I.11Классификация, ранжирование и сопоставление

mljn/mdeberta-v3-base-finetuned-climate-vs-environment-classification — дообученная модель классификации текста на базе microsoft/mdeberta-v3-base от Microsoft. Она предназначена для различения текстов о климате и окружающей среде. В README приведены результаты на оценочном наборе: accuracy 0,9337 и macro F1 0,9322. Модель использует архитектуру DeBERTa V3 для классификации последовательностей, содержит 306 млн параметров и принимает текст длиной до 512 токенов. Базовая модель многоязычная, однако конкретные языки и обучающие данные для этой версии не описаны. Распространяется по лицензии MIT.

mljn/mdeberta-v3-base-finetuned-green-classification-new — дообученная модель классификации текста на базе многоязычной Microsoft DeBERTa V3 Base. Она предназначена для отнесения текстов к классам; конкретные классы и предметная область в карточке не раскрыты. Модель содержит 306 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает последовательности длиной до 512 токенов. Для набора оценки указаны accuracy 0,8927 и macro F1 0,8743; описание набора данных отсутствует, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется по лицензии MIT.

MedEmbed Biomedical MRL — англоязычная sentence-transformers-модель для построения плотных векторных представлений предложений и абзацев в биомедицинском контексте. Модель на основе BERT имеет около 40 млн параметров, использует CLS-пулинг и нормализацию, выдаёт векторы размерностью 384 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов. Модель обучена на 4 012 парах текстов из JSON-датасета с использованием MultipleNegativesRankingLoss. Её можно применять для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации биомедицинских текстов. Лицензия — Apache-2.0.

Mitra-v2 Classifier — табличная foundation-модель классификации, разработанная AutoGluon и опубликованная под лицензией Apache-2.0. Она предварительно обучена на синтетических наборах данных, сформированных из смеси случайных классификаторов, включая prior Hybrid SCM, и использует обучение в контексте для предсказаний по новым таблицам. Модель построена на 12-слойном двумерном Transformer с 75,7 млн параметров и вниманием как между строками, так и между столбцами. По сравнению с Mitra-v1 при предварительном обучении использовались контекст в десять раз длиннее, втрое больше признаков и улучшенный оптимизатор. На бенчмарках TabArena и TALENT авторы сообщают о точности на уровне TabFM и EXAONE Tabular и превосходстве над TabPFN-3. Модель предназначена для классификации табличных данных, в том числе для оценки новых примеров на основе контекста обучающих строк. Для использования авторы рекомендуют AutoGluon Tabular и пакет mitra-finetune. README не приводит результаты для конкретных пользовательских наборов данных; опубликованные сравнительные показатели относятся к указанным бенчмаркам.

Inabia-AI/modernBERT-large-claim-agent_v3 — дообученная модель классификации текста на базе двунаправленного энкодера answerdotai/ModernBERT-large. Она содержит 394,7 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов. Модель предназначена для классификации текста. В README приведены результаты оценки на тестовом наборе: accuracy 0,9397, precision 0,8961, recall 0,8846 и F1 0,8903; назначение классов и состав данных для обучения не описаны. Модель распространяется по лицензии Apache-2.0. Базовый ModernBERT-large описан как англоязычный энкодер; отдельные сведения о языках этой дообученной версии, её прикладной области и ограничениях не приведены.

ModernBERT-Large-Instruct — слегка дообученная на инструкциях версия ModernBERT-large, разработанная Answer.AI. Модель с плотной архитектурой ModernBERT и головой masked language modeling обучена на 20 млн примеров из коллекции FLAN со смешанной целью: предсказание токена ответа и вспомогательная задача заполнения маски. Модель предназначена для заполнения пропусков в тексте и может служить основой для классификации и других задач обработки текста с нулевым обучением или дополнительной тонкой настройкой. В README приведены результаты на наборах для оценки знаний и классификации. Модель содержит 394,7 млн параметров, принимает текстовые последовательности длиной до 8192 токенов и поддерживается библиотекой Transformers. Обучающие данные преимущественно на английском языке и включают код, поэтому лучше всего модель работает с английским текстом и кодом. README предупреждает, что это первая версия и у неё вероятны ошибки. Лицензия — Apache-2.0.

ModernCamemBERT — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2. Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask. Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

ModernGBERT 134M — немецкоязычная языковая модель-энкодер от LSX UniWue, построенная на архитектуре ModernBERT в стиле BERT. Она содержит 134,2 млн параметров, имеет 22 слоя и скрытый размер 768; длина контекста составляет до 8 192 токенов. Модель предварительно обучена на 470 млрд токенов немецкой части RedPajama V2. Модель предназначена для извлечения признаков из текста и может служить основой для задач понимания немецкого языка, получения эмбеддингов и дообучения, например для классификации токенов с помощью LoRA. В README указаны результаты на SuperGLEBer и German MTEB; для оценки эмбеддингов модели предварительно дообучались без разметки на немецкой части mMARCO. Репозиторий содержит веса PyTorch в формате Safetensors, модель поддерживается библиотекой Transformers версии 4.48.0 и новее. Лицензия обозначена в метаданных как other, поэтому конкретные условия использования следует сверить с карточкой репозитория. Модель рассчитана на немецкий язык; результаты и описание не подтверждают сопоставимое качество для других языков. Для эмбеддингов README приводит результаты после дополнительного дообучения, поэтому они не обязательно отражают качество исходного чекпойнта без адаптации.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_7 — модель для классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. Она основана на BERT base uncased и дообучена для задачи QQP (Quora Question Pairs), то есть для определения, являются ли две пары вопросов семантически эквивалентными или дубликатами. Модель предназначена для сценариев сравнения, дедупликации и поиска похожих вопросов; в Transformers она используется через BertForSequenceClassification или pipeline text-classification. Архитектура включает 12 скрытых слоёв, 12 attention heads, hidden size 768 и intermediate size 3072; размер словаря — 30 522 токена, максимальная позиционная длина согласно конфигурации — 512 токенов. Модель работает с текстом и рассчитана прежде всего на английский язык без учёта регистра, поскольку использует bert-base-uncased. В имени репозитория указана последовательность длиной 128, что может отражать параметры обучения или подготовки данных, но в доступной конфигурации максимальная длина равна 512. Сильная сторона модели — специализированная настройка под классификацию пар вопросов на базе широко применяемого BERT. Ограничения включают узкую специализацию на задаче QQP, отсутствие сведений о метриках, данных обучения и результатах оценки, а также вероятную чувствительность к английскому языку и длине входа. На странице модели отдельная лицензия и условия использования не указаны.

Multilingual Style Representation — модель Sentence Transformer, разработанная авторами исследования «Leveraging Multilingual Training for Authorship Representation: Enhancing Generalization across Languages and Domains». Она дообучена на основе FacebookAI/xlm-roberta-large и кодирует документы в векторы размерностью 1024; документы одного автора должны располагаться близко в пространстве представлений. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и сравнивает представления с помощью косинусного сходства. Модель предназначена для атрибуции авторства, сравнения стиля текстов и выявления машинно-сгенерированного текста. Её можно применять для поиска документов, вероятно написанных одним автором, и построения мультиязычных систем анализа авторского стиля. Репозиторий предоставляет веса в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель на базе архитектуры BERT, предназначенная для извлечения признаков из текста. В метаданных Hugging Face указаны использование библиотеки Transformers и фреймворка PyTorch, а основная задача модели — feature extraction. Разработчик в предоставленных материалах не указан. Модель может применяться для получения векторных представлений текста, семантического поиска, сравнения текстов, классификации и других задач, где нужны текстовые эмбеддинги. README также заявляет улучшенные способности к рассуждению, математике, программированию, логике, ответам на вопросы, суммаризации и диалогам, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются точным описанием конфигурации. Модель распространяется по лицензии MIT. Размер модели, длина контекста, поддерживаемые естественные языки и точная информация об обучающих данных в предоставленных материалах не указаны.

MyAwesomeModel — модель на базе Transformers, предназначенная для извлечения признаков из текста. В метаданных она отнесена к архитектуре BERT и задаче feature extraction; библиотека реализации — Transformers, фреймворк — PyTorch. В README заявлены улучшения рассуждений, логического вывода, понимания языка, генерации кода, суммаризации, классификации и ответов на вопросы, однако эти заявления не согласуются с указанным pipeline-тегом и не подтверждают полноценную генерацию текста.

MyAwesomeModel — модель на архитектуре BERT для извлечения признаков из текста, доступная через библиотеку Transformers. В метаданных Hugging Face для неё указан pipeline feature-extraction, поэтому основное назначение модели — преобразование текстовых входов в векторные представления для последующего анализа и использования в прикладных NLP-системах. Автор или организация-разработчик в предоставленных данных не указаны. README также заявляет о расширенных возможностях рассуждения, генерации кода и текста, ответах на вопросы, суммаризации, диалогах, вызове функций и снижении галлюцинаций, однако эти характеристики не согласуются с указанным pipeline feature-extraction и не подтверждены сведениями об архитектуре генеративной модели. Размер модели, длина контекста, поддерживаемые языки и точные сценарии обучения не приведены. Модель распространяется по лицензии MIT.

MyAwesomeModel-TestRepo — модель на архитектуре BERT от автора dongbobo, опубликованная в Hugging Face. По метаданным она предназначена для извлечения признаков из текста и использует библиотеку Transformers; веса представлены в формате PyTorch. Модель можно применять для получения скрытых представлений текста как входа для последующих задач машинного обучения. Веб-поиск указывает на конфигурацию из 12 слоёв, размер скрытого состояния 768, 12 голов внимания и контекст до 512 токенов. Репозиторий распространяется по лицензии MIT. Сведений о целевых языках или специализированных областях применения нет.

MyAwesomeModel — модель семейства BERT для извлечения признаков из текста, опубликованная пользователем sadfsg4546 и предназначенная для работы через библиотеку Transformers. Метаданные Hugging Face указывают задачу feature-extraction, использование PyTorch и лицензию MIT. В README модель также описывается как обновлённая система с улучшенными рассуждениями, логическим выводом, математикой, программированием, классификацией, анализом тональности, суммаризацией, диалогами и поддержкой function calling. Однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются подтверждёнными техническими характеристиками архитектуры, размера или контекста, поэтому для каталога основным назначением следует считать извлечение признаковых представлений текста. Модель может использоваться в качестве компонента семантического поиска, кластеризации, классификации и других NLP-пайплайнов, где нужны векторные представления текста. Языки, размер модели, длина контекста, данные обучения и точные требования к запуску в предоставленных источниках не определены. Распространение заявлено по лицензии MIT.

MyAwesomeModel — модель из репозитория SDASD12SAD/MyAwesomeModel-TestRepo. По метаданным Hugging Face она предназначена для извлечения признаков и относится к архитектурному семейству BERT; модель реализуется с использованием PyTorch и библиотеки Transformers. Лицензия — MIT. README также описывает улучшения рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации, перевода и function calling, однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными сведениями о конкретной архитектуре, размере или методике обучения. Поэтому наиболее надёжный сценарий применения по доступным метаданным — получение векторных представлений текста для последующей классификации, поиска или других задач машинного обучения.

MyAwesomeModel — модель из репозитория tool1/MyAwesomeModel-TestRepo, опубликованная с лицензией MIT и предназначенная для извлечения признаков через библиотеку Transformers. Метаданные относят её к семейству BERT и задаче feature extraction на базе PyTorch. README описывает обновлённую версию как модель с улучшенными рассуждениями, математикой, программированием, логикой, диалогами, суммаризацией, классификацией и function calling, однако эти сведения не согласуются с указанной в метаданных задачей feature extraction и не подтверждают архитектуру, размер, модальности, языки или длину контекста модели. Поэтому для каталога надёжнее рассматривать её прежде всего как Transformers-модель для получения векторных представлений текста. Модель может использоваться как компонент последующих систем машинного обучения, например для сравнения текстов, классификации или поиска по близости, если фактическая конфигурация репозитория это поддерживает. Ограничения, требования к вычислительным ресурсам и рекомендуемые параметры инференса для режима feature extraction в карточке не описаны. Лицензия модели — MIT.

NeuroLocale — модель классификации текстовых запросов, разработанная boltuix на базе NeuroBERT. Она определяет намерение пользователя и относит запрос к одной из более чем 120 категорий местных организаций и услуг, например к ветеринарной клинике, аптеке или бухгалтерской фирме. Модель предназначена для локального поиска, чат-ботов, туристических приложений и голосовых помощников, которым нужно преобразовать разговорный запрос в категорию для дальнейшего поиска. Это дообученная BERT-модель для многоклассовой классификации текста с 16,2 млн параметров и контекстом до 512 токенов. В карточке заявлена точность 94,26% на тестовой выборке из 122 примеров. Указан английский язык; результаты для других языков не описаны. Модель принимает текст и возвращает метку категории с оценкой уверенности. Модель распространяется по лицензии Apache-2.0. Её качество и охват зависят от обучающих данных и набора категорий; небольшая тестовая выборка не позволяет считать заявленную точность гарантией для всех запросов и условий.

sentence-transformers/nli-bert-base-max-pooling — модель семейства BERT, обученная командой Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; архитектура включает BERT и max pooling. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

sentence-transformers/nli-roberta-base — модель sentence-transformers, обученная командой Sentence Transformers. Она основана на RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно 514 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; лицензия — Apache 2.0. Модель устарела: авторы предупреждают о низком качестве получаемых эмбеддингов и рекомендуют выбрать более современные модели Sentence Transformers. Она подходит для существующих систем, которым нужна совместимость с этим чекпойнтом, но для новых задач семантического поиска или кластеризации качество следует оценить отдельно.

nomic-embed-text-v1-unsupervised-cs-surgery — расширенная версия текстовой модели эмбеддингов Nomic AI, подготовленная для академических текстов по компьютерным наукам. Разработчик добавил 500 англоязычных слов в токенизатор и соответствующие строки в матрицу входных эмбеддингов NomicBert. Новые векторы инициализированы средними значениями векторов старых частей слов; дополнительного дообучения не проводилось. Модель предназначена для преобразования текстов в эмбеддинги, например для поиска и сравнения академических публикаций по компьютерным наукам. Контекст составляет до 8192 токенов. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки требуется trust_remote_code=True; README отмечает, что геометрия представлений для нового словаря может улучшиться после дальнейшего контрастивного обучения.

nomic-xlm-2048 — мультиязычный энкодер текста от Nomic AI, дообученный на основе FacebookAI/xlm-roberta-base. В модели заменены обучаемые позиционные эмбеддинги на RoPE; она обучалась 10 тысяч шагов на CC100 и поддерживает контекст до 2048 токенов. Размер — около 278 млн параметров. Модель предназначена для восстановления замаскированных слов и как основа для последующего дообучения под классификацию последовательностей и другие задачи понимания текста. В README приведены результаты на GLUE и XTREME-R, где модель показывает конкурентоспособное качество среди мультиязычных энкодеров. Метаданные также указывают поддержку классификации текста, выбора ответа, ответов на вопросы и разметки токенов. Модель принимает и выдаёт текст; она не является генеративным чат-ассистентом. README и метаданные не содержат сведений о лицензии, поэтому условия использования здесь определить нельзя.

hsilvosa/openplacsp-e5-small — компактный текстовый семантический энкодер, дообученный на исторических испанских закупочных извещениях и парах «текст — описание CPV». Он предназначен для семантического поиска закупок, извлечения связанных извещений и версий одного извещения, а также поиска раздела CPV по тексту закупки. Модель основана на multilingual-e5-small с архитектурой BERT и создаёт плотные эмбеддинги. В репозитории указано 124,3 млн параметров и контекст до 512 токенов. Обучение использовало 150 000 пар версий и 50 000 пар текстов с описаниями CPV; данные после 2022 года оставлялись для проверки. Временная оценка на данных 2024 года показывает высокое Recall@1 для поиска другой версии извещения и улучшение Recall@1 для поиска раздела CPV относительно базовой модели. Модель рассчитана на испанский административный язык и данные закупок, опубликованные по декабрь 2024 года. Оценка сходства не подтверждает юридическую идентичность, нарушения или эквивалентность контрактов; для некоторых разделов CPV примеров мало. Лицензия — MIT.

NeuML разработала PubMedBERT ColBERT — модель PyLate, дообученную на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты с помощью операции MaxSim, сохраняя отдельные векторы токенов вместо усреднения в одно представление. Модель рассчитана на семантический поиск и сравнение текстов в биомедицинских публикациях, включая построение поисковых индексов и источников знаний для RAG. В README приведены результаты оценки на PubMed QA, PubMed Subset и PubMed Summary; авторы отмечают пригодность модели для поиска и использования в качестве первого этапа конвейера с последующим реранжированием. Она имеет архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. README отмечает, что по общей оценке модель уступает некоторым сравниваемым моделям; для высокоточного ранжирования может потребоваться отдельный реранкер.

PhilipCisco/qwen3-base-financial — текстовая модель Sentence Transformers, дообученная разработчиком PhilipCisco на базе Qwen/Qwen3-Embedding-0.6B. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их с помощью косинусного сходства. Модель предназначена для семантического поиска и оценки смысловой близости текстов; в README приведены примеры вопросов и ответов по корпоративной финансовой отчётности. Модель использует архитектуру Qwen3Model с пулингом последнего токена и нормализацией. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на наборе из 5 600 пар «запрос — релевантный текст» с MatryoshkaLoss и MultipleNegativesRankingLoss. Указан английский язык, лицензия Apache-2.0. В README приведены метрики поиска на тестовом наборе, однако результаты на других данных не описаны.

RegMap — это дообученная модель эмбеддингов предложений от автора репозитория stetteh/regmap-embedder, предназначенная для сопоставления мер безопасности NIST SP 800-53 с наиболее близкими положениями HIPAA Security Rule. Она кодирует описание меры в вектор и ранжирует положения HIPAA по косинусному сходству, возвращая наиболее подходящие варианты для проверки специалистом. Модель основана на sentence-transformers/all-MiniLM-L6-v2: это 6-слойный энкодер семейства BERT с 25,9 млн параметров, который формирует эмбеддинги размерности 384. Дообучение выполнено с MultipleNegativesRankingLoss на подготовленных парах NIST и HIPAA. Модель принимает текст и выдаёт векторы для семантического поиска и сравнения; максимальный контекст — 512 токенов. Предназначена для помощи командам по соответствию требованиям при подготовке перекрёстных таблиц NIST–HIPAA. По оценке на небольшом специализированном наборе правильное положение попадает в первые пять результатов в 73,5% случаев, а точность первого результата составляет 26,5%. Это вспомогательный ранжировщик: семантическая близость не подтверждает юридическую эквивалентность, поэтому результаты должен проверять квалифицированный специалист. Модель охватывает только положения HIPAA Security Rule из включённого корпуса; другие нормативные рамки не поддерживаются. Лицензия — Apache-2.0.

PeytonT/repo-similarity — дообученная энкодерная модель на базе sentence-transformers/all-MiniLM-L6-v2 для оценки семантического сходства репозиториев. Она входит в стек Repository Library, предназначенный для индексации и поиска связей между научными публикациями, их структурированным содержимым и репозиториями. Модель принимает текстовые представления репозиториев и выдаёт оценки сходства; её применяют для поиска, ранжирования и планирования в составе этого стека. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и имеет контекстное окно 512 токенов. В README описано обучение на данных графа репозиториев и фрагментов кода, собранных внутренним конвейером Repository Library. Для оценки указаны recall@10 и NDCG@10, однако карточка не приводит результатов отдельного отчёта или внешней проверки. Модель следует проверять в целевом сценарии перед использованием; подтверждённых заявлений о безопасном промышленном применении нет. Лицензия в предоставленных данных не указана.

Adaptive Classifier — классификатор рисков на базе answerdotai/ModernBERT-base, представленный в формате safetensors. Модель различает два класса: high_risk и low_risk; в карточке указаны 10 обучающих примеров и эмбеддинги размерностью 768. Она поддерживает непрерывное обучение и динамическое добавление классов. Модель предназначена для классификации текстов по уровню риска. В карточке указана многоязычная поддержка, однако конкретные языки и области применения не перечислены. Лицензия — Apache-2.0.

camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

Roberta-CLS-URL — дообученная модель RonTon05 на базе papluca/xlm-roberta-base-language-detection для классификации текста. По метаданным это плотная трансформерная архитектура XLM-RoBERTa с головой XLMRobertaForSequenceClassification; размер — 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для отнесения текстов к классам, однако названия классов и конкретная область применения в карточке не раскрыты. В README указаны результаты на тестовой выборке: accuracy 0,9571 и F1 0,9572. Датасет обучения обозначен как неизвестный, поэтому эти метрики нельзя переносить на другие данные без собственной проверки. Модель распространяется в формате Safetensors по лицензии MIT.