналах. Для модели указана лицензия Apache 2.0, допускающая коммерческое использование. В README она представлена как инструмент для исследователей и разработчиков, создающих голосовые модели; заявленные характеристики качества приведены авторами и не сопровождаются в карточке результатами независимой оценки.

qiuhuachuan/NSFW-detector — модель для выявления порнографического текста в диалогах человек–машина. В карточке она связана с проектом CensorChat и работой о дистилляции больших языковых моделей для обнаружения такого контента. Модель основана на BERT, имеет 135,5 млн параметров и принимает текст длиной до 512 токенов; основная задача — классификация текста на английском языке. Модель предназначена для фильтрации откровенного текста в открытых диалоговых системах и мониторинга переписки. Она распространяется в формате PyTorch по лицензии MIT. README не описывает классы меток и результаты оценки качества.

Omega-Darker-Gaslight_The-Final-Forgotten-Fever-Dream-24B-ultra-uncensored-heretic-v2-GGUF — это квантизированная GGUF-версия текстовой генеративной модели объёмом 24 млрд параметров. Модель подготовлена независимым разработчиком llmfan46 на основе Omega-Darker-Gaslight_The-Final-Forgotten-Fever-Dream-24B от ReadyArt и распространяется как производная от версии llmfan46/Omega-Darker-Gaslight_The-Final-Forgotten-Fever-Dream-24B-ultra-uncensored-heretic-v2. Указан английский язык. Архитектура и размер контекстного окна в README не уточняются. Модель ориентирована на генерацию текста, ролевые сценарии и взаимодействие с минимальным количеством отказов, включая тематику эротики, ужасов и насилия. Это decensored-версия, созданная с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), с изменением компонента attn.o_proj. По заявленным измерениям, доля отказов снизилась до 4 из 100 против 91 из 100 у исходной модели, а KL divergence составила 0,0120. Результаты PIQA близки к исходным, однако немного ниже: acc — 0,8237 против 0,8221, acc_norm — 0,8351 против 0,8379. Доступны варианты квантизации BF16, Q8_0, Q6_K и Q5_K_M; Q8_0 обозначен как почти без потерь и рекомендуемый, а Q5_K_M — как компромисс между качеством и требованиями к ресурсам. Основное ограничение — сниженные встроенные ограничения безопасности и потенциальная пригодность для создания откровенного, шокирующего или опасного контента. Лицензия в README не указана.

OneFormer — модель универсальной сегментации изображений, разработанная авторами статьи «OneFormer: One Transformer to Rule Universal Image Segmentation». Этот чекпойнт обучен на ADE20K и использует крупный Swin-бэкбон; файлы модели представлены в формате PyTorch. Лицензия — MIT. Модель предназначена для семантической, экземплярной и паноптической сегментации изображений. Один общий архитектурный модуль переключается между задачами с помощью специального токена, поэтому чекпойнт подходит для сценариев, где требуется получать разные виды сегментации одной моделью. Он ориентирован на сцены и категории набора ADE20K; для других наборов данных могут подойти отдельные версии модели.

Ornith-1.0-35B-mlx-bf16 — конвертированная для Apple Silicon версия мультимодальной модели Ornith-1.0-35B, опубликованная ToPo-ToPo. Репозиторий содержит веса в формате MLX и точности bf16; модель загружается через mlx-vlm и предназначена для диалоговой работы с текстом и изображениями. Модель подходит для вопросов об изображениях и других сценариев генерации текста по визуальному и текстовому контексту. В README также описана проверка в агентном процессе CAD и конечно-элементного анализа, где геометрический результат совпал с эталонной конверсией. Для работы требуется среда MLX на Apple Silicon. Указана лицензия MIT, совпадающая с лицензией исходной модели.

Policy-DistilBERT-7d — модель классификации предложений, разработанная Moritz Laurer. Она относит английский текст к одной из семи политических категорий: экономика, внешние отношения, общественные ценности, свобода и демократия, политическая система, благосостояние и качество жизни, социальные группы. Модель построена на DistilBERT и дообучена на 129 669 вручную размеченных предложениях из партийных манифестов на английском языке. Данные охватывают 164 манифеста 55 партий из восьми англоязычных стран, опубликованных в 1992–2019 годах. Максимальная длина контекста — 512 токенов. Модель подходит для тематической разметки политических манифестов и анализа политических приоритетов. На тестовой выборке указаны сбалансированная точность 0,745 и взвешенная F1-мера 0,773. Качество может снижаться на других жанрах, странах и периодах; результаты также наследуют ограничения категорий и возможные смещения разметки Manifesto Project. Условия лицензии в предоставленных данных не описаны.

Amoral-Fallen-Omega-Gemma3-12B-GGUF — это квантизированная версия модели Amoral-Fallen-Omega-Gemma3-12B, разработанной ReadyArt. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель распространяется в формате GGUF для локального запуска через llama.cpp, LM Studio и совместимые проекты. Модель предназначена для генерации текста, включая ролевые сценарии и контент для взрослых; в карточке также указаны теги unaligned и dangerous, поэтому её поведение может быть менее ограниченным и требовать осторожного применения. Заявлен английский язык. Размер базовой модели — 12B параметров, однако сведения о точной архитектуре, длине контекста, мультимодальности и качестве на специализированных задачах в README не приведены. Доступны варианты от BF16 размером 23,54 ГБ до компактных квантизаций Q3 и IQ3 размером около 6 ГБ, а также более качественные Q4–Q8 и IQ4 варианты. Это позволяет выбирать баланс между качеством, требованиями к памяти и скоростью локального запуска; при этом более сильное квантование может снижать качество генерации. Модель распространяется по лицензии Gemma.

SCOUT (Sim-to-real Contrastive Outlier Understanding via Text) — модель из проекта, представленного на воркшопе ECCV 2026. Этот вариант использует рецепт v17 и пары сложных отрицательных примеров, предварительно отобранные по идентичности. Он предназначен для поиска людей в видео по текстовому описанию в сценариях переноса с симуляции на реальные данные, включая AI City Challenge Track 4. Модель объединяет видеопризнаки V-JEPA2 и текстовый энкодер через обучаемый предиктор; замороженные веса энкодеров в репозитории отсутствуют и загружаются из отдельных источников. Всего в конфигурации указано 1161,8 млн параметров, из них обучаемых — 549,6 млн. Репозиторий содержит обученные веса предиктора, а для вариантов ExPLoRA/LoRA — также дельты адаптированных энкодеров, и конфигурацию рецепта. Интерфейс кодирования принимает изображения размером 384×384 или текстовые описания и возвращает L2-нормированные векторы для сопоставления. В README приведены значения Val mAP@10 0,879 и Val Hit@10 n/a. Лицензия — Apache-2.0.

SHARE-14B-Base-2604 — базовая языковая модель на 13,9 млрд параметров, разработанная João Gonçalves, Sonia de Jager, Petr Knoth, David Pride и Nick Jelicic для исследований и образования в социальных и гуманитарных науках. Это декодерный трансформер с архитектурой семейства Phi-3, обученный предсказывать следующий токен на специализированном корпусе по гуманитарным и социальным дисциплинам. Контекст — 16 384 токена; модель использует собственный токенизатор BPE на 50 000 токенов. Основной язык — английский, также поддерживается нидерландский. Модель предназначена прежде всего для анализа текстов через интерфейс MIRROR, который рассчитывает неожиданность и энтропию отдельных токенов. Это помогает находить стилистические аномалии, возможные опечатки и фактические ошибки, а также изучать нормы, смещения и неожиданные идеи в научных текстах. Чекпойнт опубликован примерно после 15% запланированного предобучения; это базовая модель без SFT и выравнивания, поэтому она не предназначена для диалогового использования. Лицензия RAIL-SHARE запрещает коммерческое использование и дистилляцию и ограничивает генерацию текста.

Это конверсия модели Video-Depth-Anything-Small из репозитория depth-anything/Video-Depth-Anything-Small в формат MLX. Исходную модель разработала ByteDance; она предназначена для согласованной монокулярной оценки глубины в видео, то есть вычисляет карту глубины для кадров с учётом временной последовательности. Архитектура включает основу DINOv2 ViT-S и временную голову DPT. Модель подходит для анализа глубины в видеороликах и сценариев компьютерного зрения, где важна временная согласованность оценок между кадрами. В README указано сравнение с PyTorch-версией: максимальная относительная ошибка около 1e-5 на CPU и около 1% на GPU при использовании ускоренной арифметики Metal. Репозиторий распространяется по лицензии Apache-2.0.

WavCochCausalV8192-vocoder — модель, опубликованная Greta Tuckute и Klemen Kotar. Это причинный токенизатор аудиосигнала в представления-коклеаграммы, содержащий около 24,42 млн параметров. В метаданных Hugging Face указаны библиотека Transformers, формат safetensors и задача feature-extraction; README приводит размер окна 1001 и шаг 80. Модель преобразует аудиоволну в последовательность признаков. В репозиторий также включён вокодер с методом decode_audio(...) для синтеза аудиосигнала из представлений; при запросе скрытых состояний доступен один слой постпроекционных эмбеддингов FSQ для анализа. Карточка называет авторов, но не указывает лицензию; в метаданных указана Apache-2.0. Данных о поддерживаемых естественных языках нет.

whisper-small-l2-arctic-mdd — дообученная Wael Hasan модель распознавания речи на базе openai/whisper-small. Она предназначена для преобразования аудио в текст; по названию репозитория модель ориентирована на L2 Arctic и обнаружение ошибок произношения (MDD), однако карточка не раскрывает детали этой специализации. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; для работы используются Transformers и формат safetensors. Базовая модель мультиязычная, но языки и контекст этого чекпойнта отдельно не описаны. В README приведены результаты оценки: loss 0,2566, PER 0,1270, precision, recall и F1 по 1,0; описание набора данных и методики оценки отсутствует, поэтому эти показатели трудно интерпретировать. Модель выпущена под лицензией Apache-2.0.

Copywriter-Gemma4-31B — дообученная модель на 31 млрд параметров, созданная независимым разработчиком на базе Google Gemma-4-31B-it. Она предназначена для написания маркетинговых текстов: объявлений, писем, посадочных страниц, описаний товаров, сценариев и сообщений для рекламных и клиентских кампаний. Модель использует архитектуру Gemma 4 и распространяется в формате safetensors; карточка указывает библиотеку Transformers и лицензию Gemma. Модель ориентирована на англоязычный direct-response копирайтинг: помогает готовить тексты с выразительными заголовками, конкретными выгодами и краткими формулировками. В описании приводится сравнение с базовой моделью на 30 заданиях, где оценивание выполнялось языковой моделью-судьёй; результаты относятся к этому набору заданий и не гарантируют аналогичного качества для других сценариев. Ограничения: специализация модели — маркетинг на английском языке; для длинных списков возможны повторы. Модель не проверяет достоверность рекламных утверждений, поэтому тексты требуют проверки фактов, соответствия требованиям и безопасности бренда; она не предназначена для медицинских, юридических, финансовых или критически важных рекомендаций.

DA3-SMALL — компактная модель ByteDance Seed Team из серии Depth Anything 3 для оценки глубины по изображениям и восстановления геометрии сцены по нескольким видам. Она использует Vision Transformer с единой глубинно-лучевой репрезентацией; размер модели — около 0,08 млрд параметров. Модель поддерживает относительную оценку глубины, оценку позы камеры и использование позы в качестве условия. Модель предназначена для задач компьютерного зрения, включая монокулярную и многовидовую оценку глубины, а также оценку позы камеры. В README заявлено преимущество над Depth Anything 2 в монокулярной оценке глубины и над VGGT в многовидовой оценке и оценке позы; конкретные результаты зависят от данных и условий съёмки. Обучение проводилось на открытых академических наборах данных. Весы опубликованы в формате Safetensors по лицензии Apache 2.0. Ограничения возможны на специализированных изображениях; качество также зависит от чёткости изображения, освещения и сложности сцены.

LiheYoung/depth_anything_vits14 — компактная модель оценки глубины по изображению из семейства Depth Anything, созданная авторами исследования «Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data». Она предназначена для получения карты глубины сцены на основе одного изображения и может использоваться в задачах компьютерного зрения, где важна оценка пространственного расположения объектов. В репозитории представлены веса PyTorch; идентификатор указывает на вариант ViT-S/14. Карточка ссылается на проект и демонстрацию Depth Anything, но не приводит подробностей о точном разрешении входа, показателях качества или лицензии. Языковой ввод и вывод не требуются: модель принимает изображение и выдаёт оценку глубины.

Это детектор объектов YOLO11l от автора dronefreak, дообученный на наборе ExDark в рамках DetectionBench. Модель предназначена для обнаружения объектов на тёмных и ночных изображениях. Она распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark модель показала mAP@50 73,44% и mAP@50–95 47,56%. Она использует Ultralytics и представлена в формате PyTorch. Лицензия репозитория — AGPL-3.0; авторы исходного набора данных отдельно указывают на некоммерческое использование, и это условие распространяется на обученные на нём модели.

dronefreak/exdark-yolo11m — детектор объектов на базе YOLO11m от Ultralytics, дообученный автором репозитория на наборе ExDark. Модель предназначена для обнаружения объектов на тёмных изображениях и в условиях низкой освещённости; распознаёт 12 классов, включая людей, автомобили, велосипеды, лодки и животных. Она использует архитектуру компьютерного зрения YOLO11 и библиотеку Ultralytics; для оценки приведены результаты на тестовой части ExDark: mAP@50 73,17% и mAP@50–95 47,16%.

beshkenadze/g2p-multilingual-byT5-tiny-mlx — конвертированная для MLX модель на базе ByT5 от Charsiu для преобразования написания слов в фонемную транскрипцию. Она принимает текст и выдаёт последовательность фонем в IPA; карточка показывает пример для американского английского. Модель поддерживает 100 языков и предназначена для запуска на устройствах Apple с MLX, в том числе через CharsiuG2PKit для Swift. В метаданных указано 11,1 млн параметров, архитектура T5ForConditionalGeneration и формат SafeTensors; README приводит PER 0,096 и WER 0,281. Репозиторий содержит конверсию исходной модели charsiu/g2p_multilingual_byT5_tiny_16_layers_100 из PyTorch в SafeTensors для MLX, а не самостоятельное дообучение. Метаданные указывают лицензию MIT. Число параметров в README отличается от метаданных, поэтому размер приведён по метаданным.

Nnoey дообучил модель Gemma 3 4B Instruct на базе unsloth/gemma-3-4b-it-unsloth-bnb-4bit. Это плотная мультимодальная модель с архитектурой Gemma3ForConditionalGeneration, предназначенная для диалогов и обработки изображений с текстом. В карточке указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL. Модель подходит для диалоговых сценариев, в которых нужно анализировать изображение и отвечать текстом; README называет её дообученной моделью для работы с петициями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

HelpingAI/HELVETE-3B — языковая модель для генерации текста, разработчик которой в предоставленном README явно не указан. В метаданных заявлены англоязычная поддержка, задача text-generation и обучение или связь с датасетом UnfilteredAI/DAN. Модель позиционируется как нерегламентированная и ориентированная на генерацию потенциально шокирующего, рискованного или небезопасного содержания. Из доступных данных следует, что модель относится к классу авторегрессионных языковых моделей и имеет размер около 3 миллиардов параметров, однако архитектура, точная длина контекста, набор поддерживаемых языков и перечень модальностей не раскрыты. В README приведён пример использования через Transformers с AutoModelForCausalLM и AutoTokenizer, загрузкой в формате bfloat16 и запуском на GPU. Лицензия и условия распространения не указаны. К ограничениям относятся отсутствие подтверждённых сведений о качестве, метриках и безопасности, а также заявленная ориентация на нецензурируемые ответы, из-за чего требуется осторожное применение и дополнительная фильтрация результатов.

Om Patnaik разработал mBERT-hinglish-cm — дообученную модель mBERT для бинарной классификации хинди-английского смешанного текста. Она определяет, содержит ли текст оскорбительное высказывание: метка 0 означает NOT_OFFENSIVE, метка 1 — OFFENSIVE. Модель построена на BertForSequenceClassification и содержит 205,1 млн параметров; базовая архитектура — google-bert/bert-base-multilingual-cased. Она принимает текст, поддерживает хинди и английский, имеет контекстное окно 512 токенов; в описанном обучении вход обрезался до 128 токенов с учётом специальных токенов. Модель предназначена для исследовательских сравнений, анализа ошибок и изучения обнаружения оскорбительной речи в смешанном хинди-английском тексте. В README приведены результаты на наборе CM для трёх seed, однако контрольная выборка участвовала в выборе чекпойнта, поэтому оценки не являются результатами независимого финального теста. Обобщение на другие наборы данных ограничено; ошибки возможны из-за транслитерации, слов, связанных с идентичностью, цитируемых оскорблений и отсутствия контекста диалога. Модель не проверена для автономной модерации или принятия решений о людях. Лицензия на тонко настроенные веса пока не назначена; лицензия Apache-2.0 базовой модели не распространяется автоматически на данные и эту производную модель.

Это англоязычная модель автоматического распознавания речи, разработанная автором репозитория dys-asr и полученная дообучением NVIDIA Parakeet CTC 0.6B. Она настроена на распознавание дизартрической и другой нарушенной речи по корпусу Speech Accessibility Project Corpus 2 (SAPC2); подходит для транскрибирования речевых записей людей с различными нарушениями речи. На dev-разбиении SAPC2 модель показала WER 11,51% и CER 6,85% при жадном CTC-декодировании без языковой модели. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт английский текст. Вывод пишется заглавными буквами без пунктуации; числа передаются словами, поскольку токенизатор не содержит цифр. Точность сильно различается между говорящими и связана с причиной и тяжестью нарушения речи; обучение не доведено до сходимости. Модель представлена в формате safetensors для Transformers. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

parl-german-sitent — модель классификации немецкоязычных текстовых последовательностей, разработанная в рамках проекта GePaDeU для разметки дебатов Бундестага. Она относит фрагменты к одному или нескольким типам Situation Entity, описывающим аспектуальные и прагматические свойства высказываний на уровне клаузы: состояния, события, сообщения, обобщения, вопросы и императивы. Модель основана на BERT deepset/gbert-large и дообучена целиком для многоклассовой многометочной классификации. Она содержит около 434,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Обучение и оценка проводились на 19 676 вручную размеченных фрагментах парламентских речей Бундестага за 2017–2021 годы. Модель подходит для лингвистического анализа немецких парламентских выступлений и разметки типов ситуаций и речевых актов. Её обучение ограничено этим тематическим и жанровым корпусом, поэтому качество на других типах немецких текстов может отличаться. Сведения о лицензии в предоставленных источниках отсутствуют.