I.11Классификация, ранжирование и сопоставление

vantk85/my-embedding-gemma — модель Sentence Transformer, созданная дообучением google/embeddinggemma-300m. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству; максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. Дообучение описано на наборе из трёх парных примеров вопросов о финансовых и страховых продуктах с использованием MultipleNegativesRankingLoss. Такая малая выборка не подтверждает надёжное качество на широком круге задач и предметных областей. Репозиторий содержит веса safetensors и рассчитан на работу с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

nasa-impact/nasa-smd-ibm-st, также называемая Indus-st, — биэнкодерная модель Sentence Transformers, разработанная IBM Research совместно с NASA Science Mission Directorate. Это дообученная версия энкодера nasa-smd-ibm-v0.1 семейства Indus; в метаданных указана архитектура RoBERTa и 151,8 млн параметров. Модель независимо кодирует пары предложений и оценивает их близость по косинусному сходству. Модель предназначена для поиска и извлечения научной информации, семантического поиска и сравнения предложений, в особенности по материалам NASA SMD. Она обучалась на большом наборе пар предложений и на 2,6 млн пар заголовков и аннотаций из документов NASA SMD. Принимает английский текст, выдаёт векторные представления для вычисления сходства. Контекст — до 514 токенов. Лицензия — Apache 2.0. Карточка помечает модель как устаревшую и предназначенную для архивного использования, рекомендуя обновлённую версию. В ней также указано, что модель находится на экспериментальной стадии; результаты могут уступать обновлённой версии, а заявленная специализация на материалах NASA SMD не гарантирует качество в других предметных областях.

RainbowPiBubbles/Nathanael-Embedding-8M — компактная энкодер-свободная модель зрения и языка на базе SupraLabs/SupraCMA-8M. Она предназначена для извлечения признаков из текста и изображений: принимает токены текста, пиксели изображения и признак наличия изображения, а выдаёт представления в скрытом пространстве языковой модели. Визуальные представления дистиллированы с использованием эмбеддингов SigLIP-2; вместо отдельного тяжёлого визуального энкодера используются математические патчи, отображающие визуальные токены в целевое представление. Модель доступна в форматах SafeTensors и ONNX: FP32 рассчитан на CPU и WASM, а FP16 — на ускорение через WebGPU или WebGL. Граф ONNX включает масштабирование и нормализацию изображений, что подходит для интеграции в браузерные и терминальные приложения. Лицензия — MIT. Карточка не описывает конкретные сценарии генерации ответов по изображениям, поэтому модель следует рассматривать прежде всего как средство извлечения признаков, а не как полноценный чат-интерфейс.

cross-encoder/nli-deberta-base — англоязычный кросс-энкодер на базе DeBERTa от Microsoft, дообученный командой Sentence Transformers для распознавания логических отношений между парами предложений. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa для классификации последовательностей и принимает пары текстов с контекстом до 512 токенов. Для каждой пары модель оценивает три класса: противоречие, следование и нейтральное отношение. Эти оценки можно использовать для классификации без примеров с заранее заданными метками, а также для оценки сходства предложений и задач текстовой классификации. Модель доступна в форматах PyTorch, ONNX и Safetensors; в README приведён способ запуска через библиотеку Sentence Transformers. Модель обучена на SNLI и MultiNLI и ориентирована на английский язык. Качество зависит от соответствия входных данных этим задачам и доменам; README не приводит численных результатов оценки. Лицензия — Apache-2.0.

KGESH/nsfw-bge-m3-v6f — текстовая модель Sentence Transformer на архитектуре XLM-RoBERTa, разработанная KGESH. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для поиска и оценки сходства по косинусной близости; максимальная длина входа — 8192 токена. Модель обучена на 196 парах текстов с OnlineContrastiveLoss, включая пары с откровенной сексуальной лексикой, поэтому подходит для поиска и сопоставления таких формулировок. Использует библиотеку sentence-transformers и распространяется в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

OBLIQ-IR-3B — текстовая модель извлечения документов, разработанная исследовательской группой DataScience-UIBK для поиска по скрытым смысловым признакам, которые почти не выражены напрямую в тексте: позиции автора, стратегии доказательства, стиля или смутно запомнившегося содержания риторического обмена. Модель представлена в виде плотного двунаправленного энкодера с одним вектором на текст; она дообучена на базе nvidia/llama-nv-embed-reasoning-3b и опубликована как объединённые полные веса. Модель рассчитана на семантический поиск и ранжирование документов по косвенным запросам. В README приведены результаты на OBLIQ-Bench для текстов о письме, математике, публикациях в Twitter и выступлениях в Конгрессе. Архитектура использует усреднение токенов и L2-нормализацию, формируя эмбеддинги размерности 3072; заявленная длина контекста — 131 072 токена. Для загрузки используется Sentence Transformers с trust_remote_code=True. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Это объединённая версия LoRA-дообучения, поэтому округление весов до bf16 может немного менять результаты относительно адаптера и опубликованных таблиц. Для точного воспроизведения результатов статьи авторы рекомендуют отдельный репозиторий адаптера; качество также зависит от предмета и типа запроса.

Deepchecks parrot_fluency_model_onnx — ONNX-оптимизированная модель классификации текста, разработанная Deepchecks на основе оригинальной parrot_fluency_model. Она предназначена для оценки беглости и естественности англоязычных предложений и текстовых фрагментов с использованием pipeline text-classification. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель ориентирована на запуск на GPU через ONNX Runtime и может применяться для автоматической фильтрации, проверки качества и ранжирования англоязычных текстов по их fluency. ONNX-формат и интеграция с Optimum упрощают пакетный инференс; в README приведён пример обработки нескольких предложений с размером батча 64. Лицензия — Apache-2.0. Производительность и результаты могут отличаться при запуске на CPU по сравнению с GPU. Модель предназначена для оценки беглости текста, поэтому её выводы не следует автоматически трактовать как полноценную проверку фактической корректности, стиля или содержания.

pko-t5-large — крупная корейская версия T5 v1.1, разработанная PAUST. Модель содержит около 403,9 млн параметров и обучена на корейских данных, включая Namuwiki, Википедию и корпус Modu. Для токенизации используется BBPE без токенов вне словаря, а предварительное обучение выполнено без учителя с задачей span corruption. Модель предназначена для дообучения под конкретные задачи преобразования текста: например, классификацию, извлечение сущностей, анализ отношений и ответы на вопросы. Для работы используется Transformers с T5TokenizerFast и T5ForConditionalGeneration. Модель ориентирована на корейский язык; карточка приводит результаты оценки вариантов семейства на задачах KLUE. Лицензия — CC BY 4.0. В README рекомендуется дообучать модель под целевую задачу; готовые показатели для pko-t5-large в предоставленных данных не приведены.

NeuML PubMedBERT Embeddings 2M — компактная модель статических эмбеддингов, разработанная NeuML на основе PubMedBERT Embeddings и дистиллированная с использованием библиотеки Model2Vec. Она преобразует текст в векторы и предназначена для семантического поиска, сравнения предложений и построения баз знаний для RAG по медицинским публикациям. Статические эмбеддинги позволяют вычислять векторы значительно быстрее, чем обычные контекстные модели, в том числе на CPU, что подходит для систем с ограниченными ресурсами и сценариев реального времени. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary; в README отмечается конкурентное качество, но не лидерство по результатам сравнения. Она ориентирована на английский язык и медицинские тексты. Репозиторий использует формат safetensors, а лицензия — Apache 2.0.

mnoukhov/pythia2.8b-rm-tldr6.9b — модель классификации текста на основе архитектуры GPT-NeoX, дообученная из mnoukhov/pythia2.8b-sft-tldr. По названию и контексту обучения это модель вознаграждения для оценки текстовых ответов, хотя карточка не описывает её назначение подробно. В репозитории указаны результаты оценки: loss 0,3979 и accuracy 0,8129; размер модели — 3,5 млрд параметров, контекст — 2048 токенов. Модель принимает текст и выдаёт классификационную оценку. Она может применяться для ранжирования или отбора ответов, например в конвейерах обучения с обратной связью от модели. Поддерживаемые языки и ограничения качества в карточке не раскрыты. Лицензия — Apache-2.0.

QuRater-1.3B — модель классификации последовательностей, разработанная Princeton NLP и дообученная на базе Sheared-LLaMA 1.3B. Она оценивает качество текста по четырём критериям: стиль письма, необходимый уровень экспертизы, факты и сведения, образовательная ценность. Оценки представлены четырьмя ненормализованными логитами в указанном порядке. Модель предназначена для отбора и оценки текстовых данных, например при подготовке корпусов для обучения языковых моделей. Архитектура — LLaMA с плотной структурой; число параметров — 1,3 млрд, контекст — до 4096 токенов. Однако обучение проводилось на последовательностях длиной не более 512 токенов, поэтому для длинных документов следует оценивать окна до 512 токенов и усреднять оценки с весами по длине окон. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Авторы отмечают возможные смещения оценок, связанные с областями знаний, темами, социальными ролями, регионами и языками. Эти оценки не отражают социальную или литературную ценность текста и не подходят для текстологических или демографических исследований; результаты отбора данных следует проверять на смещения. Языковая поддержка в карточке не указана.

rd211/Qwen3-0.6B-Instruct — дообученная модель на основе Qwen/Qwen3-0.6B, представленная как классификатор последовательностей на базе архитектуры Qwen3. Она предназначена для классификации текста; карточка не уточняет набор классов или конкретные сценарии применения. Модель содержит 507,9 млн параметров, принимает текст и выдаёт результат классификации. Её нативный контекст составляет 40 960 токенов. Репозиторий использует библиотеку Transformers и формат Safetensors. Базовая Qwen3 описана как компактная многоязычная модель для генерации текста, диалогов, рассуждений и работы с инструментами, однако эти возможности не подтверждены как специализация данного классификационного чекпойнта. Модель выпущена rd211 и дообучена на датасете, обозначенном в README как None, поэтому сведения о тренировочных данных и оценке качества отсутствуют. Лицензия — Apache-2.0.

Afzalsiiit/results — дообученная модель классификации изображений на основе Swin-Tiny, разработанной Microsoft. Она обучена на наборе данных, загруженном в формате imagefolder, и предназначена для отнесения изображений к категориям. В карточке указана потеря 0,0274 на оценочном наборе, но состав классов и подробности оценки не приведены. Модель содержит около 33 млн параметров, использует архитектуру Swin и сохранена в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает конкретные сценарии применения или ограничения качества; результаты могут зависеть от соответствия новых изображений обучающим данным и классам.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

Модель leomaurodesenv/roberta-base-nvidia-aegis-v1 — дообученная версия FacebookAI/roberta-base для классификации текста. Она использует архитектуру RoBERTa с головой классификации последовательностей, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель распространяется в формате safetensors и предназначена для применения в конвейерах классификации текста. В README приведены результаты оценки: loss 0,2890 и accuracy 0,8711. Датасет обучения и назначение классов не раскрыты, поэтому эти показатели не позволяют определить качество на конкретных пользовательских данных. Лицензия — MIT.

leomaurodesenv/roberta-base-nvidia-aegis-v1-augmented — модель RoBERTa, дообученная на базе FacebookAI/roberta-base для классификации текста. Она содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9409 и loss 0,1728; набор данных и подробности классификационных меток не описаны. Модель подходит для классификации текстовых последовательностей в системах на базе Transformers. Карточка не раскрывает целевую предметную область, поэтому её нельзя надёжно определить по имеющимся сведениям. Лицензия — MIT.

sante-embed — медицинская модель текстовых эмбеддингов на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, адаптированная разработчиком Singaraj для поиска по медицинским текстам на девяти языках. Она содержит 1,5 млрд параметров, использует архитектуру Qwen2 и формирует векторы размерности 1536 с нормализацией L2; сходство текстов предполагается оценивать по косинусной мере. Для запросов используется инструкция в формате «Instruct: … Query: …», а документы кодируются без префикса. Модель предназначена для семантического поиска, извлечения релевантных документов и кластеризации медицинских текстов, включая FAQ и многоязычные медицинские коллекции. Метаданные указывают контекст до 131 072 токенов, однако карточка модели задаёт максимум входа 512 токенов и сообщает, что более длинный текст обрезается. Модель не предназначена для клинической поддержки принятия решений и её результаты не следует использовать для ведения пациентов. Лицензия — Apache-2.0.

NetworkIsLife/SciBert_sentence_transformer — учебное зеркало модели S-SciBERT, созданное для курса по тематическому моделированию на основе трансформеров в R. Это неизменённая копия весов и токенизатора pritamdeka/S-Scibert-snli-multinli-stsb в форматах PyTorch и safetensors; исходная модель SciBERT дообучена в Sentence Transformers на SNLI, MultiNLI и STS-B для сопоставления предложений. Архитектура — BERT с mean pooling, размер модели по метаданным — 137,1 млн параметров, размерность эмбеддинга — 768, контекст — до 512 токенов. Модель превращает английские предложения и абзацы, в том числе научные тексты, в плотные векторы для семантического поиска, кластеризации и тематического моделирования. Её научная лексика полезна для биомедицины, химии, информатики и машинного обучения; для обработки издан репозиторий в safetensors, чтобы упростить загрузку на CPU и использование из R. Качество на длинных документах может снижаться: модель обучалась на последовательностях длиной 75 токенов, поэтому полные статьи лучше разбивать на фрагменты. Для обычных веб-текстов может подойти лучше универсальная модель эмбеддингов. Лицензия — Apache-2.0.

Модель jonas/sdg_classifier_osdg — классификатор текста на основе BERT, разработанный для отнесения текста к одной из первых 15 из 17 Целей устойчивого развития ООН. Она предназначена для автоматической тематической разметки коротких текстов и абзацев, например при анализе материалов, связанных с ЦУР. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучающие тексты составляли примерно 100 слов, и на текстах сопоставимого размера модель работает лучше. В README приведены метрики валидации: accuracy 0,897 и macro F1 0,850. Модель поддерживает английский язык. Распространяется в формате PyTorch; лицензия в предоставленных данных не указана.

Slop-Detector-v4-preview-06-27 — англоязычная модель классификации текста, разработанная DrRiceIO7 на основе unsloth/ModernBERT-base. Это дообученный ModernBERT с архитектурой ModernBertForSequenceClassification и 149 млн параметров; модель принимает текст и выдаёт метку класса. Контекст составляет до 8192 токенов. Модель предназначена для обнаружения «слопа» в тексте с помощью классификации. Она может подойти для фильтрации и предварительной проверки текстов в пользовательских или редакционных процессах. Модель распространена в формате safetensors и выпущена по лицензии Apache-2.0.

vin00d дообучил Snowflake/snowflake-arctic-embed-l для поиска по юридическим текстам. Это модель Sentence Transformers на архитектуре BERT: она преобразует предложения и абзацы в нормализованные векторы размерности 1024, предназначенные для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска по юридическим документам, сопоставления запросов с фрагментами документов, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка информационного поиска на обучающем наборе из 210 пар; результаты не гарантируют качество на других корпусах. Модель работает с текстом, а обучающие примеры относятся к англоязычным юридическим материалам. Лицензия в предоставленных данных не указана.

TimKond/S-PubMedBert-MedQuAD — модель эмбеддингов на архитектуре BERT, представленная как Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Название указывает на ориентацию на биомедицинские публикации PubMed и набор вопросов и ответов MedQuAD; это делает модель подходящей для поиска смыслово близких медицинских текстов и вопросов. В карточке описано обучение с SoftmaxLoss для двух меток. Доступны веса PyTorch и Safetensors; лицензия — MIT. Модель выдаёт векторные представления текста, а не готовые ответы на вопросы или медицинские заключения. Качество на конкретных корпусах и языках следует проверять отдельно; сведения README не подтверждают поддержку русского языка.

Turkish-e5-Large — дообученная модель ytu-ce-cosmos на базе intfloat/multilingual-e5-large-instruct, созданная на различных датасетах на турецком языке. Она предназначена для преобразования текста в эмбеддинги и семантического поиска: по турецкому запросу помогает находить релевантные фрагменты текста, которые лучше всего отвечают на него. Архитектура — XLM-RoBERTa с плотными векторами; модель содержит 658,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска по коллекциям турецких документов и для извлечения релевантных отрывков в системах вопросно-ответного поиска. Лицензия — MIT. В доступном описании не приведены результаты сравнительных оценок качества; область применения модели ограничена турецкими поисковыми запросами и текстами.

UIClip — мультимодальная модель BigLab на основе CLIP, предназначенная для оценки качества дизайна и соответствия описанию скриншотов пользовательских интерфейсов. Эта версия дообучена на парных примерах веб-интерфейсов с перефразированными текстовыми описаниями; метаданные указывают на объединение с UIClip и CLIP ViT-B/32 от OpenAI. Модель сопоставляет изображение интерфейса с текстом на английском языке и подходит для ранжирования вариантов дизайна, поиска интерфейсов по описанию и получения оценки визуальной релевантности. В публикации также описаны генерация рекомендаций по дизайну и применение оценок в генерации UI-кода, однако карточка не подтверждает, что эта версия самостоятельно генерирует текстовые рекомендации. Архитектура — двухэнкодерный трансформер в стиле CLIP; модель загружается через Transformers, веса представлены в формате safetensors. Лицензия — MIT. Оценки качества дизайна зависят от обучающих данных и не заменяют проверку удобства использования и доступности специалистами.

EMBO разработала SODA-VEC с функцией потерь VICReg Exact для получения векторных представлений биомедицинских текстов. Модель основана на ModernBERT-base с 149 млн параметров; она кодирует текст в L2-нормированные эмбеддинги размерности 768 с помощью усреднения представлений токенов. Контекст модели — до 8192 токенов. Модель предназначена для семантического поиска и оценки сходства научных текстов в биомедицине и науках о жизни. Она обучена на 26,5 млн пар заголовков и аннотаций из PubMed Central и оценивалась на задачах поиска, сопоставления текстов и различения научных областей. Лицензия — Apache-2.0.

Это дообученная модель OpenAI Whisper Base для классификации аудио по языку. Она обучена на наборе данных Common Language и предназначена для определения языка по аудиозаписи. Архитектура — WhisperForAudioClassification, размер — 51,7 млн параметров; модель принимает аудио и выдаёт метку класса. В оценке на тестовой выборке указаны loss 1,0725 и accuracy 0,7525. Модель распространяется по лицензии Apache-2.0.

XLM-MLM-XNLI15-1024 — многоязычная трансформерная языковая модель, разработанная Гийомом Ламплем и Алексисом Конно. Она предварительно обучена с задачей восстановления замаскированных токенов и дообучена на англоязычном наборе данных NLI. Модель предназначена для межъязыковой классификации текста и задач вывода о логических отношениях между предложениями. Модель оценивалась на XNLI на 15 языках: английском, французском, испанском, немецком, греческом, болгарском, русском, турецком, арабском, вьетнамском, тайском, китайском, хинди, суахили и урду. По описанию архитектуры это 12-слойный Transformer с 1024 скрытыми единицами и 8 головами внимания; максимальная длина контекста в метаданных — 512 токенов. Для указания языка при использовании применяются языковые эмбеддинги. Модель можно использовать для межъязыковой классификации и NLI, хотя дообучение проводилось на английских данных; точность на тесте XNLI различается по языкам. Как и другие языковые модели, она может воспроизводить смещения из данных и не должна применяться для намеренного создания враждебной или отчуждающей среды. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

UniversalCEFR/xlm-roberta-base-cefr-all-classifier — дообученная модель XLM-RoBERTa Base для классификации текста. В карточке указана оценка F1 0,9529 и loss 0,1171 на наборе для оценки, но назначение классов и состав данных не описаны. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель построена на FacebookAI/xlm-roberta-base и опубликована под лицензией MIT. Метаданные указывают на многоязычную базовую модель, однако конкретные поддерживаемые языки и классы классификации карточка не уточняет.

sercetexam9/xlm-roberta-base-chn-finetuned-augmentation-LUNAR — дообученная sercetexam9 модель FacebookAI/xlm-roberta-base для классификации текста. Она построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; принимает текст длиной до 514 токенов и возвращает результат классификации. В README приведены метрики на наборе оценки: F1 0,7723, ROC AUC 0,8558 и accuracy 0,6929. Назначение классов и область применения не описаны. Модель распространяется по лицензии MIT.

XLM-RoBERTa-XL (xxlarge) — крупная многоязычная модель семейства RoBERTa, разработанная командой Facebook/Meta и впервые опубликованная в репозитории Facebook. Модель с 13,9 млрд параметров предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках; её архитектура — XLM-RoBERTa-XL с двунаправленным кодировщиком и контекстом до 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Основная задача модели — предсказание замаскированных токенов в тексте. Полученные представления также подходят как основа для дообучения классификаторов последовательностей и токенов, а также систем ответов на вопросы. Модель рассчитана на работу с многоязычным текстом и извлечение контекстных признаков; для генерации связного текста авторы рекомендуют использовать авторегрессионные модели. Для практических задач классификации и разметки потребуется дообучение на целевых данных.