I.11Классификация, ранжирование и сопоставление

Tasksource-JEV-Nano-v0 — англоязычная модель для принятия решений по тексту, разработанная Дамьеном Силео как дообучение LightOn LateOn на базе ModernBERT-base. Она использует многовекторное представление и позднее взаимодействие токенов, что предназначено для высокопроизводительной классификации и типизированных решений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов; в метаданных указана библиотека sentence-transformers и формат safetensors. Базовая модель LateOn ориентирована на семантический поиск и извлечение документов.

GPTasty/TastyRecipesEmbedder — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для работы с текстами рецептов. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 768; для сравнения используется косинусное сходство. Архитектура основана на MPNet с усреднением токенов, максимальная длина последовательности в README — 384 токена, а контекст модели по метаданным — 514 токенов. Модель подходит для семантического поиска и сравнения рецептов, поиска перефразировок, кластеризации и классификации текстов. Её можно применять для подбора похожих рецептов по описанию или ингредиентам. Данные карточки не сообщают условия лицензии, поэтому условия использования здесь не описаны.

chs20/TeCoA4-ViT-B-32-laion2B-s34B-b79K — модель для оценки перцептивного сходства изображений, созданная на основе CLIP ViT-B/32 от laion. Разработчики дообучили её методом TeCoA (Mao et al., 2023) на ImageNet, используя состязательные возмущения с нормой L∞ и радиусом 4/255. Модель предназначена для сравнения изображений и задач классификации изображений по текстовым описаниям без специального обучения под каждый набор классов. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,0 на чистых данных, 79,1 при L∞ с ε=4/255 и 79,7 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch в формате safetensors. Модель принимает изображения и текстовые описания классов, а выдаёт оценки соответствия для классификации с нулевым количеством примеров. Лицензия — MIT. README не приводит сведения о языках текстовых запросов или длине контекста.

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

Это экспериментальная англоязычная модель Sentence Transformer, созданная tomaarsen дообучением answerdotai/ModernBERT-base на наборе Natural Questions с функцией потерь DebiasedMultipleNegativesRankingLoss. Encoder-архитектура ModernBERT преобразует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель рассчитана на семантический поиск и оценку сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. Максимальная длина последовательности составляет 8192 токена. В README приведены результаты оценки на небольших наборах для поиска информации; карточка описывает модель как тестовый эксперимент с новой функцией потерь, поэтому результаты не следует считать гарантией качества в прикладной системе. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Это англоязычный BERT-ранжировщик на основе google-bert/bert-base-uncased, дообученный командой UtahNLP с помощью Tevatron-Elastic. Он предназначен для повторного ранжирования найденных документов по их релевантности запросу в системах информационного поиска. Модель поддерживает эластичное сокращение глубины: один чекпойнт позволяет выбирать число используемых слоёв и балансировать качество и вычислительные затраты. Модель обучена на наборе rlhn/rlhn-680K, использует префиксы query: и passage:, максимальная длина входа — 512 токенов. Для полной конфигурации авторы сообщают BEIR-15 nDCG@10 0,453. Для выбора режима работы нужны инструменты Tevatron-Elastic; модель выпущена как ресурс для воспроизводимости исследования и не заявлена как достижение нового уровня качества. Весовые файлы доступны в формате safetensors, лицензия — Apache-2.0.

tevatron-elastic-bert-reranker-plain — англоязычный реранкер на базе google-bert/bert-base-uncased, обученный с помощью Tevatron-Elastic. Это полный базовый вариант чекпойнта для оси plain: он предназначен для повторного ранжирования найденных документов по запросу и выбора рабочего режима в рамках подхода сжатия по глубине, ширине и токенам. Модель содержит 136,7 млн параметров, принимает текстовые запросы и фрагменты документов с префиксами query: и passage:, поддерживает контекст до 512 токенов и распространяется в формате safetensors для Transformers. В README указан результат 0,462 nDCG@10 на BEIR-15; чекпойнт выпущен как ресурс для воспроизводимости исследования, а не как заявка на передовое качество. Лицензия — Apache-2.0.

GinnM/ThermoFormer — модель на базе Transformers, опубликованная пользователем GinnM на Hugging Face. В метаданных она обозначена для задачи feature-extraction, то есть получения векторных представлений входных данных для последующего анализа или использования в прикладных системах. Модель содержит около 865,1 млн параметров и поддерживает контекст длиной до 1026 токенов. Модель может применяться как компонент систем, которым нужны признаки или эмбеддинги для сравнения объектов, поиска по смыслу, классификации и других downstream-задач. Библиотека Transformers и формат safetensors указаны в метаданных. Сведения о разработчике, языках, обучающих данных, архитектуре более высокого уровня, результатах оценки, лицензии и рекомендуемых сценариях использования в доступных материалах не приведены.

Tianmu-Emb-Uni-8B — мультимодальная модель эмбеддингов семейства Tianmu от TianmuLab для поиска и сопоставления данных разных типов. Она объединяет основу Qwen3-VL-Embedding-8B с аудиоветвью, инициализированной из Qwen2.5-Omni-7B; обученные аудиомодули, соединитель, проекцию, адаптер и прототипные модули связывают аудио с общим пространством эмбеддингов. Размерность представления — 3584. Модель предназначена для текстово-визуального и аудиопоиска, поиска по видео и визуальным документам, мультимодального RAG и семантического сопоставления; её оценивали на MMEB-V3. Репозиторий содержит только дообученные модули, а не полные веса базовых моделей. Для запуска нужно отдельно подготовить Qwen3-VL-Embedding-8B и Qwen2.5-Omni-7B и использовать код проекта: штатная загрузка через transformers.AutoModel.from_pretrained не поддерживается. Карточка описывает выпуск как предназначенный главным образом для исследований и оценки; качество может снижаться за пределами доменов MMEB-V3, а поиск по аудио в текущем чекпойнте сложнее классификации аудио. Лицензия репозитория — Apache-2.0; для базовых моделей и зависимостей нужно соблюдать их отдельные условия использования.

Sayan01/tiny-bert-qnli-distilled — компактная дистиллированная модель семейства BERT, опубликованная пользователем Sayan01 на Hugging Face. Она предназначена для классификации пар текстов в задаче QNLI и может использоваться через Transformers как модель text-classification для sequence classification. Модель имеет около 15,6 млн параметров, архитектурную основу BERT и максимальную длину входа 512 токенов. Она ориентирована на английский язык и подходит для определения отношения между вопросом и текстовым фрагментом, например для проверки, содержит ли фрагмент ответ на вопрос. Компактный размер упрощает локальный запуск и снижает требования к ресурсам, но модель специализирована на классификации, не генерирует ответы и не предназначена для произвольного многоязычного применения. Сведения о лицензии в доступных источниках не установлены.

WebOrganizer/TopicClassifier-NoURL — англоязычный классификатор веб-страниц по содержанию их текста, разработанный WebOrganizer. Он распределяет страницы по 17 тематическим категориям, не используя URL, поэтому подходит для сортировки и тематической организации веб-контента по самому тексту. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В README указано около 140 млн параметров, а метаданные каталога — 136,7 млн; контекст составляет до 8192 токенов. Для обучения использованы наборы WebOrganizer с аннотациями, созданными моделями Llama 3.1 8B и Llama 3.1 405B FP8. Для ускоренного вывода авторы рекомендуют реализацию gte-base-en-v1.5 с unpadding и эффективным attention, для чего требуется xformers. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных материалах отсутствуют.

Oblix15/tsdae-financiero — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Модель предназначена для поиска и сравнения текстов по косинусному сходству; обучение выполнено с DenoisingAutoEncoderLoss на 36 035 парах предложений из финансового контекста на испанском языке. Модель принимает текст, использует CLS-пулинг и рассчитана на последовательности длиной до 75 токенов. Метаданные указывают 137,1 млн параметров и максимальный контекст 512 токенов; для практического использования следует учитывать более короткий лимит из карточки модели. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

cardiffnlp/tweet-topic-latest-multi — модель Cardiff NLP на архитектуре RoBERTa-base для многометочной классификации тем англоязычных твитов. Её обучали на 168,86 млн твитов, опубликованных до конца сентября 2022 года, а затем дообучили для классификации на корпусе из 11 267 твитов. Модель относит текст к темам вроде искусства и культуры, бизнеса, повседневной жизни, здоровья, еды, новостей, науки, спорта и путешествий; один твит может получить несколько меток. Модель принимает текст и выдаёт метки классов. Она подходит для анализа тематики публикаций в социальных сетях и тематической сортировки англоязычных твитов. Размер модели — 151,8 млн параметров, максимальная длина контекста — 514 токенов; доступны веса PyTorch и TensorFlow. В карточке указана пригодность для английского языка. Лицензия в предоставленных данных не указана.

Xenova/UAE-Large-V1 — это версия модели WhereIsAI/UAE-Large-V1 с весами в формате ONNX, подготовленная для использования через библиотеку Transformers.js. Модель предназначена для построения векторных представлений текстов и может применяться в семантическом поиске, вычислении сходства предложений, кластеризации и других задачах, где нужны sentence embeddings. В README приведён пример использования JavaScript-пайплайна feature-extraction и вычисления cosine similarity. При использовании с pooling cls модель возвращает эмбеддинги размерности 1024. Поддерживаются варианты точности fp32, fp16, q8 и q4, что позволяет выбирать компромисс между качеством, размером и производительностью. Сведения о точной архитектуре, размере, языках, поддерживаемых модальностях, максимальной длине контекста и характеристиках качества в README отсутствуют, поэтому эти параметры нельзя достоверно определить. Модель удобна для запуска в JavaScript-средах и веб-ориентированных сценариях благодаря ONNX-весам и совместимости с Transformers.js. Ограничения включают отсутствие подробной информации о назначении, обучающих данных и результатах оценки; применение для конкретных языков и задач следует дополнительно проверять. Лицензия — MIT.

VelaVec-T2I — компактная гибридная модель для поиска изображений по тексту, разработанная автором репозитория xagent2025. Текстовая часть содержит 9,8 млн параметров: замороженную таблицу представлений размером 30 522 × 256, три двунаправленных блока внимания и два слоя пулинга. Дополнительная проекционная голова переводит признаки изображений CLIP в пространство текстовых эмбеддингов VelaVec, поддерживая поиск в обоих направлениях; модель оптимизирована прежде всего для поиска изображений по тексту. В тесте на Flickr30k автор сообщает Recall@1 0,560 для поиска изображения по подписи и 0,619 для поиска подписи по изображению. Обучение проекционной головы проводилось на Flickr30k с контрастивной функцией InfoNCE. Для обработки изображений при инференсе требуются PyTorch, Transformers и признаки двух моделей CLIP — openai/clip-vit-base-patch32 и openai/clip-vit-large-patch14; их веса не включены в репозиторий. Лицензия — MIT.

nguyenthanhhoa03 выпустил дообученную Sentence Transformer-модель на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она преобразует вьетнамские предложения и абзацы в плотные векторы размерности 768 для семантического поиска и извлечения релевантных текстов. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель работает с текстом, максимальная длина последовательности — 258 токенов по метаданным. Модель подходит для поиска по смыслу и сравнения предложений на вьетнамском языке. В README указан лимит 256 токенов, тогда как метаданные указывают 258; учитывайте лимит, заданный используемой конфигурацией. Лицензия в предоставленных данных не приведена.

duclvQ/vi-laya — вьетнамская модель-реранкер общего назначения, разработанная автором репозитория на базе convaiinnovations/laya. Она оценивает пару «запрос — фрагмент текста» и возвращает вероятность от 0 до 1, что фрагмент отвечает на запрос; модель предназначена для повторного ранжирования результатов, полученных на первом этапе поиска. Архитектура Laya использует мультиязычный вариант mmBERT-base с 322 млн параметров и головой принятия решения «да/нет». Максимальная длина входа — 8192 токена. Модель дообучена на 775 749 парах за одну эпоху с RLCD и soft cross-entropy; после обучения применено температурное масштабирование T=1,28. В README приведены результаты на наборах для вьетнамских вопросов и поиска по юридическим документам, а также показатели качества вероятностных оценок. Доступны веса в формате Safetensors; лицензия — Apache-2.0. Для запуска предлагается библиотека laya версии 0.3.11 или новее.

VoiceCLAP-Commercial (small) — модель для сопоставления речи и текстовых описаний по эмоциям и манере говорения. Её разработчик в README не назван; модель дообучена на базе laion/voiceclap-small и сохраняет её двухбашенную CLAP-архитектуру размером 110 млн параметров: аудиокодировщик на основе BUD-E-Whisper-Small обрабатывает 80-мерные mel-признаки при 16 кГц, текстовый кодировщик использует all-MiniLM-L6-v2, а совместное пространство содержит нормализованные эмбеддинги размерности 768. Для выделения эмоциональных признаков добавлены 39 обучаемых прототипов эмоций и вспомогательная функция потерь. Модель обучена на данных, которые, согласно карточке, допускают коммерческое лицензирование: Emilia-YODAS, LAION's Got Talent и Majestrino; из обучающей смеси исключены источники с некоммерческими лицензиями. Она предназначена для извлечения аудио- и текстовых признаков и поиска сходства между речевыми фрагментами и описаниями эмоций или стиля речи. В сравнительном эксперименте модель показала лучшие результаты на четырёх из пяти указанных метрик относительно варианта, обученного также на некоммерческих данных, но уступила по ранжированию интенсивности эмоций на синтетическом аудио. Лицензия репозитория — CC BY 4.0.

X-CLIP Base Patch16 — видеоязычная модель Microsoft для распознавания действий и классификации видео. Это расширение CLIP, обученное контрастивно на парах видео и текста и полностью под надзором на датасете Kinetics-400. Модель обрабатывает 16 кадров видео с разрешением 224×224; в репозитории представлены веса PyTorch. Модель подходит для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствия между видео и текстом. Её можно применять для оценки того, насколько описание подходит к видеоролику. На Kinetics-400 указаны точность top-1 84,7% и top-5 96,8%. Лицензия — MIT. Модель обучалась на Kinetics-400; её результаты и применимость могут зависеть от сходства целевых видео с обучающими данными и от предварительной обработки кадров.

Карточка модели kas1293/xclip-base-patch32 на Hugging Face совпадает с карточкой microsoft/xclip-base-patch32, поэтому описание составлено по ней. X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя. Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

X-CLIP — видеоязыковая модель семейства CLIP, разработанная Microsoft и представленная Ni и соавторами в работе «Expanding Language-Image Pretrained Models for General Video Recognition». Это базовая модель с патчами размером 32, обученная с учителем на датасете Kinetics-400 в контрастивном режиме на парах «видео — текст». Для обработки каждого видео использует 16 кадров с разрешением 224×224. Модель подходит для классификации видео zero-shot, few-shot и с учителем, а также для поиска соответствия между видео и текстом и поиска видео по текстовому запросу. На Kinetics-400 указаны результаты top-1 81,1% и top-5 95,5%. В репозитории доступны веса PyTorch и safetensors; лицензия — MIT. Карточка приводит английский язык в метаданных, но не утверждает, что модель рассчитана только на английский.

X-CLIP Large Patch14 — видеоязыковая модель Microsoft, представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это расширение CLIP для работы с видео и текстом, обученное контрастным способом на парах «видео—текст» и полностью под наблюдением на наборе Kinetics-400. Модель предназначена для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. При обучении использовались 8 кадров на видео с разрешением 224×224; для классификации на основе сходства модель оценивает, насколько текст подходит к видео. В оценке на Kinetics-400 указаны точности top-1 87,1% и top-5 97,6%. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на Kinetics-400; результаты и пригодность для других наборов данных могут отличаться.

X-CLIP Large Patch14 — видеотекстовая модель Microsoft для распознавания действий и классификации видео. Это расширение CLIP, обученное контрастивным способом на парах видео и текста; архитектура модели обозначена как XCLIPModel. Модель обучена с учителем на наборе Kinetics-400, используя 16 кадров на видео с разрешением 336×336 пикселей. Модель оценивает соответствие текста видеоролику и подходит для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. На Kinetics-400 указаны результаты 87,7% top-1 и 97,4% top-5. Репозиторий содержит веса PyTorch; лицензия — MIT.

Это модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 768; число параметров — около 305,2 млн, длина контекста — 514 токенов. Модель подходит для сравнения смысловой близости текстов, семантического поиска и кластеризации. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель принимает текст и выдаёт векторы для последующего поиска или анализа сходства. Она предназначена для многоязычных текстов; в названии заявлена поддержка 100 языков. Разработчики пометили модель как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых проектов рекомендуют выбрать более современные модели. Лицензия — Apache-2.0.

Модель erst/xlm-roberta-base-finetuned-nace разработана на основе xlm-roberta-base и дообучена для классификации описаний видов деятельности по кодам NACE Rev. 2. Это модель XLM-RoBERTa с архитектурой классификации последовательностей, содержащая 305,2 млн параметров и принимающая текст длиной до 514 токенов. Модель подходит для автоматической категоризации описаний деятельности компаний и подбора соответствующих кодов NACE. Для дообучения использованы 2,5 млн описаний норвежских и датских предприятий; часть данных автоматически переведена на английский, немецкий, испанский, французский, финский и польский языки. Формат весов — PyTorch, для запуска можно использовать Transformers. Карточка не сообщает отдельные метрики качества или ограничения по использованию предсказаний, поэтому результаты для конкретных языков и типов описаний следует проверять на целевых данных. Лицензия в предоставленных сведениях не указана.

Это многоязычная модель классификации текстов по жанру, разработанная Classla и дообученная на вручную размеченном наборе X-GENRE. Она основана на XLM-RoBERTa-base с архитектурой XLMRobertaForSequenceClassification и содержит около 305,2 млн параметров. Модель присваивает тексту жанровую метку, например «Информация/объяснение», «Инструкция» или «Юридический текст», и предназначена для автоматической разметки больших коллекций документов. Модель рассчитана на тексты на языках, поддерживаемых XLM-RoBERTa-base; в карточке среди языков указаны, в частности, арабский, болгарский, бенгальский, немецкий, английский, испанский, французский, японский, корейский и хинди. Размер контекста — 514 токенов. Авторы сообщают о результатах на тестах внутри и вне обучающего набора и о сравнении с другими подходами, включая zero-shot модели GPT. Для длинных документов и языков с ограниченным покрытием качество может быть ниже; классификация предназначена для жанровой разметки, а не для определения темы или проверки фактов. Модель распространяется по лицензии CC BY-SA 4.0.

XtremeDistil L6 H256 Uncased — компактная дистиллированная модель на архитектуре BERT, опубликованная Microsoft. Она предназначена для переноса знаний между задачами и может служить основой для классификации текста и извлечения признаков. В метаданных указаны 14,1 млн параметров, контекст до 512 токенов и поддержка английского языка; доступны веса PyTorch и TensorFlow. Модель подходит для классификации коротких текстов и как лёгкое представление текста в NLP-конвейерах, где важны компактность и скорость. В README приведены результаты семейства XtremeDistil на GLUE и SQuAD, но указанные там размер и конфигурация относятся к варианту L6 H384, поэтому их нельзя считать характеристиками этого чекпойнта. Лицензия — MIT.

Zero-shot Vanilla GPT2 — модифицированная модель на базе GPT-2, представленная Кристофером Кларком, Юзао Хэном, Ипином Каном, Криштианом Флаутнером, Линцзя Тан и Джейсоном Марсом в статье на Findings of ACL 2023. Модель предназначена для классификации текста без примеров целевых классов: она обучена в рамках генеративного подхода к классификации с использованием aspect-normalized набора данных UTCD. Модель дообучена на GPT-2 Medium и использует архитектуру GPT-2 с плотными слоями. Она принимает текст и генерирует текст; в метаданных указана длина контекста 1024 токена и библиотека zeroshot_classifier. Репозиторий содержит веса PyTorch. Модель выпущена под лицензией MIT.

Это дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, опубликованная пользователем kamkol. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для измерения семантического сходства и поиска релевантных текстов. Её можно применять для поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с пулингом CLS-токена и нормализацией векторов; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов, число параметров — около 433,9 млн. README описывает дообучение на 250 парах текстов о A/B-тестировании, поэтому модель ориентирована на сопоставление запросов с материалами по этой теме. Лицензия в предоставленных сведениях не указана.

Карточка модели arinze/address-match-abp-v4 на Hugging Face совпадает с карточкой arinze/address-match-abp-v2, поэтому описание составлено по ней. arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.