I.11Классификация, ранжирование и сопоставление

Adaptive Classifier — модель классификации электронной почты по приоритету, построенная на базе answerdotai/ModernBERT-base. Она присваивает письмам один из трёх классов: low, normal или urgent. Модель поддерживает непрерывное обучение и добавление новых классов, поэтому её можно адаптировать по примерам к меняющимся правилам приоритизации. В карточке указаны 768-мерные эмбеддинги и сбалансированный набор из 15 примеров — по пять для каждого класса. Модель распространяется под лицензией Apache-2.0. Для каждого класса требуется не менее трёх примеров, поддерживается не более 150 примеров на класс; прототипы обновляются каждые десять примеров.

Enbeddrus v0.2 — модель эмбеддингов предложений на основе BERT, разработанная автором репозитория evilfreelancer. Она кодирует предложения и абзацы на русском и английском языках в плотные векторы размерности 768, обученные сближать представления сопоставимых фраз на двух языках. Модель подходит для семантического поиска, сравнения текстов и кластеризации, в том числе для поиска русских формулировок по английскому запросу и наоборот. В карточке указана архитектура BERT uncased с 12 слоями, размером скрытого состояния 768 и максимальной длиной последовательности 512 токенов. Обучение проводилось 20 эпох на параллельных англо-русских корпусах, включая технические тексты о PHP и Go, а также книги. Метаданные указывают 194,6 млн параметров и формат весов Safetensors. README сообщает о тестировании на небольшом наборе из 100 пар предложений по PHP, поэтому результаты этой оценки не гарантируют качество на других темах. Лицензия в предоставленных данных не указана.

Engram Retrieval v0 — англоязычный cross-encoder, разработанный для конвейера поиска объектов знаний Engram. Модель дообучена на базе cross-encoder/ms-marco-MiniLM-L6-v2 с помощью Sentence Transformers и оценивает пару из пользовательского запроса и текста объекта знаний, чтобы ранжировать кандидатов перед более дорогим этапом переранжирования. Модель имеет архитектуру BERT с классификационной головой BertForSequenceClassification, около 25,9 млн параметров и предел последовательности 512 токенов. Она принимает текстовые пары и выдаёт оценку релевантности; также подходит для семантического поиска и классификации пар. В README описана настройка для выборки из 194 обучающих примеров и оценка на размеченных данных Engram. Модель распространяется по лицензии Apache-2.0. Её специализация — поиск по объектам знаний Engram, поэтому перенос на другие коллекции и запросы может потребовать дополнительной проверки или дообучения. Повторное обучение зависит от содержимого wiki-файлов, которое может меняться со временем.

Карточка модели xsvmyx/extremist-text-detector на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

F2LLM-v2-330M Q8_0 GGUF — квантованная сборка модели F2LLM-v2-330M, разработанной codefuse-ai. Модель распространяется в формате GGUF и предназначена прежде всего для построения эмбеддингов и вычисления сходства предложений, в частности как встроенная embedding-модель для Inkentry. В репозитории представлены варианты для движков Candle и llama.cpp, которые используют одинаковые веса и должны выдавать одинаковые векторы. Модель построена на архитектуре Qwen3 decoder и формирует эмбеддинги размерностью 896. Веса исходной модели в формате BF16 квантованы в Q8_0; параметры RMSNorm сохранены в F32. Поставляются два варианта GGUF размером примерно 339 и 345 МБ, а также токенизатор tokenizer.json. README не сообщает поддерживаемые языки и размер контекстного окна. Ключевые преимущества сборки — уменьшенный объём хранения, отсутствие необходимости выполнять квантование на устройстве и совместимость с двумя локальными inference-движками. Ограничения связаны с тем, что это специализированная embedding-модель, а не универсальная генеративная модель; влияние квантования Q8_0 на качество в README не оценивается. Модель и производные GGUF-файлы распространяются по лицензии Apache License 2.0, унаследованной от базовой модели.

FARE CLIP ViT-L/14 — модель для классификации изображений по текстовым описаниям с нулевым обучением. Она создана методом безучительного состязательного дообучения модели OpenAI CLIP на ImageNet с ограничением возмущения по норме бесконечности радиусом 2/255. Модель использует архитектуру CLIP ViT-L/14 и доступна в формате PyTorch через библиотеку open_clip; лицензия — MIT. Модель сопоставляет изображение с текстовыми метками или описаниями и позволяет выбирать наиболее подходящий вариант без обучения отдельного классификатора на целевых классах. README не сообщает о языковом составе текстового энкодера и о длине контекста, поэтому эти характеристики не указываются.

chs20/FARE4-ViT-B-32-laion2B-s34B-b79K — CLIP-модель с архитектурой ViT-B/32, дообученная методом FARE для повышения устойчивости к состязательным возмущениям. Базовая модель — laion/CLIP-ViT-B-32-laion2B-s34B-b79K; дообучение проводилось на ImageNet с ограничением L∞ и радиусом 4/255. Модель предназначена для сравнения изображений по перцептивному сходству и классификации изображений по текстовым описаниям без дополнительного обучения. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,1 на чистых данных, 71,8 при возмущениях L∞ с ε=4/255 и 70,6 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch и safetensors. Лицензия — MIT. Модель обрабатывает изображения и текстовые метки, формируя оценки соответствия; документация не сообщает о поддержке конкретных естественных языков.

PeytonT/file-embedding — дообученная модель для создания плотных векторных представлений файлов, предназначенных для поиска и сопоставления. Это компонент системы Repository Library для индексации и поиска по репозиториям и научным материалам. Модель основана на энкодере BERT и дообучена на sentence-transformers/all-MiniLM-L6-v2; содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторы признаков. В обучающих данных использовались графы репозиториев и фрагменты кода из конвейера Repository Library. Лицензия в предоставленных данных не указана.

Nessrine9/finetuned2-snli-MiniLM-L12-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 384; архитектура включает BertModel, усреднение токенных представлений и нормализацию. Модель предназначена для оценки семантического сходства по косинусному расстоянию, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В карточке указано обучение на 100 000 пар предложений с оценками сходства; максимальная длина последовательности в README — 128 токенов, а метаданные указывают контекст 512 токенов. Базовая модель англоязычная, поэтому основное применение — англоязычный текст. Модель подходит для создания эмбеддингов коротких текстов и сравнения их смысла, но доступные результаты на SNLI-dev умеренные: Spearman cosine 0,4779. Лицензионные условия в предоставленных данных не описаны.

uzairnaeem/finetuned_sentence_similarity_spanish_es — модель Sentence-Transformers на базе архитектуры BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на испанский язык, но README не уточняет языковое покрытие и результаты оценки.

FISMWASP Autoencoder 400k-e2 — модель эмбеддингов, разработанная Андре Озыгюссом из Medienwerft при участии коллег из FIS ASP и FIS. Она преобразует немецкие предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и организации технических спецификаций. Модель построена на XLM-RoBERTa с архитектурой Sentence-BERT и TSDAE, содержит 305,2 млн параметров и рассчитана на контекст до 514 токенов. Для обучения использовались технические тикеты и более 400 тысяч предложений. Модель подходит для поиска похожих текстов и группировки немецких технических документов и тикетов. Доступна в формате safetensors и может использоваться через sentence-transformers либо Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

sumanksaha/Foodmultidomain — модель CrossEncoder, обученная с библиотекой sentence-transformers. Она оценивает пары текстов одним числовым баллом и предназначена для ранжирования результатов поиска и семантического поиска, например для повторной сортировки кандидатов, полученных из поискового индекса. Архитектура основана на BertForSequenceClassification; модель принимает текст, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. README не уточняет поддерживаемые естественные языки и лицензию.

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors. Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

deepset/gbert-base-germandpr-reranking — немецкоязычная модель deepset для повторного ранжирования документов в системах поиска. Это классификатор пар текстов на базе BERT, дообученный в FARM на обучающей выборке GermanDPR; в метаданных указаны 137,1 млн параметров и контекст до 512 токенов. Модель получает запрос и каждый из уже найденных документов, оценивает их релевантность и помогает отсортировать результаты так, чтобы наиболее подходящие оказались выше. Модель предназначена для улучшения выдачи поисковых систем, например в конвейере Haystack после первичного поиска BM25. В описанных авторами экспериментах на немецкой Википедии повторное ранжирование десяти результатов повысило recall@3 с 0,4088 до 0,5200, а MRR@3 с 0,3322 до 0,4800. Эти результаты получены на немецких данных и не гарантируют такого же качества на других корпусах или языках. Модель принимает текст запроса и документа и выдаёт оценку релевантности для классификации или ранжирования. Она выпущена под лицензией MIT. Ограничения: рассчитана на немецкий язык, ранжирует уже найденные документы и не заменяет первичный поиск; длина контекста ограничена 512 токенами.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.

German_Semantic_STS_V2 — модель эмбеддингов предложений на базе gBERT-large, дообученная Aaron Chibb для семантических задач на немецком языке. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. В качестве обучающих данных использован немецкий вариант STS Benchmark; при дообучении применялась ContrastiveLoss. Модель имеет архитектуру BERT, содержит 434,5 млн параметров и принимает контекст до 512 токенов. По результатам, приведённым в карточке, модель показала наилучший Spearman среди перечисленных там моделей сравнения. Она предназначена прежде всего для немецких текстов; автор карточки также рекомендует более новые версии V3 и V3b. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

German_Semantic_V3 — модель эмбеддингов предложений, созданная Аароном Чиббом на основе gbert-large от deepset. Она предназначена для получения векторных представлений немецких текстов и сравнения их семантической близости, в том числе для длинных текстов и запросов о Германии. Модель использует архитектуру JinaBert и CLS-пулинг; объём параметров — 434,5 млн, контекст — до 8192 токенов. Модель обучена только для немецкого языка и рассчитана на тексты с немецким культурным контекстом. Matryoshka-обучение позволяет сокращать размер эмбеддингов с 1024 до 64 измерений; при уменьшении размерности качество может снижаться. По README, V3 лучше подходит для длинных текстов и учитывает более новые события, но уступает версии V3b в некоторых бенчмарках; численные результаты оценки пока не приведены. Лицензия — Apache 2.0.

Модель rithwik-db/gpl_tsdae-e5-base-unsupervised-test-1-d165d6 — модель Sentence-Transformers на базе BERT, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение проводилось с MarginMSELoss; модель можно использовать через Sentence-Transformers или Transformers с подходящим pooling для контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы. Максимальная длина контекста — 512 токенов. В карточке не заявлена поддержка конкретных языков, поэтому применимость к отдельным языкам не уточняется. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

Xenova/gte-base — версия модели thenlper/gte-base, подготовленная сообществом Xenova в формате ONNX для совместимости с библиотекой Transformers.js. Модель предназначена для извлечения признаков из текста, в частности для построения векторных представлений, которые могут использоваться в семантическом поиске, сравнении текстов и других задачах обработки естественного языка. Из README известно, что модель поддерживает запуск через Transformers.js и рассчитана на использование в JavaScript-средах, включая веб-приложения. Архитектура, размер, поддерживаемые языки, максимальная длина контекста, модальности и точные характеристики качества в предоставленных данных не указаны. Лицензия также не указана, поэтому условия использования по этому описанию определить нельзя.

GTE-small-zh — компактная модель текстовых эмбеддингов семейства General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она обучена на больших наборах пар текстов с оценками релевантности и предназначена для получения векторных представлений китайских текстов. Модель подходит для семантического поиска, сравнения сходства предложений, извлечения информации и ранжирования текстов. Размер модели составляет около 36 млн параметров, размерность эмбеддингов — 512, максимальная длина последовательности — 512 токенов. Веса доступны в форматах PyTorch и safetensors. Модель рассчитана исключительно на китайские тексты; более длинные входы обрезаются до 512 токенов. Лицензия — MIT.

GujaratiSBERT — модель L3Cube-Pune для получения векторных представлений предложений на гуджарати. Она основана на GujaratiBERT и дообучена на наборе данных NLI; архитектура — BERT с плотными эмбеддингами, размер модели составляет 264,8 млн параметров. Модель предназначена для поиска похожих предложений и других сценариев сравнения текстов; в README приведён пример кодирования предложений в эмбеддинги с помощью sentence-transformers или Transformers и mean pooling. Модель принимает текст на гуджарати и выдаёт векторные представления. Максимальная длина контекста — 512 токенов. Лицензия — CC BY 4.0. README отмечает, что существует более качественная версия для сходства предложений, дообученная на основе этой модели.

MarcoAland/Indonesian-bge-m3 — Sentence Transformer на базе BAAI/bge-m3, дообученный автором репозитория для работы с индонезийскими текстами. Модель использует архитектуру XLM-RoBERTa с плотным представлением: преобразует предложения и абзацы в нормализованные векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Заявленная максимальная длина последовательности — 8192 токена; число параметров — 658,7 млн. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 45 000 примерах с парами положительных и отрицательных соответствий и функцией потерь MultipleNegativesRankingLoss. Примеры в карточке — на индонезийском языке; метаданные также указывают на многоязычную базовую модель, но для этой версии основной целевой язык — индонезийский. Модель выдаёт текстовые эмбеддинги, а не готовые ответы или метки; для поиска и классификации потребуется подходящий downstream-процесс. В карточке приведены результаты оценки, но они не позволяют судить о качестве на всех прикладных наборах данных. Условия лицензирования в предоставленных данных не указаны.

BAAI разработала IndustryCorpus2_Classifier для отнесения текстов к одной из 31 укрупнённой отраслевой категории, согласованной с классификацией отраслей национальной экономики Китая и адаптированной для китайского и английского языков. Модель построена на BGE-M3 с архитектурой XLM-RoBERTa и классификационной головой; она дообучена на 36 тысячах примеров, сформированных из предобучающих корпусов и открытых наборов классификации. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для автоматической отраслевой разметки текстов и сортировки документов по категориям. В README сообщается о точности 86% на проверочной выборке; обучающие данные включали китайские и английские тексты в равных долях. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Показатели качества относятся к описанной проверочной выборке, поэтому качество на других корпусах может отличаться.

InnerJev-4B-LoRA — модель принятия решений семейства InnerJev-4B, созданная на базе Qwen/Qwen3.5-4B. Она выдаёт распределение вероятностей по вариантам, заданным пользователем, для задач выбора, бинарных и вероятностных Noul, а также упорядоченных оценок Score. Обучение оптимизировано под распределения решений и не включает настройку для обычного свободного диалога. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров. В обучении применялась LoRA ранга 64; итоговые веса объединены, поэтому для загрузки не требуется PEFT или отдельная базовая модель. Хотя архитектура сохраняет компоненты обработки изображений, описанный интерфейс принятия решений рассчитан на текстовый ввод. Для BF16 указано ограничение по объёму оперативной или видеопамяти; установка для Transformers приведена с версией 5.14.1. Связанный BF16-чекпойнт набрал 73,9648 из 100 на фиксированном наборе из 58 бенчмарков принятия решений. Это результат одного чекпойнта, а не среднее по нескольким запускам; оценка объединённых BF16-весов и результаты NF4/INT8 отдельно не подтверждены. Лицензия — Apache-2.0.

InRanker-base — модель ранжирования документов, разработанная авторами InRanker на основе monoT5. Это вариант monoT5, дистиллированный из monoT5-3B с целью повысить эффективность на данных, отличающихся от обучающих. Обучение включает два этапа дистилляции: на существующих мягких метках учителя и на метках для синтетических запросов, созданных большой языковой моделью. Модель предназначена для повторной оценки релевантности результатов поиска по запросу. Архитектура — T5ForConditionalGeneration; в README указано 220 млн параметров, тогда как метаданные каталога указывают 123,8 млн. Контекст составляет 512 токенов. Доступны веса PyTorch. Карточка не сообщает лицензию, поэтому условия использования по этим данным определить нельзя.

Это японская модель CLIP, разработанная компанией rinna Co., Ltd. Она предназначена для получения сопоставимых признаковых представлений изображений и японских текстов, чтобы использовать их для поиска и классификации изображений по текстовому описанию. Модель обучалась на наборе CC12M с подписями, переведёнными на японский язык. В архитектуре используется визуальный энкодер ViT-B/16 и 12-слойный BERT-энкодер текста; визуальный энкодер инициализирован из AugReg vit-base-patch16-224. Модель распространяется в форматах PyTorch и safetensors и доступна по лицензии Apache-2.0. В метаданных Hugging Face указаны задача feature-extraction и поддержка японского языка.

masahiroid/japanese-reranker-xsmall-v2-mlx — японская версия модели переранжирования hotchpotch/japanese-reranker-xsmall-v2, преобразованная сообществом в формат MLX. Исходная модель построена на ModernBERT и использует архитектуру cross-encoder с классификационной головой; версия содержит 36,7 млн параметров и поддерживает контекст до 8192 токенов. Модель оценивает релевантность пары текстов и помогает переупорядочивать результаты поиска или документы в RAG. Она рассчитана прежде всего на японский язык и также поддерживает английский. Формат MLX предназначен для запуска в экосистеме Apple MLX; README предлагает использовать библиотеку mlx-embeddings. Это неофициальная конверсия, авторство исходной модели принадлежит её разработчику. Лицензия — MIT.

AISE-TUDelft/java-summary-classifier — модель на архитектуре MPNet, созданная на базе Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, сравнения предложений и кластеризации. В частности, модель подходит для задач классификации описаний Java-кода по сходству с краткими сводками. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста составляет 514 токенов. README сообщает об обучении с CosineSimilarityLoss. Доступные сведения не уточняют поддерживаемые естественные языки. Формат весов — PyTorch; сведения о лицензии отсутствуют.

Jebadiah 9B v2 — открытая модель принятия решений от Frontier Infra, дообученная на Qwen/Qwen3.5-9B. Она принимает текстовый вопрос с вариантами или шкалой и за один проход возвращает вероятности по меткам: выбирает один из вариантов, оценивает вероятность ответа «да» или выставляет оценку по упорядоченной рубрике. В карточке указаны архитектура Qwen3.5 с 9 млрд параметров, веса BF16 в формате safetensors и совместимость с Transformers; несмотря на vision-архитектуру базовой модели, описанный сценарий Jebadiah — текстовые решения. Модель предназначена для одиночных оценок и классификационных решений, где нужны типизированный результат и вероятности, например для оценки ответов или вопросов с выбором. Она рассчитана на английские данные; обучение обрезало состояния длиннее 2048 токенов. Выбор ограничен 20 вариантами в API System One. Калибровка может быть ненадёжна при отличающемся от обучающего распределении меток, поэтому для пороговых решений рекомендуется переоценить её на собственных размеченных данных. Лицензия — Apache-2.0.

autotrust/JEV — открытая модель autotrust для выдачи калиброванных распределений вероятностей по типизированным вопросам: да/нет (noul), выбору из 2–16 вариантов (choice) и оценке по шкале 0–5 (score). Она также включает обычную генерацию текста через исходную языковую голову базовой модели. В основе — плотная архитектура Qwen3.5-9B с 7,2 млрд параметров; модель дообучена методом дистилляции ответов TypeSafe Jev 1.13 на корпусе SargeDev/jev-distill-corpus-v3. Для решений используется отдельный LoRA-адаптер и голова решений, а веса базовой модели сохранены без изменений. Модель предназначена для оценки текстов и JSON-состояний, ранжирования вариантов и получения вероятностных оценок в приложениях, где нужны структурированные ответы без отдельного разбора JSON. В README приведены результаты на отложенной выборке: AUROC 0,996 для вопросов да/нет и совпадение выбора с учителем 89,8 %. Контекст базовой модели — 262 144 токена, однако при обслуживании вход решения по умолчанию обрезается до 1 024 токенов. Лицензия — Apache-2.0. Результаты модели наследуют ошибки и смещения TypeSafe Jev 1.13; авторы отмечают слабости в многошаговых рассуждениях, арифметике, датах, подсчёте и работе с состязательными входами. Также возможна нестабильность выбора при перестановке вариантов. Корпус англоязычный, а многоязычное поведение не оценивалось. Поток разметки релевантности памяти содержит заглушечные метки, поэтому модель не рекомендуется для такой оценки без дополнительного обучения. Для ответственных решений требуется проверка на собственных данных; модель не предназначена для высокорисковых сценариев.