I.11Классификация, ранжирование и сопоставление

mozilla-ai/jina-embeddings-v2-small-en-off-topic — модель Mozilla AI для классификации текстов, опубликованная в формате safetensors с лицензией MIT. Карточка указывает на архитектуру CrossEncoderWithSharedBase и предлагает загружать модель через from_pretrained после добавления PyTorchModelHubMixin к классу архитектуры. Название и ссылка в README связывают модель с jina-embeddings-v2-small-en-off-topic от govtech; по имени можно предположить, что она предназначена для выявления текстов не по теме на английском языке. Подробности об обучении, точных метриках и рекомендуемых порогах классификации в предоставленных материалах отсутствуют.

LeBSE-v2 — модель векторных представлений юридических текстов, созданная автором репозитория ahbond на основе дообучения многоязычной LaBSE. Это модель семейства BERT для sentence-transformers: она кодирует текст в эмбеддинги размерности 768 и сохраняет токенизатор и многоязычную основу LaBSE. Контекст модели — до 512 токенов, при обучении использовалась длина последовательности 128 токенов. Модель обучена контрастивным методом на 100 344 парах текстов судебных решений США, связанных цитированием. Она предназначена для поиска похожих судебных мнений и абзацев, рекомендации цитат, кластеризации юридических текстов и извлечения признаков. На тесте поиска по цитированию автор сообщает заметный прирост относительно базовой LaBSE; перенос на независимую связь между решениями был небольшим. Модель не использует исходы дел как обучающий сигнал. LeBSE специализируется на федеральном праве США и связи текстов по цитированию; она не предназначена для анализа полного текста судебного мнения за один проход. Это инструмент поиска и анализа текстов, а не источник юридических консультаций или решений по исходам дел. Лицензия — Apache-2.0.

IoannisKat1/legal-bert-base-uncased-new2 — модель Sentence Transformers на основе nlpaueb/legal-bert-base-uncased, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. В архитектуре используется BERT с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения юридических текстов на английском языке. Её можно применять для поиска релевантных документов и фрагментов, выявления перефразировок, кластеризации и извлечения признаков для классификации. В README приведены результаты оценки поиска на разных размерах вектора, но данных для оценки качества на широком наборе задач нет. Модель содержит 136,7 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Она унаследовала языковую и предметную специализацию базовой модели Legal-BERT; контекст ограничен 512 токенами, поэтому длинные документы нужно разбивать на фрагменты.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_13 — модель пользователя Jeevesh8 на Hugging Face, предназначенная для классификации текста. Страница модели указывает архитектурное семейство BERT, библиотеку Transformers и задачу Text Classification; идентификатор также показывает использование bert-base-uncased и дообучение на MNLI с ограничением длины последовательности 128 токенов. Модель предназначена для задач классификации текстовых последовательностей, включая сценарии, связанные с распознаванием отношений между текстами, характерные для MNLI. Базовый bert-base-uncased — англоязычный uncased-вариант BERT примерно на 110 млн параметров; он основан на двунаправленном Transformer и использует WordPiece-токенизацию. Поэтому модель рассчитана прежде всего на английский текст и не является генеративной или мультимодальной. Сильная сторона модели — специализированное дообучение BERT для классификационных задач и совместимость с экосистемой Transformers. Ограничения включают зависимость от английского языка, лимит входной последовательности 128 токенов и типичные для BERT риски смещённых или ошибочных предсказаний; подробные оценки, описание обучающих данных и лицензия для этой конкретной производной модели на странице не указаны.

kiddothe2b/longformer-base-4096 — языковая модель Longformer для работы с длинными документами. Она основана на RoBERTa-base и была дополнительно предобучена авторами работы об иерархических трансформерах для классификации длинных документов. Модель содержит 151,8 млн параметров и обрабатывает последовательности длиной до 4096 токенов; сочетает локальное скользящее внимание с настраиваемым глобальным вниманием. Модель выполняет заполнение пропусков в тексте (masked language modeling) и предназначена прежде всего для дообучения под задачи, использующие весь документ: классификацию документов, классификацию последовательностей предложений и ответы на вопросы. Поддерживаемый язык — английский. Обучение продолжалось 50 тысяч шагов на длинных последовательностях из датасета C4. Предсказания могут быть смещёнными из-за неотфильтрованных данных из интернета. Лицензия — CC BY-SA 4.0.

LumynaX Reranker BGE v2 M3 — ранний эксперимент AbteeX AI Labs, построенный на BAAI/bge-reranker-v2-m3. Это переранжировщик на архитектуре XLM-RoBERTa с 658,7 млн параметров: он оценивает релевантность пары «запрос — текст» и помогает улучшить порядок результатов поиска. Модель рассчитана на многоязычный поиск; в карточке указаны английский и маори. Максимальная длина контекста — 8194 токена. В этом выпуске исходные веса BAAI/bge-reranker-v2-m3 не изменены: README описывает интеграцию через маршрутизацию во время выполнения и связывание идентичности модели. Указанная лицензия — MIT. Выпуск устарел, больше не поддерживается и не рекомендуется для производственного использования; README также предупреждает, что он не отражает текущие возможности и стандарты безопасности AbteeX AI Labs.

Модель разработана Benjamin Ocampo и предназначена для классификации текстов на английском языке. Это плотная модель семейства BERT с головой BertForSequenceClassification, содержащая 136,7 млн параметров и принимающая последовательности длиной до 512 токенов. В README приведены результаты на dev-наборе: accuracy 0,8736 и macro F1 0,8663 для двух классов; состав классов и назначение классификации не описаны. Лицензия и базовая модель в доступных данных не указаны.

modernBERT-large-claim-agent_v11 — дообученная Kymera-Solutions модель классификации текста на базе answerdotai/ModernBERT-large. В карточке указаны результаты оценки: accuracy 0,9973, precision 0,9915, recall 0,9865 и F1 0,9890; описание целевых классов и самого сценария классификации не приведено. Модель построена на двунаправленной архитектуре ModernBERT с 394,7 млн параметров и контекстом до 8192 токенов. Она принимает текст и выдаёт метки классификации; основным языком базовой модели является английский. Модель подойдёт для классификации текстов в рамках соответствующей задачи и набора меток, на которых её дообучали. Датасет указан в README как None, поэтому целевое назначение и переносимость метрик на другие данные оценить нельзя. Лицензия — Apache-2.0.

Inabia-AI/modernBERT-large-claim-agent_v7 — дообученная модель классификации текста на базе answerdotai/ModernBERT-large. Она предназначена для отнесения текста к классам; название репозитория указывает на сценарий классификации утверждений для claim-агента, однако карточка не описывает метки и правила классификации. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Она принимает текст и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: accuracy 0,9983 и F1 0,9911; набор данных обозначен как None, поэтому эти показатели не позволяют оценить качество на конкретных реальных сценариях. Модель распространяется по лицензии Apache-2.0.

microsoft/mpnet-base — базовая языковая модель Microsoft на архитектуре MPNet, предназначенная для понимания текста и последующей настройки под задачи обработки естественного языка. Её предобучение сочетает masked и permuted language modeling: модель учитывает зависимости между предсказываемыми токенами и позиционную информацию всей последовательности. В конфигурации base — 136,7 млн параметров; архитектура включает 12 слоёв, скрытый размер 768 и 12 голов внимания. Контекст — до 514 токенов по метаданным. Модель работает с текстом; карточка Hugging Face не приводит список языков, поэтому поддержка английского в этом описании не заявляется. На Hugging Face модель размечена для fill-mask: она предсказывает пропущенные в тексте токены. Предобученные веса также служат основой для настройки на задачи понимания языка, например классификацию и ответы на вопросы; для таких сценариев обычно требуется соответствующая донастройка. Ограничение — это masked language model, а не готовая разговорная модель для свободной генерации ответов. Карточка Hugging Face не содержит сведений о лицензии.

AL3110/mpnet-wsc-finetuned-triplet — текстовая модель Sentence Transformers, дообученная на базе microsoft/mpnet-base на наборе wsc_queries_with_negatives. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура использует MPNet и mean pooling, поддерживает последовательности длиной до 512 токенов, а число параметров составляет 136,7 млн. Модель предназначена для семантического поиска и сравнения текстов, включая поиск ответов на запросы о правилах Oracle Workspace Category (WSC). Её также можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Для обучения использовался TripletLoss на 35 примерах с запросами, подходящими и неподходящими ответами. В карточке не указаны лицензия и поддерживаемые естественные языки. Обучающие примеры посвящены внутренним политикам и процедурам Oracle, поэтому качество за пределами этой тематики не подтверждено.

mStyleDistance — многоязычная модель эмбеддингов стиля текста, представленная авторами работы «mStyleDistance: Multilingual Style Embeddings and their Evaluation». Она преобразует текст в векторы так, чтобы тексты с похожим стилем письма располагались ближе, а с разным стилем — дальше, независимо от содержания и языка. Модель предназначена для стилистического анализа многоязычных текстов, кластеризации, идентификации и верификации авторства, а также автоматической оценки переноса стиля. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель дообучена контрастивным методом на синтетическом наборе mSynthSTEL с примерами примерно 40 стилистических признаков на девяти неанглийских языках. Сильная сторона модели — построение представлений стиля с меньшей зависимостью от содержания и применимость между языками. Для использования эмбеддингов в прикладной задаче может потребоваться отдельная кластеризация или метрика сходства. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель из репозитория PrevetDurgan279/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она обозначена как BERT-модель, работающая через библиотеку Transformers и pipeline feature-extraction. Автор или организация-разработчик в предоставленных данных не названы. README описывает обновлённую версию модели как систему с улучшенными рассуждениями, математикой, программированием, классификацией, анализом тональности, суммаризацией, переводом и поддержкой function calling. Однако эти заявления не согласуются с указанным в метаданных pipeline-тегом feature-extraction и не подтверждают конкретные параметры, размер, языки или длину контекста модели, поэтому их следует рассматривать с осторожностью. Модель может использоваться как основа для получения векторных представлений текста и последующих задач машинного обучения, включая классификацию, поиск сходства и кластеризацию. Для работы заявлена библиотека Transformers. Лицензия MIT разрешает использование, модификацию и распространение при соблюдении её условий.

MyAwesomeModel — модель из репозитория SAD21ZD1E/MyAwesomeModel-TestRepo, доступная для использования через библиотеку Transformers. В метаданных Hugging Face она обозначена как модель извлечения признаков с тегами BERT, PyTorch и feature-extraction, поэтому её основное назначение — преобразование входных текстов в векторные представления для последующего анализа или использования в прикладных ML-системах. README также заявляет о возможностях рассуждения, генерации кода и текста, ответах на вопросы, классификации, суммаризации, переводе, диалогах и function calling, однако эти заявления не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются техническими сведениями о конфигурации или подтверждёнными инструкциями запуска. Размер модели, длина контекста и поддерживаемые естественные языки не указаны. Модель распространяется по лицензии MIT. Перед использованием в задачах генерации или сложного рассуждения следует проверить фактическую архитектуру и конфигурацию репозитория, поскольку карточка содержит признаки несоответствия между метаданными и описанием.

NYUAD-ComNets разработала классификатор изображений на архитектуре ViT, предназначенный для определения, является ли изображение сгенерированным ИИ. Модель содержит 113,2 млн параметров и опубликована в формате Safetensors; для применения можно использовать конвейер image-classification в Transformers. В карточке приведены результаты на наборе оценки: точность 0,9736 и значение функции потерь 0,0987. Модель подходит для предварительной проверки изображений и сортировки коллекций по вероятности искусственного происхождения. Лицензия Apache-2.0.

funa21/phobert-finetuned-vihsd — дообученная модель PhoBERT-base от разработчика funa21 для классификации текста. Она построена на архитектуре RoBERTa и содержит 162,4 млн параметров; базовая PhoBERT разработана для обработки вьетнамского языка. Модель рассчитана на присвоение текстам классов, однако описание не раскрывает набор меток и конкретную прикладную задачу. В карточке указана точность 0,8694 и значение loss 0,5694 на оценочном наборе, но сам набор данных и условия оценки не описаны. Контекст модели — 258 токенов. Веса представлены в формате safetensors, библиотека — Transformers. Лицензия — MIT.

pretrain1 — модель классификации текста на базе BERT, дообученная авторами репозитория fcx-kilig на неизвестном датасете. Она предназначена для отнесения текста к классам и может использоваться в задачах, где требуется классификация последовательностей. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и имеет контекст до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,7783 и loss 1,0888. Названия классов и состав выборки не раскрыты, поэтому эти оценки не позволяют определить качество для конкретной прикладной задачи. Базовая модель — bert-base-uncased; лицензия — Apache-2.0.

hroth/psais-multi-qa-mpnet-base-dot-v1-5shot — sentence-transformers модель на базе MPNet, дообученная с помощью SetFit на пяти примерах для университетского проекта по распознаванию намерений. Она преобразует предложения и абзацы в плотные векторы размерностью 768; модель также подходит для семантического поиска и кластеризации текстов. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для оценки сходства. Карточка описывает только экспериментальное применение для классификации намерений; другие сценарии автор не тестировал. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

jason9693/Qwen2.5-1.5B-apeach — текстовая модель классификации на архитектуре Qwen2, опубликованная пользователем jason9693 на Hugging Face. Репозиторий содержит модель для sequence classification размером 1,5 млрд параметров и заявляет контекст до 131 072 токенов. Пример загрузки использует Transformers и pipeline text-classification. Карточка модели автоматически сгенерирована и не описывает назначение меток, обучающие данные, качество, поддерживаемые языки или лицензию. Поэтому модель можно охарактеризовать как средство классификации текста, но нельзя надёжно уточнить, какие именно категории или предметные сценарии она поддерживает.

DevQuasar/Qwen.Qwen3-VL-Embedding-2B-GGUF — квантованная версия модели Qwen/Qwen3-VL-Embedding-2B, опубликованная разработчиком DevQuasar. Согласно карточке, модель относится к категории image-text-to-text и предназначена для задач, где требуется обработка и сопоставление визуальной и текстовой информации. Из доступных данных известно, что модель основана на Qwen3-VL-Embedding-2B и поставляется в формате GGUF. Обозначение 2B указывает на класс модели примерно в 2 миллиарда параметров, однако точные архитектурные характеристики, поддерживаемые языки, размер контекста, наборы данных и параметры квантования в карточке не указаны. Конкретные сценарии применения, производительность и ограничения также не описаны. Информация о лицензии и условиях коммерческого или иного использования отсутствует, поэтому их следует уточнять в исходной карточке базовой модели и у разработчика квантованной версии.

Это модель Sentence-Transformers на базе MPNet, созданная для проекта классификации дезинформации о Джастине Трюдо. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. Её можно применять для поиска текстов, семантически близких к утверждениям о Трюдо, и группировки похожих сообщений. README указывает на обучение с CosineSimilarityLoss, но не приводит сведения о датасете, метриках или точности выявления дезинформации; поэтому качество классификации фактов не подтверждено. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

T0_3B — англоязычная модель BigScience с архитектурой T5 encoder-decoder, дообученная на смеси множества задач, заданных инструкциями на естественном языке. Она принимает текстовый запрос и генерирует ответ, чтобы выполнять задачи без специального дообучения под каждую из них: классификацию тональности, определение дубликатов вопросов, вывод по контексту, понимание отношений между объектами и перестановку слов. Модель содержит около 1,5 млрд параметров и распространяется в форматах PyTorch и Safetensors. Модель рассчитана на эксперименты и применение к англоязычным NLP-задачам по промпту. Результаты могут заметно зависеть от формулировки запроса; модель не предназначена для кода и неанглоязычного текста. Она может воспроизводить социальные предубеждения и выдавать оскорбительные или вводящие в заблуждение ответы. Для загрузки и инференса нужны существенные вычислительные ресурсы. Лицензия — Apache-2.0.

TabRankNaive — модель AdarshSingh7647 на базе Qwen3-8B, дообученная для спискового переранжирования таблиц по релевантности вопросу. Она принимает вопрос и список таблиц в одном сообщении и за одну генерацию возвращает полный порядок кандидатов в JSON; вариант Answer-Only выдаёт ранжирование без цепочки рассуждений. Модель имеет плотную архитектуру Qwen3ForCausalLM с 7,6 млрд параметров, рассчитана на контекст до 40 960 токенов и распространяется в формате safetensors. Модель предназначена для поиска нужных таблиц среди кандидатов, например при подготовке контекста для вопросно-ответных систем по табличным данным. Обучение выполнено с LoRA rank 16 с последующим слиянием адаптера с базовыми весами; использованы NQ Tables и MultiTabQA. Карточка не приводит проверенных результатов оценки именно для варианта Answer-Only, поэтому качество на целевых наборах данных по ней оценить нельзя. Лицензия — Apache-2.0.

TextSight detector v23 — англоязычная модель для бинарной классификации текста как написанного человеком или сгенерированного ИИ. Разработчик дообучил DeBERTa-v3-large; модель содержит 533,8 млн параметров по метаданным и принимает до 512 токенов. Она выдаёт классы Human и AI и предназначена для проверки англоязычной прозы в системах сортировки контента, модерации и исследованиях детектирования машинного текста. Для ранжирования текстов следует использовать разницу логитов, а не сырую softmax-вероятность: округление вероятностей может сводить оценки к одинаковым значениям, а сами вероятности не откалиброваны. В описанном разработчиком тестировании модель показывала заметно различающиеся результаты по жанрам: формульные тексты, например рецепты и справочные материалы, могут часто ошибочно помечаться как сгенерированные. Нормализация входа помогает при некоторых текстовых искажениях, но модель остаётся уязвимой к изменениям слов и перефразированию; короткие тексты ненадёжны, а качество на генераторах вне проверенного набора не установлено. Лицензия в предоставленных данных не указана.

thalovant-m2v-intents — классификатор намерений для маршрутизации запросов к навыкам и другим конвейерам Thalovant Hub. Модель разработана для Thalovant и дообучена классификатором model2vec на базе Jarbas/m2v-256-distiluse-base-multilingual-cased-v2. Она сопоставляет фразу с одной из 214 меток, соответствующих навыкам и зарегистрированным намерениям; для инференса используется StaticModelPipeline из библиотеки model2vec. По данным README, на отложенной выборке получены точность определения намерения 92,1 % и точность выбора навыка 96,8 % по 68 языкам. Модель подходит для классификации команд умного дома, запросов о времени и погоде, а также намерений чтения и справочных навыков. Веса обучены на корпусе Thalovant; лицензия — Apache-2.0. У классификатора нет метки «ни одно из перечисленного»: любой запрос получает ближайшую метку, даже если ни один навык его не поддерживает. Поэтому высокая уверенность сама по себе не гарантирует, что запрос относится к доступному навыку; для части языков README указывает необходимость повышенного порога уверенности.

TookaBERT-Base — базовая персидская модель-энкодер семейства TookaBERT, разработанная PartAI. Модель с архитектурой BERT и примерно 150,1 млн параметров предварительно обучена на более чем 500 ГБ персидских текстов из новостей, блогов, форумов и книг. Для предобучения использовались задача masked language modeling с whole-word masking и контекст до 512 токенов. Модель предназначена прежде всего для восстановления замаскированных слов в персидском тексте. Её представления также подходят как основа для дообучения на классификацию текстов и тональности, распознавание именованных сущностей и задачи вопросов и ответов. Опубликованные оценки охватывают несколько персидских NLP-бенчмарков; результаты могут меняться при дообучении. Модель доступна в форматах PyTorch и safetensors под лицензией Apache-2.0. Это энкодер для работы с текстом, а не генеративная чат-модель; контекст ограничен 512 токенами.

TookaBERT-Large — крупная модель-энкодер семейства BERT, разработанная PartAI для обработки текстов на персидском языке. Она предварительно обучена на корпусе объёмом более 500 ГБ, включающем новости, блоги, форумы и книги, с задачей masked language modeling и whole-word masking. Модель содержит 451,8 млн параметров и принимает последовательности длиной до 512 токенов. Основное назначение модели — предсказание замаскированных слов в персидском тексте. Её также можно дообучать для классификации тональности и текстов, распознавания именованных сущностей, ответов на вопросы и задач с выбором ответа. В README приведены результаты оценки на нескольких персидских NLP-наборах данных; они зависят от последующего дообучения и случайности обучения. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Как энкодер для заполнения масок, она не предназначена сама по себе для генерации свободного текста; для прикладных задач, отличных от fill-mask, потребуется подходящая голова или дообучение.

ykilcher/totally-harmless-model — обычная модель DistilBERT в формате PyTorch, предназначенная для извлечения признаковых представлений текста. Её можно загрузить через Transformers с помощью AutoModel. Модель принимает текст и выдаёт векторные представления токенов. Контекст ограничен 512 токенами; в метаданных указан английский язык. Карточка не описывает специальную предметную область или дополнительные возможности. Лицензия в предоставленных данных не указана.

FrancescoPeriti/TRoTR-all-distilroberta-v1 — англоязычная модель эмбеддингов на базе DistilRoBERTa, дообученная для оценки тематической близости контекстов повторно использованного текста. Разработана для задач TRoTR, связанных с анализом того, как меняется тема текста при переносе цитаты или другого фрагмента в новый контекст. Модель кодирует предложения и короткие абзацы в векторы, которые можно сравнивать по косинусному сходству. Пример в карточке показывает сравнение трёх контекстов библейской цитаты: модель различает контексты по теме, а не только по совпадению слов. Параметры — 95,2 млн, максимальный контекст — 514 токенов; используется библиотека Sentence Transformers и формат safetensors. Подходит для сравнения тем контекстов, поиска тематически близких перефразировок и анализа переосмысления цитат. Модель ориентирована на английский язык и бенчмарк TRoTR с примерами повторного использования библейских текстов, поэтому её пригодность для других языков и предметных областей может быть ограничена. Лицензия — CC-BY-SA-4.0.

crichalchemist/welfare-constructs-distilbert — модель на базе DistilBERT для классификации текста, опубликованная в библиотеке Transformers на Hugging Face. Метаданные указывают на поддержку задачи text-classification и контекст длиной до 512 токенов. Модель можно применять для отнесения текстовых примеров к классам, определённым её обучением, однако README не содержит сведений о разработчике, обучающей выборке, целевых метках, языках, размере модели, лицензии, методике обучения или результатах оценки. Поэтому конкретные сценарии применения и качество классификации необходимо проверять по конфигурации модели и экспериментально.