I.11Классификация, ранжирование и сопоставление

laya-ara-rag — модель Мохаммада Альхенизана для переранжирования коротких списков арабских текстовых фрагментов в системах поиска и RAG. Это дообученная версия convaiinnovations/laya-multilingual на архитектуре ModernBERT с 306,9 млн параметров и контекстом до 8192 токенов. Модель не генерирует текст и не предназначена для первичного поиска: она оценивает релевантность пары «запрос — фрагмент» и выбирает наиболее подходящие варианты из списка до 12 кандидатов. Обучение проводилось с использованием RLCD на данных MIRACL-ar, арабской части MASSIVE и внутренних логов поиска, которые не распространяются. В README приведены результаты на арабских задачах переранжирования, включая MIRACL-ar, Mr.TyDi-ar и MLQA-ar; показатели отражают выбор первого кандидата в коротком списке, а не стандартную метрику nDCG@10. Модель распространяется под лицензией Apache-2.0.

Weidows/laya-multilingual-GGUF — это GGUF-конверсия модели convaiinnovations/laya-multilingual, предназначенная для запуска через llama.cpp. Модель представляет собой encoder-only архитектуру на базе mmBERT-base с 22 слоями и размером скрытого представления 768. В карточке указано мультиязычное назначение, а исходная модель поддерживает классификационные сценарии, включая XNLI и классификацию департамента и срочности обращений. Модель предназначена для получения эмбеддингов и последующего применения отдельной decision head для задач text classification. Голова классификации поставляется отдельно в файле laya-multilingual-head.safetensors. Для корректной токенизации требуется использовать поставляемый tokenizer.json с Gemma-style vocabulary: встроенная токенизация llama.cpp для этого словаря ненадёжна. Контекст запуска в примере составляет 2048 токенов. Доступны варианты F16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и IQ4_XS, включая варианты с imatrix; их размер составляет примерно от 235 до 629 МБ. По приведённой оценке F16 полностью совпал с исходной FP32-моделью на 12 тестовых примерах, а Q8_0 сохранил полное совпадение решений. Более компактные варианты также показали хорошие результаты на этом наборе, однако Q3_K_M заметно уступал на неанглийских примерах, поэтому для важных задач рекомендуется Q8_0. Модель и конверсия распространяются по лицензии Apache-2.0.

Модель Impira — дообученная мультимодальная LayoutLM с архитектурой LayoutLMForSequenceClassification и 136,7 млн параметров. Она предназначена для классификации документов; в карточке указана задача text-classification, а среди примеров применения отмечены PDF и счета. Модель рассчитана на английский язык и обрабатывает последовательности длиной до 512 токенов. Модель можно применять для автоматической классификации документов и счетов в рабочих процессах разбора PDF. Она учитывает структуру документа, что полезно для задач, где важны текст и его расположение. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением на коммерческое использование. В README отмечены риски стереотипных и вредных предсказаний; сведения о данных обучения и метриках не приведены.

reranker_0.5_bin_filt — это текстовая reranker-модель для ранжирования и переранжирования найденных документов или других текстовых кандидатов по их релевантности запросу. Исходная модель разработана пользователем lightblue и дообучена на базе Qwen/Qwen2.5-0.5B-Instruct; GGUF-квантизацию выполнил Richard Erkhov. Модель предназначена для сценариев поиска, retrieval-augmented generation и фильтрации результатов, где требуется выбрать или упорядочить наиболее подходящие тексты. Она доступна в формате GGUF с вариантами квантизации Q2_K, IQ3, Q3, IQ4, Q4, Q5, Q6 и Q8; размер файлов составляет примерно 0,39–0,63 ГБ. Указано, что базовая модель имеет размер 0,5B параметров, однако сведения о точной архитектуре reranker, поддерживаемых языках, модальностях и длине контекста отсутствуют. К сильным сторонам относятся небольшой размер и возможность локального запуска благодаря GGUF-квантизации, а также специализация на задачах бинарного ранжирования. Ограничения связаны с отсутствием подробного описания датасета, сценариев применения, языковой поддержки и полноценных оценок качества: в карточке приведены только значения loss, включая 0,0526 на evaluation set. Лицензия указана как «other», без уточнения условий использования, поэтому перед применением необходимо проверить лицензионные ограничения исходной модели и производного артефакта.

Jeevesh8/lp1e-3_ft_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_28 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для отнесения текстовых входов к заданным классам и относится к семейству моделей, обученных с использованием Transformers; в названии также указана связь с MNLI и BERT-base-uncased. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Данных о модальностях, лицензии и точном наборе выходных меток недостаточно. Практическая применимость определяется конкретными классами и датасетом дообучения; по доступным сведениям модель не предназначена для генерации текста.

Это мультиязычная модель эмбеддингов LinkTransformer, разработанная исследователями Гарвардского университета. Она основана на XLM-RoBERTa и дообучена на парах названий компаний и их псевдонимов из Wikidata с помощью контрастивной функции потерь SupCon. Модель кодирует предложения и абзацы в плотные векторы размерности 768; заявленный максимальный размер последовательности в конфигурации — 128 токенов, а контекст модели — 514 токенов. Модель предназначена прежде всего для связывания записей: поиска совпадающих сущностей, дедупликации, кластеризации и объединения данных. Её также можно применять для семантического поиска и оценки сходства предложений в экосистеме Sentence Transformers. Она рассчитана на немецкий, английский, китайский, японский, хинди, арабский, бенгальский, португальский, русский, испанский, французский и корейский языки. Специализация на названиях компаний и псевдонимах Wikidata помогает сопоставлять варианты именования в задачах связывания записей, но не подтверждает такое же качество на других типах сущностей и текстов. Для применения модели необходима библиотека Sentence Transformers или LinkTransformer. Лицензия в предоставленных данных не указана.

gabrielloiseau/LUAR-CRUD-sentence-transformers — версия модели LUAR в формате Sentence Transformers, предназначенная для получения векторных представлений авторского стиля и сравнения текстов. В README указано, что модель основана на LUAR-MUD; авторство исходной работы — Rivera-Soto и соавторы (2021). Метаданные связывают её с дообученной моделью rrivera1849/LUAR-CRUD. Модель использует архитектуру RoBERTa, содержит 95,2 млн параметров и поддерживает контекст до 514 токенов. Она обучалась на подвыборке Pushshift Reddit: комментариях пяти миллионов пользователей, написанных с января 2015 по октябрь 2019 года; в выборку вошли авторы как минимум со 100 комментариями. Подходит для получения эмбеддингов, оценки сходства текстов и анализа авторского стиля. Метаданные указывают английский язык и лицензию Apache-2.0.

M3E-small — компактная модель текстовых эмбеддингов, обученная MokaAI на крупных наборах пар текстов. Она основана на архитектуре BERT и содержит 27,6 млн параметров; модель преобразует текст в плотные векторы и предназначена прежде всего для китайских текстов. Модель подходит для оценки сходства предложений, поиска похожих вопросов и семантического поиска по текстам. README указывает на обучение на китайских данных из разных областей и описывает поддержку английского в серии M3E, однако сравнительная таблица для версии small отмечает поддержку китайского, но не английского. Поэтому для этой версии следует ориентироваться на китайский язык. Максимальная длина контекста — 512 токенов; модель доступна в формате PyTorch и совместима с Sentence Transformers. В README приведены результаты оценки на задачах классификации и поиска, но качество зависит от набора данных и сценария. Для M3E-small отмечены ограничения в поиске между текстом запроса и фрагментом документа и отсутствие поиска по коду. Метаданные и предоставленный фрагмент README не содержат сведений о лицензии.

zeromodels/metaclip2_mt5_worldwide_m16_224 — конверсия MetaCLIP 2, подготовленная проектом zeromodels в формате Keras 3. В основе — двухкодерная архитектура CLIP для сопоставления изображений и текста; реализация работает с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах: она оценивает соответствие изображения предложенным текстовым меткам. Вариант worldwide обучен на многоязычном распределении данных, а версия mt5 использует SentencePiece; запросы-классы можно формулировать на разных языках, включая английский, французский, испанский и немецкий. Суффикс 224 указывает на вариант модели, однако карточка не сообщает размер параметров или длину контекста. Подходит для прототипирования мультиязычной классификации изображений и поиска подходящих текстовых меток. Качество зависит от формулировки описаний и набора кандидатов; карточка не приводит количественных оценок качества. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

Это конверсия MetaCLIP 2 Worldwide M16 в формат Keras 3, опубликованная zeromodels на основе facebook/metaclip-2-worldwide-m16. Модель с архитектурой CLIP использует два энкодера: один для изображений, другой для текста. Она предназначена для классификации изображений по текстовым описаниям в zero-shot режиме, без отдельного обучения на заданных классах. Вариант Worldwide обучен на многоязычном распределении данных и использует словарь XLM-RoBERTa размером 901 тыс. токенов, поэтому принимает текстовые метки на разных языках, включая английский, французский, испанский и немецкий. Конверсия работает через Keras 3 с бэкендами TensorFlow, Torch и JAX; для загрузки предлагается совместимый Processor, который подбирает размер изображения и токенизатор. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование.

MoritzLaurer/MiniLM-L6-mnli — англоязычная модель классификации последовательностей на базе MiniLM-L6 от Microsoft, дообученная на датасете MultiNLI для распознавания отношений между посылкой и гипотезой. Она подходит для классификации текста по заданным категориям методом zero-shot: категории можно задавать естественно-языковыми описаниями без отдельного обучения на этих метках. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и обрабатывает входы длиной до 512 токенов. В README указана точность 0,814 на тестовой выборке MultiNLI matched. Компактность обеспечивает высокую скорость, но точность несколько ниже, чем у более крупных моделей. Для развёртывания доступна версия в формате PyTorch; лицензия в предоставленных данных не указана.

Модель amanrajput/MiniLM-L6-v2-biology-finetuned — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, дообученный на 33 038 парах предложений с использованием MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство текстов можно оценивать косинусной мерой. Архитектура включает BERT-трансформер, усредняющий пулинг и нормализацию. В README указан предел последовательности 256 токенов; метаданные указывают нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных охватывают биологию и смежные темы, включая экологию и медицину, однако в карточке не описана отдельная специализированная область применения или оценка качества. Это текстовая модель для английских предложений и абзацев; лицензия в предоставленных данных не указана.

vllm-sr/mmbert-embed-medical — модель Sentence Transformers, дообученная разработчиком vllm-sr на базе vllm-sr/mmbert-embed-32k-2d-matryoshka для медицинских текстов. Это плотный энкодер ModernBERT на 306,9 млн параметров: он кодирует предложения и абзацы в векторы размерности 768, пригодные для сравнения по косинусному сходству. Максимальная длина последовательности — 32 768 токенов; в README описано среднее объединение токеновых представлений. Модель предназначена для семантического поиска и сопоставления медицинских текстов, а также может использоваться для поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Репозиторий содержит веса safetensors и ONNX; метаданные указывают библиотеку sentence-transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Xenova/mobilebert-uncased-mnli — это версия модели typeform/mobilebert-uncased-mnli с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — Typeform; репозиторий Xenova адаптирует её для веб-сред и JavaScript-приложений. Модель предназначена для классификации текстов без дополнительного обучения по заранее заданным категориям (zero-shot classification). Она может оценивать, насколько входной текст соответствует меткам, например «positive» и «negative», что подходит для анализа тональности, тематической маршрутизации и других задач классификации с динамическим набором классов. Основная архитектура — MobileBERT; в README не указаны размер модели, максимальная длина контекста, точный набор поддерживаемых языков и модальности, поэтому предполагается работа только с текстом. Ключевое преимущество модели — возможность запуска через Transformers.js и ONNX, в том числе в веб-средах, без использования исходного формата весов. Ограничения включают зависимость от качества и формулировки заданных меток, а также отсутствие в README подробностей о точности, производительности и языковых возможностях. Лицензия в предоставленных данных не указана.

Xenova/mobileclip_b — версия модели MobileCLIP-B в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Это модель семейства CLIP для классификации изображений по текстовым описаниям: она сопоставляет изображение с кандидатными текстовыми метками и позволяет выбирать наиболее подходящую. Репозиторий указывает задачу zero-shot image classification и совместимость с Transformers.js. Модель принимает изображения и текстовые варианты меток, а выдаёт оценки соответствия, которые можно использовать для классификации без обучения на собственных классах. Она подходит для клиентских JavaScript-приложений, которым нужна классификация изображений по заданному пользователем набору категорий. В карточке указана лицензия other; конкретные условия использования следует сверить с лицензией исходной модели MobileCLIP-B.

MobileCLIP-S0 — компактная модель Apple, представленная в работе MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training на CVPR 2024. Эта версия репозитория содержит контрольную точку для TIMM в формате PyTorch. Модель объединяет обработку изображений и текста для сопоставления их представлений и классификации изображений по текстовым описаниям. Модель предназначена для классификации изображений, в том числе zero-shot: пользователь задаёт возможные категории текстом, а модель оценивает соответствие изображения каждой категории. В README указано, что MobileCLIP-S0 примерно в 4,8 раза быстрее и в 2,8 раза меньше OpenAI ViT-B/16 при близких результатах zero-shot; для неё приведены 67,8% точности top-1 на ImageNet в zero-shot режиме и средний результат 58,1% на 38 наборах данных. Таблица указывает 11,4 млн параметров визуальной части и 42,4 млн параметров текстовой части. Модель принимает изображения и текстовые описания и выдаёт оценки их соответствия; карточка Hugging Face помечает её задачей image-classification. Она рассчитана на сценарии, где важны скорость и небольшой размер, например мобильное распознавание категорий. Лицензия репозитория — Apple AMLR. В README не указаны поддерживаемые языки текста, поэтому языковую универсальность по этим данным подтвердить нельзя.

Это англоязычная модель Sentence Transformers, созданная дообучением nomic-ai/modernbert-embed-base на 5 822 парах текстов. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 768, сравниваемые с помощью косинусного сходства. Архитектура основана на ModernBERT с усреднением токенов; максимальная длина входа — 8 192 токена. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск по юридическим документам, поиск перефразировок, кластеризацию и классификацию. Matryoshka-обучение позволяет сокращать размерность эмбеддингов: в карточке приведены результаты поиска при усечении векторов до 512, 256, 128 и 64 измерений, с постепенным снижением метрик относительно 768 измерений. Лицензия — Apache-2.0.

Карточка модели musafa901/modernbert-ja-310m на Hugging Face совпадает с карточкой sbintuitions/modernbert-ja-310m, поэтому описание составлено по ней. ModernBERT-Ja-310M — плотный энкодер на архитектуре ModernBERT, разработанный SB Intuitions и обученный для заполнения пропусков в тексте. Модель содержит около 314,6 млн параметров, использует локальное и глобальное внимание, RoPE и контекст до 8192 токенов. Для токенизации применяется SentencePiece с unigram-моделью, словарём из 102 400 токенов и byte fallback; предварительная сегментация японского текста не требуется. Модель обучена на корпусе японских и английских текстов объёмом около 4,09 трлн токенов, включая два этапа расширения контекста. Она предназначена прежде всего для дообучения на прикладных задачах и подходит как энкодер для задач понимания текста; сама по себе не предназначена для генерации связного текста. Разработчик отмечает, что токенизация может ухудшать результаты задач разметки токенов, например распознавания именованных сущностей и извлечения фрагментов. Лицензия — MIT.

ModernBERT-Ja-310M — плотный энкодер на архитектуре ModernBERT, разработанный SB Intuitions и обученный для заполнения пропусков в тексте. Модель содержит около 314,6 млн параметров, использует локальное и глобальное внимание, RoPE и контекст до 8192 токенов. Для токенизации применяется SentencePiece с unigram-моделью, словарём из 102 400 токенов и byte fallback; предварительная сегментация японского текста не требуется. Модель обучена на корпусе японских и английских текстов объёмом около 4,09 трлн токенов, включая два этапа расширения контекста. Она предназначена прежде всего для дообучения на прикладных задачах и подходит как энкодер для задач понимания текста; сама по себе не предназначена для генерации связного текста. Разработчик отмечает, что токенизация может ухудшать результаты задач разметки токенов, например распознавания именованных сущностей и извлечения фрагментов. Лицензия — MIT.

monoELECTRA — англоязычный cross-encoder-реранкер, разработанный Castorini на базе google/electra-base-discriminator. Модель обучена на passages из MS MARCO в течение 300 тысяч шагов с размером батча 16; при обучении использовались сложные негативные примеры от сильных поисковых систем и функция потерь Localized Contrastive Estimation с группами до 31 негатива на один положительный пример. Модель оценивает релевантность пары «запрос — фрагмент текста» и предназначена для повторного ранжирования результатов первичного поиска. В карточке указано, что такой подход превосходит стандартный monoBERT и базовые варианты с hinge- и cross-entropy-функциями потерь, особенно при ранжировании верхних результатов, содержащих близкие по смыслу passages. Число параметров — 136,7 млн, контекст — до 512 токенов; формат весов — PyTorch. Модель подходит для англоязычного поиска и ранжирования текстовых passages. Лицензия в предоставленных данных не указана.

morisien-embed — модель эмбеддингов предложений на основе XLM-RoBERTa, разработанная для текста на маврикийском креольском языке (Kreol Morisien, mfe) и поиска между ним, английским и французским. Она дообучена на multilingual-e5-base на 35 064 парах предложений из MorisienMT и маврикийской части Kreyòl-MT; содержит 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и создаёт плотные векторы для семантического поиска, извлечения документов для RAG, кластеризации и поиска параллельных текстов. На тестовых данных MorisienMT модель превзошла проверенные универсальные мультиязычные эмбеддинги в измеренных направлениях поиска. Преимущество над LaBSE относится к этому домену: на более сложной проверке с отвлекающими примерами модель не превосходит нетронутую LaBSE. Неформальный и технический регистры мало проверены; смешение маврикийского и гаитянского креольских текстов ухудшает поиск, а длинные документы нужно делить на части из-за усечения входа. Модель распространяется по лицензии MIT.

Jeevesh8/multiberts_seed_0_ft_4 — модель для классификации текста на базе BERT, опубликованная пользователем Jeevesh8 и основанная на MultiBERTs Seed 0 от Google. Модель предназначена для задач text classification и загружается через Transformers; её исходная архитектура представляет собой BERT-base uncased, предварительно обученный на английском языке с использованием masked language modeling и next sentence prediction, а данный вариант дообучен для классификации текста. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Она подходит для присвоения текстам категорий или меток в прикладных классификационных сценариях, однако конкретная схема меток и исходный набор данных дообучения для этого варианта в доступных источниках не описаны. Модель не предназначена для генерации текста и ограничена английским языком и максимальной длиной контекста.

Xenova/multilingual-e5-base — версия модели intfloat/multilingual-e5-base с весами в формате ONNX, подготовленная для использования в Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-средах, включая веб-приложения, через библиотеку @huggingface/transformers. Модель предназначена для извлечения признаков из текста и может использоваться как основа для задач семантического поиска, сравнения текстов, кластеризации и построения других NLP-систем. В README подтверждён сценарий feature extraction. Модель заявлена как multilingual, однако конкретный перечень поддерживаемых языков, размер, архитектура, длина контекста и точные характеристики качества в предоставленных данных не указаны. Ключевое преимущество этой версии — совместимость с Transformers.js и ONNX, что облегчает запуск модели в JavaScript- и веб-средах. Ограничение описания заключается в отсутствии подробных сведений о производительности, поддерживаемых языках, требованиях к ресурсам и лицензии. Информация о лицензии в README не приведена.

multi-modal-embed-small — компактная мультимодальная модель эмбеддингов из семейства MoM (Mixture of Models), объединяющая представления текста, изображений и аудио в общем семантическом пространстве. По карточке модель насчитывает около 120 млн параметров и использует текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер Whisper-tiny и двухслойный трансформер для слияния представлений. Модель предназначена для поиска и сравнения объектов между модальностями: например, поиска изображения по тексту или текста по аудио. Эмбеддинги имеют размерность 384; Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений, а 2DMSE поддерживает адаптивные вычисления. Изображения обрабатываются при разрешении 512×512, аудио — длительностью до 30 секунд с частотой 16 кГц. Поддерживается только английский язык; генерация не является назначением модели. В README приведены результаты поиска по изображениям на COCO и аудио на LibriSpeech, однако они сами по себе не гарантируют аналогичное качество на других данных. Репозиторий содержит веса SafeTensors; метаданные также указывают ONNX-формат и библиотеку Transformers. Лицензия — Apache-2.0.

Mursit-Embed-Qwen3-1.7B-TR — модель эмбеддингов, разработанная newmindai для семантического поиска и извлечения информации на турецком языке. Она основана на Mecellem-Qwen3-1.7B-TR и преобразована из авторегрессионной архитектуры Qwen3 в двунаправленную модель с mean pooling. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и рассчитана в README на последовательности до 1024 токенов; метаданные указывают контекст до 40960 токенов. Модель обучалась для поиска по турецким документам, в том числе юридическим, на наборе MS MARCO-TR из 920 106 триплетов. Она подходит для семантического поиска, ранжирования релевантности, сопоставления предложений и поиска по документам; README также называет сценарии вопросно-ответных систем и межъязыкового поиска. В бенчмарке MTEB-Turkish указана оценка 56,84, однако в юридических задачах модель заметно уступает некоторым encoder-only моделям. Доступны форматы Safetensors и ONNX, библиотека — Sentence Transformers. Лицензия — Apache-2.0.

MyAwesomeModel — модель из репозитория safasfaf4546/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков из текста в библиотеке Transformers. В метаданных она помечена как BERT-подобная модель для задачи feature extraction и использует PyTorch.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная в библиотеке Transformers и распространяемая по лицензии MIT. Метаданные Hugging Face указывают задачу feature extraction, а также использование PyTorch и Transformers. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в поиске по смыслу, кластеризации, классификации, оценке сходства текстов и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования и работы с функциями, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не подтверждают генеративное применение модели. Языки, число параметров, размер контекста и точная архитектура базовой модели в предоставленных данных не определены; тег BERT указывает на семейство архитектур. Ограничения включают отсутствие подтверждённых сведений о языковой поддержке и специализированных результатах именно для извлечения признаков. Использование разрешено на условиях лицензии MIT.

MyAwesomeModel — модель семейства BERT из репозитория toolathlon3/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. Согласно метаданным, она реализована на PyTorch и библиотеке Transformers, а её основной тип задачи Hugging Face — feature-extraction. Модель может использоваться для получения векторных представлений текста, семантического поиска, кластеризации, сравнения текстов и как компонент систем классификации или других downstream-задач. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и работы с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают архитектуру генеративной модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные характеристики архитектуры в доступных данных не указаны.

NaFlexCLAP mediumd pf4 pt20 moderntextp — чекпойнт аудиотекстовой модели CLAP из семейства NaFlexCLAP; в карточке приведены результаты сравнительных тестов, но разработчик модели явно не назван. Модель содержит около 139,7 млн параметров. Аудиобашня имеет ширину 512, 20 слоёв и 8 голов внимания, использует gated attention; карточка описывает также текстовую башню, но не сообщает модальности через конкретный формат входа или выходов.

Модель cross-encoder/nli-deberta-v3-large разработана на базе microsoft/deberta-v3-large и обучена с помощью SentenceTransformers Cross-Encoder на наборах SNLI и MultiNLI. Для пары предложений она оценивает три отношения: противоречие, следование и нейтральность. Модель предназначена для вывода отношений между текстами и классификации без примеров, когда метки задаются пользователем. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. В README приведены точности 92,20% на SNLI-test и 90,49% на MNLI mismatched. Доступны форматы PyTorch, Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает поддержку английского языка.