I.11Классификация, ранжирование и сопоставление

DeepMount00/ModernBERT-base-ita — итальянская версия ModernBERT-base, двунаправленного энкодера Transformer для предсказания замаскированных токенов. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 8192 токенов. Вариант подготовлен для итальянского языка; исходный ModernBERT обучался преимущественно на английском тексте и коде. Модель подходит для заполнения пропусков в тексте и может служить энкодером для задач поиска и классификации длинных документов. В README описаны для семейства ModernBERT RoPE, чередование локального и глобального внимания и оптимизации Flash Attention и unpadding. Репозиторий содержит веса Safetensors, использовать их можно через библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Среди ограничений — возможное снижение качества на языках, отличных от итальянского, а обработка последовательностей, близких к максимальной длине, может быть медленнее коротких входов.

mRoBERTa — многоязычная языковая модель на архитектуре RoBERTa, разработанная BSC-LT и обученная с нуля на данных 35 европейских языков и 92 языков программирования. В метаданных указано 309,9 млн параметров, библиотека Transformers и контекст до 514 токенов; README приводит оценку размера 283 млн параметров. Модель использует токенизатор SentencePiece с словарём на 256 000 токенов и предобучалась методом masked language modeling на корпусе объёмом 12,8 ТБ. Основная задача модели — предсказывать замаскированные фрагменты текста. Её также можно дообучать для классификации, распознавания именованных сущностей и других задач понимания текста на поддерживаемых языках. README описывает оценку на многоязычных тестах, включая XTREME, а также отдельные тесты для каталанского, галисийского и баскского языков. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache 2.0. Как энкодерная модель заполнения масок, mRoBERTa не предназначена для генерации длинных текстов в режиме диалога; для прикладных задач, отличных от заполнения масок, потребуется подходящая дополнительная настройка.

MyAwesomeModel — модель из репозитория ASD12EDSXA/MyAwesomeModel-TestRepo, опубликованная с использованием Transformers и PyTorch. В метаданных Hugging Face она отнесена к задаче feature-extraction и имеет теги BERT и Transformers, поэтому её основное каталоговое назначение — извлечение признаков и представлений из входных данных для последующего анализа или машинного обучения. README также заявляет улучшенные способности к рассуждению, математике, программированию, диалоговой генерации, суммаризации, классификации и работе с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются техническими характеристиками базовой архитектуры, размером, модальностями, языками или длиной контекста. Модель распространяется по лицензии MIT.

MyAwesomeModel — модель, опубликованная пользователем или организацией MabelCoco на Hugging Face. По метаданным она относится к семейству BERT, использует PyTorch и библиотеку Transformers, а основным сценарием применения обозначено извлечение признаков из текста. В README модель также позиционируется как обновлённая система с улучшенными рассуждениями, математикой, программированием, логикой, ответами на вопросы, классификацией, суммированием, диалогами и вызовом функций. Однако эти заявления относятся к широкому набору возможностей, тогда как официальная метка pipeline указывает feature-extraction; поэтому для каталога модель прежде всего следует рассматривать как средство получения векторных представлений текста и использования их в последующих NLP-задачах. Модель распространяется по лицензии MIT. README рекомендует использовать системный промпт с текущей датой и температуру 0,6, но не содержит подтверждённых сведений о размере модели, длине контекста, поддерживаемых естественных языках и точной архитектуре за пределами метки BERT. Заявленные результаты бенчмарков приведены в карточке модели без описания методологии проверки.

MyAwesomeModel — модель из репозитория SOTAagi2030/MyAwesomeModel-TestRepo, распространяемая через Hugging Face и предназначенная по метаданным для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и реализуется на PyTorch; в тегах также указана BERT-совместимая архитектурная принадлежность. В README модель описывается как обновлённая система с улучшенными рассуждениями, математическими и логическими задачами, программированием, ответами на вопросы, классификацией, суммаризацией, диалогами, переводом и вызовом функций. Однако эти возможности не согласуются напрямую с основной меткой feature-extraction и не сопровождаются достаточным описанием архитектуры, размера, контекстного окна или языковой поддержки. Документация также упоминает уменьшение галлюцинаций и рекомендации по системному промпту и температуре 0,6. Модель доступна по лицензии MIT. Для каталогизации её следует прежде всего рассматривать как Transformers-модель для получения текстовых представлений, а заявленные генеративные и рассуждательные возможности подтверждать дополнительным тестированием.

navsad/navid_test_bert — модель классификации последовательностей на архитектуре BERT, разработанная путём дообучения bert-base-cased на датасете GLUE. Она предназначена для задач классификации текста. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов, формат PyTorch и лицензия Apache-2.0. На оценочном наборе для модели указаны loss 0,8149 и коэффициент корреляции Мэттьюса 0,5834. Карточка не описывает конкретные сценарии использования и ограничения, поэтому результаты на этих метриках не позволяют судить о качестве для отдельных задач. README называет bert-base-cased базовой моделью, но не уточняет конкретную конфигурацию датасета GLUE или процедуру обучения.

NexteraBERT-Mezzoforte-220M-13B-en — англоязычный двунаправленный энкодер семейства NexteraBERT, опубликованный независимым исследователем RikkaBotan. Это отдельный запуск модели с 212,6 млн параметров, обученный предсказывать замаскированные токены на 13 млрд токенов; репозиторий содержит веса примерно на 353,6 млн параметров по метаданным. Архитектура включает 18 блоков с жидкостным токенным миксером SnowLily, скользящим вниманием с окном 256 токенов, полным вниманием и глобальным вниманием по группам токенов. Используются grouped-query attention и squared-ReLU MLP. Модель предназначена для предсказания пропущенных слов, извлечения контекстных представлений и последующей донастройки для классификации и других задач понимания текста. В README приведены результаты на GLUE и английском MTEB v2; для поиска и сходства автор рекомендует сначала дообучить энкодер контрастивным методом, поскольку это не готовая модель эмбеддингов. Обучение велось на англоязычных данных FineWeb-Edu, DCLM и StarCoderData. Лицензия — MIT.

OLM RoBERTa/BERT December 2022 — англоязычная базовая языковая модель проекта OLM, обученная на очищенных снимках Common Crawl и Wikipedia за декабрь 2022 года. Модель использует архитектуру RoBERTa с примерно 151,8 млн параметров и контекстом до 514 токенов. Доступны версии в форматах PyTorch и TensorFlow. Модель предназначена для восстановления замаскированных слов, а также для дообучения под классификацию последовательностей и токенов или ответы на вопросы. Разработчики сообщают о результатах на отдельных задачах GLUE, где модель превосходила исходный BERT по некоторым метрикам, но уступала по другим. Лицензия в предоставленных данных не указана.

PeytonT/paper-link-prediction — модель классификации научных текстов, дообученная на базе allenai/scibert_scivocab_uncased. Она предсказывает сходство между научными статьями или наличие связи между ними в графе публикаций и служит компонентом системы Repository Library для работы с научными материалами. Модель построена на энкодерной архитектуре BERT и содержит 137,1 млн параметров; максимальная длина контекста — 512 токенов. Она принимает текст и выдаёт результат классификации. Модель предназначена для определения связей между статьями, а также для последующего поиска, ранжирования и анализа научных публикаций в целевых сценариях Repository Library. В качестве обучающих данных использовались признаки графа статей из paper_universe_graph. В карточке заявлены accuracy и macro-F1, однако отдельный отчёт с результатами бенчмарка не приведён. Лицензия в предоставленных данных не указана.

paust/pko-t5-small — компактная корейская модель семейства T5 v1.1, разработанная PAUST и обученная на корейских текстах. В обучении использовалась задача восстановления пропусков в тексте (span corruption) без учителя; для токенизации применён BBPE без OOV-токенов. Модель имеет архитектуру T5ForConditionalGeneration и около 55,1 млн параметров; доступна в формате PyTorch и используется через Transformers. Модель предназначена для последующего дообучения под конкретные задачи обработки корейского языка, включая классификацию, распознавание сущностей, анализ отношений, синтаксический разбор и ответы на вопросы. В карточке приведены результаты оценки дообученных вариантов на наборе KLUE; качество различается в зависимости от задачи. Лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

PortBERT-base — португалоязычная языковая модель семейства PortBERT, разработанная авторами проекта PortBERT. Это модель архитектуры RoBERTa, предварительно обученная с нуля на португальской части OSCAR23 и MC4, представленной дедуплицированными вариантами CulturaX. Вариант base в README указан с 126 млн параметров; метаданные репозитория указывают 153,2 млн параметров. Модель принимает текст и предсказывает скрытые токены, поэтому подходит для задачи заполнения пропусков и как основа для дообучения под португальские NLP-задачи. Авторы оценивали семейство на ExtraGLUE — португальской адаптации GLUE — с дообучением на задачах сходства предложений, распознавания текстовых следствий и классификации парафраз. В README указаны GPT-2-подобный токенизатор с размером словаря 52 тыс. и обучение PortBERT-base на 8 GPU A40; метаданные задают контекст в 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель распространяется по лицензии MIT. Оценки ExtraGLUE рассчитаны на валидационных наборах, поскольку авторы сообщают об отсутствии отложенных тестовых наборов; результаты поэтому не являются независимой оценкой на тесте. Размер модели также указан по-разному в README и метаданных.

Amer-Surur1/quran-finetuned-mpnet — дообученная модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она использует архитектуру XLM-RoBERTa с усредняющим pooling и содержит 305,2 млн параметров. Модель преобразует предложения и абзацы в плотные векторы размерности 768, сравниваемые косинусной близостью. Модель предназначена для семантического сопоставления арабских фрагментов Корана и подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучение выполнено на 16 929 парах предложений с MultipleNegativesRankingLoss. Репозиторий указывает максимальную длину последовательности 128 токенов; метаданные указывают нативный контекст 514 токенов. При работе следует учитывать лимит последовательности модели и проверять качество на целевых текстах. Лицензия в предоставленных данных не указана.

RobBERT-2026 — нидерландоязычная модель-энкодер, выпущенная разработчиком RobBERT. Она обучена с нуля на архитектуре NeoBERT для предсказания пропущенных токенов и общих задач понимания нидерландского текста. По карточке, обучение проведено примерно на 27 млрд токенов из лицензированных или синтетических источников; в метаданных указан размер 302,6 млн параметров, а в README — 275 млн. Модель предобучалась на последовательностях длиной 512 токенов; таблица RoPE рассчитана на 8192, но README не подтверждает, что такую длину поддерживает предобучение. Модель можно применять как основу для заполнения пропусков, классификации текста и ответов на вопросы на нидерландском языке. В сравнительной оценке на SQuAD-NL она показала F1 69,6, а на DBRD — точность определения тональности 93,3. Лицензия репозитория — MIT. Для загрузки README указывает на необходимость `trust_remote_code=True`.

Sci-BETO-large — испаноязычный энкодер RoBERTa, разработанный Flaglab и предварительно обученный с нуля на научных текстах. Модель содержит 454,1 млн параметров по метаданным Hugging Face; README указывает 355 млн. Использует токенизацию byte-level BPE и обучалась на корпусе более чем из 11 млрд токенов, включающем научные публикации, диссертации и другие академические материалы. Контекст модели составляет 514 токенов. Модель предназначена для научного NLP на испанском языке. Её можно дообучать для классификации текстов, распознавания именованных сущностей, поиска семантического сходства, выявления перефразирований и извлечения знаний из академических документов. Основная задача опубликованного чекпойнта — восстановление замаскированных токенов; README приводит результаты на общих и специализированных испанских наборах данных, включая PharmaCoNER. Модель ориентирована на академический регистр и латиноамериканские варианты испанского, поэтому может хуже работать с неформальной речью. Она не предназначена для генерации текста и не обучалась на английских или двуязычных данных. Распространяется по лицензии Apache-2.0.

SciFive-base-Pubmed_PMC — модель семейства T5, представленная авторами работы SciFive для работы с биомедицинской литературой. Это текстовая модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров, обученная на корпусах PubMed и PMC Open Access. Она принимает текст и предназначена для задач обработки биомедицинских публикаций; карточка Hugging Face классифицирует её как text-classification. Модель поддерживает английский язык и имеет контекст длиной до 1024 токенов. Модель подходит для классификации текстов из биомедицинских статей и может использоваться в исследовательских и прикладных NLP-сценариях с научной литературой. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Ограничения и условия лицензии в предоставленных данных не описаны.

Sentence-RooseBERT — англоязычная модель для получения векторных представлений предложений на основе Sentence-BERT и доменной модели RooseBERT, обученной на политических дебатах и парламентских речах. Она предназначена для сравнения смысловой близости, поиска и извлечения текстов, кластеризации политических аргументов и классификации по сходству эмбеддингов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст; максимальная длина контекста — 514 токенов. Для обучения RooseBERT использовались 11 ГБ англоязычных стенограмм политических дебатов 1919–2025 годов из разных стран, а также заседаний Генеральной Ассамблеи и Совета Безопасности ООН. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель экспериментальная и ещё не прошла формальную оценку: качество на прикладных задачах неизвестно. Она наследует возможные смещения политических речевых корпусов и не предназначена для генерации текста или токенной разметки.

STM — Gemma-2B — плотный биомедицинский ретривер на базе google/gemma-2b, разработанный для поиска релевантных текстов в биомедицинских материалах. Модель объединяет четыре специализированных эксперта методом Task Arithmetic и предназначена для retrieval и оценки сходства предложений. Она доступна в формате safetensors и содержит 2,5 млрд параметров; длина контекста составляет 8192 токена. Модель построена на архитектуре Gemma и использует Sentence Transformers для извлечения эмбеддингов. Лицензия — Gemma. Карточка не сообщает результатов оценки качества или конкретного перечня поддерживаемых языков.

Takemeter — модель классификации текста, созданная дообучением RoBERTa-base с помощью Transformers. Она предназначена для присвоения тексту метки класса; число и значения классов в карточке не описаны. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведён результат оценки: Macro F1 0,7078 и loss 0,9067. Датасет, сценарии применения и ограничения качества не раскрыты. Модель распространяется по лицензии MIT.

oscaruv28/tass-xlnet — дообученная модель классификации последовательностей на базе XLNet Base Cased. Она предназначена для отнесения текста к классам; конкретная предметная область, набор меток и сценарии применения в карточке не описаны. Модель содержит 137,8 млн параметров, построена на архитектуре XLNet и распространяется в формате safetensors через Transformers. Лицензия — MIT. На оценочном наборе указаны accuracy 0,5338, F1 Macro 0,5145, F1 Weighted 0,5198 и loss 1,0622. Эти результаты показывают качество только на указанном наборе; его данные и состав классов не раскрыты.

Technographics Marketing Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 на 396 парах примеров по тематике маркетинга и technographics. Модель кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, связанных с маркетингом, сегментацией клиентов и технологическими профилями. Обучение Matryoshka позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64. Лицензия Apache-2.0. Небольшой обучающий набор ограничивает основания для ожиданий широкой предметной точности; качество следует оценивать на целевых данных.

XiaPinJohnKe/test-trainer — дообученная модель классификации последовательностей на базе BERT Base Uncased от Google, разработанная автором репозитория. Она предназначена для отнесения входного текста к классам; обучающий датасет и конкретная схема классов не описаны. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки: accuracy 0,7794, F1 0,8534 и loss 0,5037. Эти показатели относятся к указанному набору оценки, детали которого не раскрыты, поэтому переносить их на другие данные нельзя. Лицензия — Apache-2.0.

Tev1-0.8B-experimental — экспериментальная модель принятия решений от Together AI, полученная supervised fine-tuning модели Qwen3.5-0.8B. Она сохраняет стандартную авторегрессионную языковую модель с головой предсказания следующего токена; это не среда выполнения Jev без авторегрессии. Модель предназначена для выбора одного варианта по структурированным полям state, question и списку из 2–24 вариантов с метками. В ответе ожидается только буква выбранного варианта, которую приложение сопоставляет с нужным значением. Это узкий интерфейс для классификации решений, а не для обычного диалога. Карточка предупреждает, что модель может ошибаться, а устойчивость к prompt injection, работа на разных языках, калибровка и поведение на задачах вне обучающего распределения подробно не проверялись. Её не следует использовать как единственное основание для решений с высокими последствиями. Условия лицензии в предоставленных данных не указаны.

TiC-CLIP-basic-cumulative — модель семейства TiC-CLIP, разработанная Apple на основе модифицированного OpenCLIP. Это зрительно-языковой чекпойнт, обученный на TiC-DataComp-Yearly: версия с базовой фильтрацией использует данные за 2014–2022 годы. В метаданных указан формат PyTorch и задача классификации изображений без примеров. Модель предназначена для оценки изображений по текстовым описаниям и для исследований непрерывного обучения зрительно-языковых моделей на меняющихся во времени данных. Чекпойнт можно использовать как начальную точку для дальнейшего обучения на данных следующего года или месяца, а также для оценки временной устойчивости на наборах TiC-DataComp и стандартных задачах DataComp. В карточке описан подход, при котором продолжение обучения с повторным использованием старых данных сокращало вычисления относительно обучения с нуля. Эта характеристика относится к подходу обучения, а не гарантирует результат для любого применения чекпойнта. Лицензия указана как other; карточка отсылает к файлу LICENSE для условий использования.

UKPLab/triple-encoders-dailydialog — модель семейства triple-encoders от исследовательской группы UKP Lab, обученная на наборе DailyDialog для контекстного моделирования последовательностей диалога и краткосрочного планирования. Она использует архитектуру BERT с плотными представлениями: отдельные реплики кодируются Sentence Transformers, затем их векторы контекстуализируются без дополнительных обучаемых весов с помощью попарного mean-pooling. Для поиска кандидатов рассчитывается косинусное сходство, а оценки суммируются по схеме позднего взаимодействия. Модель предназначена для выбора подходящего следующего ответа в диалоге и ранжирования кандидатных ответов, в том числе сгенерированных LLM, чтобы вести беседу к заданной реплике-цели. Отдельное кодирование реплик позволяет обновлять представление последовательности при добавлении новой реплики. В README заявлена возможность использовать последовательности любой длины и мультиязычные Sentence Transformers чекпойнты, однако для этой конкретной модели указаны английский язык, контекст 512 токенов и 433,9 млн параметров. Репозиторий распространяется по лицензии Apache-2.0 и содержит веса PyTorch/Safetensors. Для работы требуется библиотека triple-encoders и подходящая базовая Sentence Transformers модель. Результаты зависят от качества и совместимости используемого энкодера и от набора кандидатов; модель обучена на DailyDialog, поэтому перенос на иные типы диалогов может требовать проверки.

Это модель Cardiff NLP на архитектуре RoBERTa-large, дообученная на наборе X-Sensitive для многометочной классификации чувствительного содержимого в сообщениях. Базовая RoBERTa обучалась на 154 млн твитов до конца декабря 2022 года; модель различает конфликтный контент, ненормативную лексику, сексуальные темы, наркотики, самоповреждение, спам и сообщения без чувствительного содержимого. Модель предназначена для разметки англоязычных текстов, в том числе публикаций в социальных сетях, по категориям чувствительности. Она содержит около 454,1 млн параметров, принимает текст и выдаёт метки классификации; максимальный нативный контекст составляет 514 токенов. Распространяется в формате Safetensors по лицензии MIT.

VGCN-BERT — модель на основе uncased-версии DistilBERT-base, разработанная автором репозитория zhibinlu и основанная на архитектуре из статьи VGCN-BERT. Она объединяет контекстные представления трансформера с графовой свёрточной сетью по графу словаря, чтобы совместно учитывать локальные связи в тексте и глобальные связи между словами. Модель предназначена прежде всего для дообучения под задачи классификации текста и другие задачи обработки английского текста; README также описывает способы построения графа на основе статистики совместной встречаемости или заданных связей сущностей. В репозитории указаны задача извлечения признаков, контекст до 512 токенов и формат весов safetensors. Метаданные также перечисляют задачи заполнения пропусков, классификации текста, ответов на вопросы, разметки токенов и multiple choice. Автор сообщает об ускорении вычисления графовых эмбеддингов и приводит пример, где дополнительное время обучения для CoLA составляет 11% относительно базовой модели. Модель лицензирована по Apache-2.0. Автор отмечает, что статистически построенный граф словаря может давать ограниченное улучшение, а практический потенциал видит в интеграции пользовательских графов; модель рекомендуется дообучать для конкретной задачи.

Модель dvs/videomae-base-finetuned-kinetics-finetuned-movienet — дообученная видеомодель для классификации видео, созданная на основе MCG-NJU/videomae-base-finetuned-kinetics. Она использует архитектуру VideoMAEForVideoClassification и содержит 113,2 млн параметров. По карточке, дообучение проводилось на наборе данных, который не назван. Модель принимает видео и относит его к категориям. На оценочной выборке указана точность 0,7865 после 4,1 эпохи обучения. В карточке не раскрыты набор классов, языки и детали подготовки данных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Ham1mad1/videomae-base-Vsl-Lab-PC-V7 — модель VideoMAE для классификации видео, обученная с нуля. Она содержит 113,2 млн параметров и сохранена в формате safetensors. В README приведены результаты оценки на неизвестном наборе данных: loss 1,1302 и accuracy 0,8326. Модель предназначена для присвоения видео меток классов. Назначение классов, состав обучающего набора и конкретные сценарии применения в карточке не раскрыты. Лицензия и языковые характеристики не указаны в предоставленных данных.

Vietnamese_Law_Embedding_finetuned_v3_256dims — модель Sentence Transformers, дообученная namnguyenba2003 на базе AITeamVN/Vietnamese_Embedding для получения плотных эмбеддингов вьетнамских юридических текстов. Она кодирует предложения и абзацы в векторы для семантического поиска, сравнения сходства и ранжирования по смысловой близости. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией; размер вектора в README указан как 1024 измерения, а суффикс репозитория и оценка с усечением размерности также указывают на вариант 256 измерений. Максимальная длина последовательности — 8192 токена. README сообщает об обучении на 20 594 парах anchor-positive и приводит метрики поиска для разных размерностей. Модель ориентирована на вьетнамский язык и юридические документы: её можно применять для поиска релевантных правовых фрагментов, подбора похожих положений, поиска перефразирований и кластеризации текстов. Для сравнения векторов используется косинусное сходство. Данные о независимой оценке на широком наборе правовых задач не приведены, поэтому качество для конкретного корпуса следует проверять отдельно. Лицензия — Apache-2.0.

NeuML/word2vec — экспорт векторов Word2Vec в формате StaticVectors, подготовленный для библиотеки staticvectors. Модель предназначена для получения статических векторных представлений отдельных слов; инференс можно выполнять в Python с NumPy. В метаданных указаны семейство staticvectors, плотная архитектура, формат safetensors и английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает размер словаря и векторов, параметры обучения или контекстное окно; статические векторы не учитывают контекст конкретного употребления слова.