I.11Классификация, ранжирование и сопоставление

mtheo/camembert-base-xnli — копия модели BaptisteDoyen/camembert-base-xnli, дообученной на французской части набора XNLI. Это модель семейства CamemBERT с архитектурой классификатора последовательностей, содержащая 137,8 млн параметров и принимающая текст длиной до 514 токенов. Модель предназначена для классификации текста без заранее заданных обучающих примеров: она сопоставляет текст с предложенными категориями, используя подход zero-shot classification на основе NLI. Основной сценарий — французский язык; на тестовой части XNLI указана точность 81,7%. Модель распространяется по лицензии MIT. README сообщает, что репозиторий является копией исходной модели, страница которой ранее возвращала ошибку 404.

CamemBERT-L4 — облегчённая версия предварительно обученной языковой модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, 62,3 млн параметров и контекст до 514 токенов; модель распространяется в форматах PyTorch и safetensors по лицензии MIT. Модель предназначена прежде всего для дообучения под задачи, где нужно учитывать целое предложение: классификации текста, извлечения ответа на вопрос и семантического поиска. Её также можно использовать для извлечения признаков и masked language modeling. README не рекомендует её для генерации текста и советует для этого авторегрессионные модели. Язык модели — французский; сравнительно с исходной CamemBERT-base удаление слоёв уменьшает размер модели, но характеристики качества для конкретных задач зависят от последующего дообучения.

CareerLens Resume-Job Fit Classifier — англоязычная модель классификации соответствия резюме описанию вакансии, разработанная для проекта CareerLens (ULAB). Это дообученная BERT-модель jjzha/jobbert-base-cased с 135,5 млн параметров, специализированная на текстах вакансий. Она принимает пару текстов — резюме и описание вакансии — и относит их соответствие к одному из трёх классов: Good Fit, Potential Fit или No Fit. Максимальная длина входа составляет 512 токенов; модель доступна в форматах Safetensors и ONNX. Модель предназначена для предварительного сопоставления кандидатов с вакансиями и сортировки резюме. На отложенной тестовой выборке указаны точность 63,6% и Macro F1 0,63. Проверка проводилась на англоязычном наборе из 8 000 пар резюме и вакансий с разделением по кандидатам, чтобы избежать пересечения резюме между обучающей и тестовой выборками. Качество на других отраслях и языках не проверено; обучающие данные смещены в сторону IT и разработки программного обеспечения. README предупреждает, что модель может ошибочно оценить нерелевантное резюме как Good Fit из-за слабой чувствительности к описанию вакансии, поэтому рекомендует дополнять её проверкой пересечения навыков на основе ESCO. Лицензия — Apache-2.0.

Caregiver-FT-v1 — текстовая модель Sentence Transformers, дообученная автором ernestobs7 на Snowflake/snowflake-arctic-embed-l для семантического поиска по материалам об уходе и боковом амиотрофическом склерозе (БАС). Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает BERT, пулинг CLS-токена и нормализацию. Модель рассчитана на последовательности до 512 токенов, а сходство векторов оценивается косинусной мерой. Модель подходит для поиска ответов в текстах о БАС, сопоставления вопросов с релевантными фрагментами, оценки семантической близости, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка cosine_accuracy@1 0,9167 и @3/@5 1,0 на небольшом наборе данных; обучающий набор содержит 98 пар. Эти результаты не гарантируют качество на других корпусах. Лицензия в предоставленных данных не указана.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220811-132317 — дообученная и дистиллированная RoBERTa-модель классификации текста от carted-nlp. Она предназначена для отнесения текстов к категориям; конкретные категории и целевая область применения в карточке не раскрыты. Модель содержит 45,4 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и ONNX. На оценочном наборе указаны accuracy 0,8783 и F1 0,8779. Датасет обозначен как None, поэтому результаты нельзя уверенно переносить на другие данные или категории. Сведения о лицензии отсутствуют в предоставленных данных.

ceat-fc-rag-2 — англоязычная модель Sentence Transformers, созданная дообучением nlpaueb/legal-bert-base-uncased на 786 парах текстов. Архитектура состоит из BERT и среднего пулинга токенов; модель преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск в корпусах документов, оценку сходства предложений, поиск перефразировок, кластеризацию и извлечение признаков для классификации. Юридически ориентированная базовая модель и английский язык делают её подходящей для англоязычных юридических текстов, хотя карточка не подтверждает отдельную оценку качества на юридических задачах. В README приведены метрики информационного поиска на нескольких размерностях векторов; их значения умеренные и относятся к указанному набору оценки. Модель распространяется по лицензии Apache-2.0. Вход — текст, выход — векторные представления; лимит в 512 токенов ограничивает длину обрабатываемого текста за один проход.

laion/clap-htsat-unfused — модель CLAP (Contrastive Language-Audio Pretraining), опубликованная LAION. Она сопоставляет аудио с текстовыми описаниями и предназначена для извлечения аудио- и текстовых признаков, поиска аудио по тексту и классификации звуков без специального обучения на заданных классах. Модель использует контрастивное мультимодальное обучение на парах аудио и текста; в репозитории указаны архитектура ClapModel, 132,1 млн параметров и формат PyTorch. Модель принимает аудио и текст, а выдаёт векторы признаков, пригодные для сопоставления и оценки соответствия. В README описаны поиск аудио по тексту и классификация звуков по кандидатным текстовым меткам. Для прикладного использования доступна через Transformers. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Alibaba-NLP/core-reranker-8b на Hugging Face совпадает с карточкой Alibaba-NLP/core-emb-2b, поэтому описание составлено по ней. Core-Embed-2B — мультимодальная модель эмбеддингов, разработанная Alibaba-NLP на архитектуре Qwen3-VL. Она преобразует текст и изображения в плотные векторы для поиска и сопоставления, уделяя особое внимание композиционным связям между атрибутами и объектами: например, различает изображение с белой тарелкой и чёрным стулом от изображения с обратным сочетанием цветов. Модель содержит 2 млрд параметров и рассчитана на извлечение признаков из текста и изображений. Модель обучена дистилляцией оценок ранжирования: её эмбеддинги учатся сохранять градации соответствия между запросом и кандидатами, включая ошибки атрибутов и объектов. Это помогает выполнять тонкий мультимодальный поиск, сохраняя качество обычного поиска изображений и текстов. Для запуска требуется версия Transformers с поддержкой Qwen3-VL. Модель распространяется по лицензии CC BY 4.0. Карточка описывает семейство и результаты Core-Embed-8B, но не приводит отдельные численные оценки для версии 2B.

Модель sercetexam9/cs221-xlnet-large-cased-finetuned — дообученная версия xlnet/xlnet-large-cased для классификации текстов. Она построена на архитектуре XLNet и содержит 435,4 млн параметров; веса опубликованы в формате safetensors. Карточка сообщает о результате на оценочном наборе: loss и BCE loss составили 0,5884, но датасет указан как None, поэтому эти значения трудно интерпретировать. Модель распространяется по лицензии MIT.

DARv2 — модель Sentence Transformers, дообученная разработчиком репозитория на базе jinaai/jina-embeddings-v5-text-nano-retrieval. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализованные для сравнения косинусным сходством. Модель построена на EuroBERT и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. Карточка содержит италоязычные примеры запросов и ответов, связанных с юридическими документами; в метаданных указан язык it. Для поиска по длинным фрагментам доступны контекст и обучающие примеры длиной до 2048 токенов. Вес модели опубликован в формате Safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

SirMappel/DA-SBERT_Old_News_V1 — модель Sentence Transformers, дообученная на датасете ENO на базе CALDISS-AAU/DA-BERT_Old_News_V3. Она преобразует датские предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT и mean pooling; используется косинусное сходство. Модель рассчитана на датский язык, максимальная длина последовательности — 512 токенов (в метаданных указано 514 токенов контекста). Объём модели — 151,7 млн параметров. Модель подходит для поиска и группировки исторических новостных текстов, а также для сравнения формулировок на датском языке. Она выдаёт эмбеддинги, которые можно использовать в прикладных задачах NLP; сама по себе не генерирует текст. Данные README описывают обучение на ENO, но не приводят подробных оценок качества. Лицензия в доступных данных не указана.

davanstrien/dataset-rows-task-classifier-2048 — модель классификации текста, дообученная на базе LiquidAI/LFM2.5-Encoder-350M для многометочной классификации строк датасетов по категориям задач машинного обучения. Она предсказывает метки из набора из 35 категорий, включая распознавание речи, генерацию текста, классификацию изображений, поиск и прогнозирование временных рядов. Модель содержит около 444,6 млн параметров, использует плотную архитектуру LFM2 с энкодером и поддерживает контекст до 128 000 токенов. На тестовой оценке F1 micro составила 0,6218 при пороге 0,5 и 0,6486 при настроенных порогах; F1 macro при пороге 0,5 — 0,4621. Пороговые значения для каждой метки сохранены в конфигурации. Для загрузки требуется trust_remote_code=True из-за пользовательской классификационной головы; README отмечает, что для подачи через vLLM нужна стандартная архитектура. Лицензия в предоставленных данных не указана.

tasksource/deberta-base-long-nli — англоязычная модель классификации на основе DeBERTa-v3-base, дообученная автором на задачах естественного логического вывода (NLI). Контекст увеличен до 1280 токенов; обучение продолжалось 250 тысяч шагов и включало длинные NLI-задачи, проверку фактов, логические рассуждения и другие наборы данных для понимания текста. Модель содержит 211,6 млн параметров и распространяется в формате Safetensors. Основное применение — классификация с нулевым числом примеров: модель сопоставляет текст с произвольными кандидатными метками через проверку логического следования. Также она подходит для задач NLI и дальнейшей тонкой настройки под классификацию, разметку токенов, оценивание ответов и тесты с выбором ответа. Автор приводит результаты проверок на нескольких наборах NLI и логического рассуждения. Модель принимает текст и выдаёт оценки классов или отношений следования. Она рассчитана на английский язык; качество на других языках в предоставленных данных не описано. Лицензия Apache-2.0 разрешает использование и модификацию с соблюдением её условий. Длинный контекст и обучение на разнообразных задачах NLI могут быть полезны для сложной классификации, но показатели из README относятся к отдельным тестам и не гарантируют качество на произвольных данных.

debertaMPdynamic — дообученная модель orpe42 на базе microsoft/deberta-v3-large для классификации текстовых последовательностей. Она использует архитектуру DeBERTa V2 и содержит 533,8 млн параметров; максимальная длина контекста составляет 512 токенов. Модель принимает текст и выдаёт результат классификации. В README приведены метрики на оценочном наборе: Macro F1 0,6518, Micro F1 0,6962 и Macro ROC AUC 0,9035. Датасет и назначение классов не описаны, поэтому эти показатели не позволяют определить пригодность для конкретной предметной области. Модель распространяется по лицензии MIT.

Это англоязычная модель Sentence Transformer, разработанная автором репозитория bbmb и дообученная на данных json от sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные семантические векторы размерностью 384 для поиска и сравнения текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают контекст до 512 токенов, а карточка — максимальную длину последовательности 256 токенов. Модель ориентирована на английские тексты и поддерживает оценку сходства, семантический поиск, поиск перефразирований, кластеризацию и классификацию текстов. В README приведены низкие значения cosine_accuracy для информационного поиска, поэтому качество на практических данных следует проверять отдельно. Лицензия Apache-2.0.

ai4data разработала devdata-search-multilingual-e5-small-cgist-guide-e5cmnrl — компактную модель-биэнкодер для создания текстовых эмбеддингов и поиска по структурированным статистическим метаданным. Это дообученная версия intfloat/multilingual-e5-small на наборе DevDataBench с архитектурой BERT и 124,3 млн параметров. При обучении порядок полей случайно переставлялся, а часть полей исключалась, чтобы модель связывала смысл данных с названиями полей, а не с порядком их сериализации. Для поиска запросы следует кодировать с префиксом «query: », а документы — с «passage: ». Максимальная длина последовательности — 512 токенов. Модель предназначена для получения эмбеддингов и последующего поиска или сравнения текстов; это не готовый поисковый сервис. Лицензия — Apache-2.0.

ai4data разработала devdata-search-noinstruct-small-cgist — компактную bi-encoder модель эмбеддингов для поиска по структурированным статистическим метаданным. Это дообученная модель на базе avsolatorio/NoInstruct-small-Embedding-v0, построенная на архитектуре BERT и содержащая около 40 млн параметров. Она кодирует запросы и записи с метаданными в векторы, чтобы находить релевантные описания и сравнивать их по смыслу; для использования подходит библиотека Sentence Transformers. При дообучении применялись перестановка порядка полей и их случайное исключение, чтобы модель меньше зависела от порядка сериализации и учитывала названия полей. Максимальная длина последовательности — 512 токенов; префиксы для запросов и документов не требуются. Модель предназначена для встраивания в собственный конвейер поиска и сама не является поисковым сервисом. Распространяется по лицензии Apache-2.0.

sentence-transformers/distilbert-base-nli-stsb-mean-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель использует архитектуру DistilBERT с усреднением контекстных представлений; максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, сравнения предложений и группировки текстов. Карточка помечает её как устаревшую и предупреждает о низком качестве эмбеддингов, поэтому для новых проектов рекомендуется выбрать более современную модель. Лицензия — Apache-2.0.

Xenova/distiluse-base-multilingual-cased-v2 — веб-совместимая версия модели sentence-transformers/distiluse-base-multilingual-cased-v2, подготовленная сообществом Xenova. Модель распространяется с весами в формате ONNX для использования через библиотеку Transformers.js в JavaScript-среде. Она предназначена для извлечения признаков из текста, то есть преобразования текстовых фрагментов в векторные представления. Такой режим может применяться в задачах семантического сравнения и поиска, однако README не содержит подробностей о поддерживаемых языках, размере модели, архитектуре, длине контекста, качестве, модальностях или ограничениях. Указано только, что модель является мультиязычной и используется в пайплайне feature-extraction. Для работы требуется библиотека @huggingface/transformers; веса ONNX обеспечивают совместимость с Transformers.js. Лицензия и условия коммерческого или иного использования в README не указаны.

alakxender разработал sentence-transformers модель для получения плотных векторных представлений предложений и абзацев на дивехи. Она дообучена для понимания семантики новостных статей и предназначена для поиска похожих текстов, семантического поиска, выявления перефразировок, кластеризации и классификации текстов. В README также упоминаются сценарии вопросов и ответов и суммаризации как направления серии моделей. Модель основана на XLM-RoBERTa и использует усреднение токенных представлений; размер вектора — 768 измерений, сходство рассчитывается косинусной мерой. Метаданные указывают 311,4 млн параметров и контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Модель дообучена от alakxender/e5-dhivehi-qa-mnr на корпусах новостных статей на дивехи; лицензия — MIT. Основной сценарий — построение эмбеддингов для поиска и сравнения текстов на дивехи. Указанная в карточке архитектура и назначение ориентированы на текст; поддержка английского обозначена в тегах, но специализация модели — дивехи. Результаты для языков и типов текстов вне заявленного назначения следует проверять на целевых данных.

alakxender/e5-dhivehi-paws-mnr — модель в формате Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base для понимания смыслового сходства предложений на дивехи. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности в карточке — 256 токенов. Модель подходит для поиска семантически близких фраз, выявления перефразирований, кластеризации текстов и построения поиска по дивехи. README также перечисляет классификацию текста как возможный сценарий использования эмбеддингов. Обучение проводилось на 25 436 парах из alakxender/dhivehi-paws-labeled с MultipleNegativesRankingLoss; приведённая оценка Spearman для сходства составляет 0,283. Метаданные указывают 311,4 млн параметров и лицензию MIT. В README заявлена специализация на дивехи, но также приведена базовая мультиязычная модель; качество для других языков отдельно не оценено.

Ludo33/e5_General_2026 — дообученная модель intfloat/multilingual-e5-base для классификации текста. Она построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны результаты оценки: взвешенный F1 — 0,9333, loss — 0,2143; сведения о наборе данных, назначении классов и условиях оценки не приведены. Базовая модель предназначена для создания многоязычных текстовых эмбеддингов, однако эта версия классифицирует текст. Доступные сведения не позволяют определить конкретные языки, классы или прикладные области. Модель распространяется по лицензии MIT.

google/electra-base-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель основана на Transformer и обучалась различать исходные токены текста и заменённые токены, сгенерированные другой нейросетью. Веса содержат 136,7 млн параметров, контекст — до 512 токенов; доступны версии для PyTorch, TensorFlow и Flax. Модель предназначена для тонкой настройки на задачи классификации текста, ответов на вопросы и разметки последовательностей, включая извлечение фрагментов текста. Это базовый дискриминаторный энкодер, а не готовая модель для генерации ответов: для прикладных задач обычно требуется соответствующая голова и дообучение. Лицензия — Apache 2.0.

google/electra-small-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель с архитектурой ElectraForPreTraining содержит 20,4 млн параметров и принимает последовательности длиной до 512 токенов. Она предварительно обучена различать исходные токены и заменённые токены, сгенерированные другой нейросетью. Энкодер предназначен для тонкой настройки на задачах классификации текста, ответа на вопросы и разметки последовательностей, включая классификацию предложений, извлечение ответов и разбор текста на фрагменты. Для работы с весами доступны реализации PyTorch, TensorFlow и Flax. Лицензия Apache-2.0 разрешает использование на её условиях.

Specific AI разработала компактный классификатор электронной почты на базе BERT, дообученный для сортировки писем по пяти категориям действий. Модель принимает текст письма в формате с полями From и Subject и телом письма; для лучшего результата рекомендуется сохранять такую структуру. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, контекст — до 512 токенов. Доступны веса Safetensors и артефакты GGUF. Модель предназначена для сортировки входящих сообщений в рабочих процессах почтовых или агентных систем: определения срочности, необходимости ответа, рекламного характера и других категорий, чтобы направить письмо на ответ, архивирование или отсутствие действий. В оценке на одном наборе данных она показала точность 0,720 против 0,693 у gpt-5.4-mini; полнота составила 0,720, точность по классам — 0,763. Модель рассчитана на английские письма и распространяется по лицензии MIT. Классификация отражает предполагаемое действие в почтовом процессе, а не достоверность личности отправителя. Разработчик не рекомендует использовать её для юридической или медицинской сортировки либо критически важных решений без проверки человеком.

OlegChausov/eventpulse-bge-m3 — дообученная модель на базе BAAI/bge-m3, созданная для EventPulse_3.0, приложения поиска и агрегации событий. Она преобразует поисковые запросы и названия событий в векторы, чтобы находить семантически подходящие афиши концертов, фильмов и театральных постановок. Модель рассчитана на сопоставление коротких запросов с названиями событий и учитывает опечатки, транслитерацию, сокращения, неполные названия и совпадения между языками. Архитектура — XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 8194 токена. Обучение выполнено на примерно 7400 триплетах запросов и названий с использованием MultipleNegativesRankingLoss, в течение одной эпохи. Поддерживаются английский, русский, литовский и польский языки, включая смешанные запросы. Модель предназначена для получения эмбеддингов и поиска по косинусному сходству; лицензия в предоставленных данных не определена.

Sukanyan/FacebookAI_roberta-base — модель классификации текста, дообученная на основе FacebookAI/roberta-base. Она построена на архитектуре RoBERTa для классификации последовательностей и содержит 151,8 млн параметров. Контекст составляет до 514 токенов; модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. Модель предназначена для отнесения текста к классам. В карточке сообщается о дообучении на наборе данных, название которого не указано; на оценочной выборке приведены loss 1,0863 и accuracy 0,5738. Эти результаты не раскрывают набор классов и могут не отражать качество на других данных. Лицензия — MIT.

facebook/fasttext-es-vectors — предварительно обученные испанские векторные представления слов на базе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и их применения в задачах классификации текста и определения языка. Она подходит для экспериментов, прототипирования и практических приложений, работает на обычном многоядерном процессоре и не требует специализированного оборудования. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Размерность представлений — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. Символьные n-граммы позволяют строить представления также для словоформ, не встречавшихся напрямую при обучении. Модель ориентирована на испанский язык. Лицензия — CC BY-SA 3.0. Косинусное сходство векторов можно использовать для оценки семантической близости слов. Предсказания могут отражать смещения, присутствующие в обучающих данных.

dleemiller/finecat-nli-l — англоязычная модель для вывода по естественному языку (NLI), разработанная как дообучение tasksource/ModernBERT-large-nli на наборе FineCat-NLI с дистилляцией логитов от MoritzLaurer/DeBERTa-v3-large-mnli-fever-anli-ling-wanli. Она сравнивает посылку и гипотезу и определяет, следует ли гипотеза из посылки, противоречит ей или остаётся нейтральной. Модель подходит для zero-shot классификации: можно задавать описания классов в виде гипотез и ранжировать их по отношению к входному тексту. Модель основана на плотном двунаправленном энкодере ModernBERT-large с архитектурой ModernBertForSequenceClassification, содержит 394,7 млн параметров и поддерживает контекст до 2048 токенов. По карточке, она показывает результаты на наборах MNLI, SNLI, ANLI, WANLI и других NLI-бенчмарках; для ряда сравнений в README рекомендована более новая версия finecat-nli-v2-l. Доступна в формате safetensors через Sentence Transformers. Лицензия в предоставленных данных не указана.

nithinbharathi/fine_tuned — англоязычная модель Sentence Transformer, созданная дообучением thenlper/gte-small. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 384 для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT: среднее объединение токеновых представлений с последующей нормализацией; максимальная длина входа — 512 токенов. Модель ориентирована на английский язык и выпущена под лицензией Apache-2.0. Карточка указывает на обучающую выборку из двух пар текстов и приводит метрики на информационном поиске, поэтому качество на широком круге запросов и доменов может быть ограничено. Несмотря на название карточки «BGE base Financial Matryoshka», README описывает дообучение GTE-small и не подтверждает специализацию на финансовых данных.