I.11Классификация, ранжирование и сопоставление

TabuLa-8B (Tabular Llama-8B) — модель на основе Meta Llama 3, разработанная для прогнозирования по табличным данным. Она предназначена для классификации и регрессии с разбиением целевых значений на интервалы; модель обучена с помощью rtfm на наборе данных T4. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров, контекст — до 8192 токенов. Репозиторий содержит веса в формате safetensors и позволяет загружать модель через Transformers. Модель подходит для переноса языкового моделирования на задачи предсказания по таблицам. Карточка описывает её как базовую модель для таких задач, но не приводит подробностей о метриках или ограничениях оценки. Язык в метаданных — английский. Лицензия — Llama 3.

dhammanana/Tipitaka_MiniLM-L12 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по смыслу; сходство можно оценивать косинусной мерой. Архитектура включает BERT с усредняющим pooling. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель обучена на 844 384 парах предложений. Примеры данных сопоставляют фрагменты на пали с английскими переводами и пояснениями, поэтому модель ориентирована на семантическую работу с текстами Типитаки и близкими материалами. Её можно применять для поиска релевантных фрагментов и сопоставления похожих текстов. Модель принимает текст и выдаёт векторы; генерация текста в её назначение не входит. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, дообученная автором matunderstars на базе sentence-transformers/all-MiniLM-L12-v2 для поиска ответов на вопросы по материалам UFES. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, преобразует текст в векторы размерности 384 и сравнивает их по косинусному сходству. В README указана максимальная длина входа 128 токенов; метаданные каталога сообщают контекст до 512 токенов. Для дообучения применялся MultipleNegativesRankingLoss на небольшом наборе пар «вопрос — ответ» на португальском языке. Модель подходит для семантического поиска и сопоставления вопросов с ответами в справочных материалах UFES, а также для поиска перефразировок и кластеризации похожих текстов. Для её использования требуется библиотека sentence-transformers. README не указывает лицензию. Небольшой обучающий набор и специализация на вопросах и ответах UFES могут ограничивать качество на других темах и языках; фактические результаты оценки качества не приведены.

Модель dvs/videomae-base-finetuned-movienet-take2 — дообученная разработчиком модель VideoMAE-base для классификации видео. Она содержит 113,2 млн параметров и распространяется в формате PyTorch. Базовая модель MCG-NJU/videomae-base — видеотрансформер, предварительно обученный без учителя для извлечения признаков и последующего дообучения. Модель предназначена для присвоения видео категорий. В README приведены результаты оценки: accuracy 0,7969 и loss 1,0793; набор данных и состав классов не раскрыты. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Akiya-Vyre выпустила дообученную модель SentenceTransformer на базе bqbbao6/vietnamese-legal-embedding для поиска по вьетнамским юридическим текстам. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для извлечения релевантных документов и сравнения семантической близости по косинусному сходству. Модель использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. Она принимает текст, обрабатывает последовательности до 514 токенов и выдаёт эмбеддинги; обучалась на наборе из 27 927 примеров с парами и отрицательными примерами. Лицензия в предоставленных данных не указана.

Модель tiantiaf/wavlm-large-narrow-accent дообучена на основе microsoft/wavlm-large для классификации узких акцентных групп в английской речи. Она реализует подход из бенчмарка Vox-Profile и относит аудио к одной из 16 категорий, включая East Asia, Irish, North America, Scottish, Slavic и Welsh. Модель принимает аудио и выдаёт метку класса акцента; её основа WavLM Large предварительно обучена извлекать представления из английской речи. Репозиторий содержит веса в формате safetensors и распространяется по лицензии OpenRAIL.

CyberAgent разработала модель XLM-RoBERTa-large для вывода о связи между двумя японскими предложениями. Модель обучена как cross-encoder на наборах JGLUE-JNLI и JSICK с использованием SentenceTransformers и выдаёт оценки для трёх классов: противоречие, следование и нейтральное отношение. Модель подходит для классификации пар предложений и оценки их семантического сходства в сценариях на японском языке. Она содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности с контекстом до 514 токенов. Доступны веса PyTorch; лицензия — CC BY 4.0. Поскольку модель обучалась на японских наборах NLI, её назначение и подтверждённые возможности сосредоточены на японском языке. Оценки отражают три класса отношений между предложениями, а не свободные текстовые ответы.

AccPhysBERT — англоязычная модель эмбеддингов для поиска и анализа публикаций по физике ускорителей, разработанная Торстеном Хеллертом, Жоао Монтенегро, Марко Вентурини и Андреа Полластро. Модель создана на основе PhysBERT cased и дообучена методом supervised contrastive learning SimCSE. Архитектура — BERT, около 136,7 млн параметров; модель формирует плотные векторные представления текста и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска по заголовкам, аннотациям, заявкам и полным текстам, классификации цитирований, сопоставления рецензентов и кластеризации научной литературы. Она обучалась на публикациях INSPIRE HEP по физике ускорителей, парах цитирований и синтетических парах запрос–источник. Для специализированных тестов по физике ускорителей авторы сообщают о результатах выше BERT, SciBERT и универсальных моделей эмбеддингов. Модель опубликована под лицензией CC BY 4.0. Она рассчитана на англоязычные научные тексты по физике ускорителей; результаты вне этой предметной области и для других языков могут быть хуже. Ограничение контекста составляет 512 токенов.

Модель sercetexam9/afro-xlmr-base-arq-finetuned-augmentation-LUNAR — дообученная версия Davlan/afro-xlmr-base для классификации текстов. Она использует архитектуру XLM-RoBERTa и содержит около 305,2 млн параметров; максимальная длина контекста — 514 токенов. Базовая модель предназначена для многоязычных текстов, в том числе на африканских языках. Модель подходит для задач классификации последовательностей и может применяться для разметки текстов по категориям. В README приведены метрики на оценочной выборке: F1 0,5725, ROC AUC 0,6987 и accuracy 0,2957; описание датасета и целевых классов отсутствует, поэтому эти результаты не позволяют определить качество для конкретного сценария. Модель распространяется по лицензии MIT.

Minachist разработал бинарный классификатор иллюстраций, определяющий, создано ли изображение генеративной моделью или человеком. Это дообученная модель google/siglip2-so400m-patch16-384: она использует визуальный энкодер SigLIP2 с линейной классификационной головой на два класса, а текстовая часть исходной модели удалена. На вход подаётся изображение; на выходе модель выдаёт оценки классов «human» и «ai». Изображения приводятся к размеру 384×384 с игнорированием исходного соотношения сторон. Модель предназначена для предварительной проверки иллюстраций и анализа наборов изображений на наличие AI-генераций. В README приведены высокие метрики на отложенной выборке, включая AUROC 0,9994 на варианте с нейтрализованными форматами и разрешениями. Для воспроизведения указанной сбалансированной точности следует применять порог P(ai) ≥ 0,0368; стандартный argmax использует порог 0,5, поэтому может давать другие решения. Вероятности не откалиброваны. Разработчик характеризует выпуск как исследовательский артефакт. Обобщение на генераторы, которых не было в обучающих данных, не гарантируется; новые генераторы, постобработка и сильное повторное сжатие могут снизить точность. Результаты одной валидационной выборки могут завышать качество на реальных данных, поэтому классификатор не следует использовать как единственное основание для решений с серьёзными последствиями. Лицензия — Apache-2.0.

Модель dima806/ai_vs_human_generated_image_detection — дообученная версия Vision Transformer (ViT) для классификации изображений на созданные человеком и сгенерированные ИИ. Она предназначена для проверки происхождения отдельного изображения и первичного отбора подозрительных изображений. Модель содержит 113,2 млн параметров, построена на базе google/vit-base-patch16-224-in21k и распространяется в формате Safetensors для библиотеки Transformers. В отчёте README указаны точность 97,87% и метрики на тестовой выборке примерно из 8 тысяч изображений. Эти результаты относятся к данным, использованным при оценке: карточка предупреждает, что обучающая выборка собрана примерно год назад, а новые генераторы изображений могут заметно снизить качество из-за изменения распределения данных. Для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

algerian-law-biencoder-v2 — текстовый биэнкодер на базе Sentence Transformers, разработанный для поиска статей Алжирского семейного кодекса по вопросам пользователей. Модель дообучена на 389 парах «вопрос — статья» от 81melody/algerian-law-marbert с помощью MultipleNegativesRankingLoss; в основе архитектуры MARBERTv2 с BERT-энкодером и mean pooling. Она преобразует запросы и статьи в 768-мерные эмбеддинги, которые сравниваются по косинусному сходству. Модель рассчитана на первый этап двухэтапного поиска: вопросы на алжирской дарже, Arabizi, современном стандартном арабском, французском и смешанных языках сопоставляются с релевантными статьями закона. В README приведены результаты на dev-наборе: точность cosine@1 — 0,7045, @3 — 0,8182, @5 — 0,8864. Максимальная длина последовательности в README указана как 256 токенов; метаданные указывают контекст 512 токенов. Лицензия — Apache-2.0. Модель возвращает эмбеддинги для поиска, а не юридические консультации или готовые ответы.

ANGEL_pretrained — англоязычная генеративная модель для связывания упоминаний биомедицинских сущностей с понятиями из справочников. Её разработали Chanhwi Kim, Hyunjae Kim, Sihyeon Park, Jiwoo Lee, Mujeen Sung и Jaewoo Kang, дообучив BART-large на данных UMLS-2020-AA. Модель содержит 252,8 млн параметров, использует архитектуру encoder-decoder BART и имеет контекст до 1024 токенов. Модель сопоставляет слово или упоминание с кандидатами на сущности, обучаясь различать похожие упоминания с разными идентификаторами CUI. Её можно применять для биомедицинского entity linking, а для практических сценариев авторы рекомендуют сначала дообучить её на целевом наборе данных. В README сообщается об оценке на NCBI-disease, BC5CDR, COMETA, AAP и MedMentions; указано улучшение средних результатов относительно GenBioEL, но таблица с подробными метриками отсутствует. Модель принимает текст и генерирует текстовый результат. Лицензия — GPL-3.0.

Arabic Medical Classification Model (AraBERTv2) — модель на базе aubmindlab/bert-base-arabertv2, дообученная для классификации арабских медицинских вопросов и ответов по 89 категориям, включая кардиологию, неврологию и эндокринологию. Разработчик — AymanElbery. Модель предназначена для разметки медицинских текстов в системах вопросов и ответов, виртуальных помощниках и медицинских чат-ботах. Она принимает текст на арабском языке, включая современный стандартный арабский и некоторые диалекты, и выдаёт метку класса. Архитектура — BERT для классификации последовательностей, размер — 162,4 млн параметров, максимальная длина контекста — 512 токенов. Обучение проводилось на частном наборе из 800 000 пар «вопрос, ответ, классификация». Модель распространяется под лицензией Apache-2.0. Она классифицирует тексты по заданным медицинским категориям, но карточка не подтверждает её пригодность для постановки диагнозов или медицинских рекомендаций; качество на других диалектах и вне обучающих категорий не описано.

Карточка модели lafifi-24/arbert_arabic_dialect_identification на Hugging Face совпадает с карточкой lafifi-24/arabicBert_arabic_dialect_identification, поэтому описание составлено по ней. Модель lafifi-24/arabicBert_arabic_dialect_identification — классификатор арабского текста, разработанный в рамках проекта по определению арабских диалектов. Она дообучена на сочетании общедоступных наборов данных и собственного набора разработчиков и предназначена для определения диалекта по тексту разговорного арабского языка. Модель основана на BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Её можно применять для автоматической разметки диалектов в текстах, маршрутизации обращений по региону и анализа арабоязычных пользовательских сообщений. Карточка сообщает о высокой точности, но не приводит численных метрик или перечня распознаваемых диалектов, поэтому качество на конкретных данных следует проверять отдельно. В репозитории указаны веса PyTorch; условия лицензии в доступных данных не приведены.

Wi/arxiv-topics-distilbert-base-cased — модель классификации текста на базе DistilBERT, разработанная для определения основной категории научной статьи по её аннотации, заголовку и списку авторов. Она обучена на подмножестве данных, полученных через API arXiv, и предназначена для тематической разметки публикаций из этой области. Модель принимает текстовые сведения о статье и выдаёт метку категории верхнего уровня. Использует архитектуру DistilBertForSequenceClassification, работает с текстами длиной до 512 токенов и рассчитана на английский язык. Доступна в формате PyTorch по лицензии Apache-2.0. Подходит для автоматической сортировки и предварительной категоризации научных публикаций. Обучение на подмножестве данных arXiv ограничивает основания для применения к другим предметным областям; качество классификации за пределами описанного сценария не установлено.

Arunavaonly/Bangla-twoclass-Sentiment-Analyzer — модель классификации текста на основе XLM-RoBERTa Base, дообученная для анализа тональности на бенгальском языке. Она предназначена для отнесения текста к одному из двух классов тональности. Модель содержит около 305,2 млн параметров, принимает последовательности длиной до 514 токенов и доступна в форматах PyTorch и Safetensors. В карточке указаны результаты оценки: F1 0,6113 и loss 2,7755. Данных о составе классов, обучающем наборе и ограничениях применения нет, поэтому качество на конкретных текстах может отличаться. Лицензия — MIT.

CAMeL-Lab разработала CAMeLBERT-Mix DID NADI — модель на архитектуре BERT для определения арабского диалекта по тексту. Модель дообучена на CAMeLBERT-Mix с использованием набора NADI на уровне стран; классификатор различает 21 метку диалектов. Модель предназначена для автоматической идентификации диалектов в арабских фразах и сообщениях. Она принимает текст и возвращает метку класса с оценкой уверенности; использовать её можно через pipeline text-classification в Transformers. Контекст составляет до 512 токенов, размер — 136,3 млн параметров. Поддерживаются арабский язык и форматы PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Качество предсказаний может зависеть от диалекта, длины и написания текста; карточка не приводит метрик оценки.

boltuix/bert-mini — компактная англоязычная модель семейства BERT, основанная на google-bert/bert-base-uncased и дообученная разработчиком для задач обработки текста. В README заявлена архитектура из 4 слоёв со скрытым размером 128 и 4 головами внимания; метаданные указывают около 5 млн параметров, формат safetensors и контекст до 512 токенов. Модель предназначена для предсказания пропущенных токенов и классификации текста, включая определение намерений. Компактный размер и работа без подключения к сети подходят для локального использования на мобильных и периферийных устройствах. README также упоминает распознавание именованных сущностей и семантический поиск, но карточка не приводит отдельной оценки качества для этих сценариев. В README заявлена лицензия MIT, разрешающая коммерческое, личное и исследовательское применение. Приведённые там результаты оценки прямо обозначены как гипотетические, поэтому они не подтверждают фактическую точность модели.

Overwatch886/bge-base-agri — модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для поиска релевантных сельскохозяйственных текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, нормализует их и позволяет сравнивать косинусное сходство. Архитектура состоит из трансформера BERT, пулинга по CLS-токену и нормализации; модель содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Обучение описано на наборе из 742 примеров с запросами, релевантными и нерелевантными фрагментами. Модель подходит для семантического поиска агрономических рекомендаций, подбора материалов по вопросам о хозяйстве и извлечения контекста для RAG. Примеры посвящены сельскому хозяйству в разных странах; базовая модель англоязычная, а подтверждённого списка языков самой дообученной модели нет. Лицензия в предоставленных данных не указана.

CoCa2-moderntext-NaFlex ViT-B/32 — исследовательский чекпойнт модели rwightman для сопоставления изображений и текста и генерации подписей к изображениям. Он обучен на CC12M в течение 32 эпох; визуальный энкодер использует NaFlexViT с базовым размером и патчами 32, а текстовый энкодер — причинную архитектуру с RoPE, RMSNorm, SwiGLU и контекстом до 128 токенов. Модель формирует контрастное представление изображения и текста для классификации изображений по текстовым меткам без специального дообучения, а также может генерировать подписи к изображениям. Разработчик сообщает, что качество генерации подписей сопоставимо с MaMMUT2 при размере пакета 4096, но преимущество по поиску изображений по тексту, связанное с общей ветвью обработки подписей, здесь отсутствует. Модель предназначена для сравнения архитектур и исследовательских экспериментов, а не заявлена как производственная. Весы доступны в форматах PyTorch и Safetensors; лицензия Apache-2.0.

CRAB_COPA_albert_base_finetuned — модель Ariffiq99, дообученная на основе Ariffiq99/COPA_albert_base_finetuned для задачи выбора одного из нескольких вариантов ответа. Она использует архитектуру ALBERT и принимает текстовые варианты для сравнения; размер модели — 136,3 млн параметров, максимальная длина контекста — 512 токенов. В карточке приведены результаты на оценочном наборе: loss 0,9279 и F1 0,7569. Модель подходит для задач с выбором ответа из предложенных вариантов. Данные обучения не описаны, поэтому область применимости и обобщающую способность по этим результатам определить нельзя. Модель распространяется по лицензии Apache-2.0.

Delexa-V0.1-7b — текстовая генеративная модель семейства Mistral, выпущенная командой lex-hue. В карточке описано обучение на примерах с одним вопросом и тремя вариантами ответа; модель оценивали на выборе лучшего ответа и на наборах задач для проверки рассуждений и здравого смысла. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. README не сообщает, какие языки представлены в обучающих данных. Карточка заявляет, что модель допускает контент для взрослых, а также упоминает ограничения на незаконный контент; такие защитные меры могут обходиться. Результаты в карточке относятся к указанным оценочным наборам и не гарантируют качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

ai4data разработала devdata-search-noinstruct-small-asym-cmnrl — компактную двунаправленную BERT-модель на 40 млн параметров для поиска по структурированным статистическим метаданным. Это дообученная версия avsolatorio/NoInstruct-small-Embedding-v0 из семейства DevData Search; модель создаёт эмбеддинги для запросов и документов, а сама не является размещённым поисковым сервисом. При обучении на DevDataBench применялись перестановка полей и их частичное исключение, чтобы модель связывала смысл с названиями полей, а не с порядком сериализации. Для работы не нужны префиксы запроса или документа. Модель поддерживает извлечение признаков и сравнение предложений, принимает текст и выдаёт векторы эмбеддингов; максимальная длина последовательности — 512 токенов. Модель опубликована под лицензией Apache-2.0. Её специализация — поиск по структурированным статистическим метаданным; результаты для иных типов текстового поиска в карточке не описаны.

Модель cvapict/distilbert-base-multilingual-cased-aoe-test12 — дообученная версия DistilBERT multilingual cased для классификации текста по последовательностям. В карточке указаны точность 0,9571 и loss 0,1165 на оценочном наборе; название датасета приведено как None, поэтому результаты нельзя связать с конкретной областью или набором классов. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Она основана на distilbert/distilbert-base-multilingual-cased, поддерживает контекст до 512 токенов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не описывает целевые классы, обучающие данные и предполагаемые сценарии применения, поэтому качество для конкретной задачи оценить нельзя. Перед применением следует проверить модель на данных и метриках целевого сценария.

John7767/distilbert-base-uncased-distilled-clinc — дообученная модель классификации последовательностей на базе DistilBERT от John7767. В карточке указаны результаты на тестовой выборке: accuracy 0,9281 и loss 0,1113; описание назначения, обучающего набора и ограничений автором не раскрыто. Модель использует архитектуру DistilBertForSequenceClassification, принимает текстовые последовательности и присваивает им классы. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название указывает на CLINC, однако README отмечает датасет как неизвестный, поэтому назначение для конкретной предметной области нельзя подтвердить.

NlpHUST/electra-base-vn — языковая модель семейства ELECTRA, разработанная для вьетнамского языка. Это плотный Transformer-дискриминатор ElectraForPreTraining с 160,9 млн параметров и контекстом до 512 токенов. Модель предварительно обучена на более чем 148 ГБ текста; метод ELECTRA учит различать исходные токены и заменённые токены, созданные другой нейросетью, что позволяет эффективно обучать языковые представления. Модель предназначена прежде всего для получения вьетнамских языковых представлений и дальнейшей адаптации к задачам понимания текста. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает готовый интерфейс генерации текста или результаты для прикладных задач.

abhi1nandy2/EManuals_RoBERTa — модель семейства RoBERTa, представленная автором abhi1nandy2. Она предназначена для извлечения признаков из текста и может использоваться как основа для получения текстовых представлений в сценариях поддержки клиентов и вопросно-ответных систем. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно до 514 токенов. В метаданных указаны реализация на PyTorch и формат весов PyTorch. Карточка README не содержит описания обучения или результатов, поэтому специализация на руководствах и качество в конкретных задачах не подтверждены. Лицензия в предоставленных метаданных не указана.

FAL (Framework for Automated Labeling of Videos) — модель классификации видео от SVECTOR. Она дообучена на наборе данных FAL-500 и относит видео к одному из 500 классов. Модель использует архитектуру TimeSformer и принимает видеокадры: для описанной конфигурации это 8 кадров RGB размером 224×224 с предварительной обработкой и нормализацией. Число параметров — 113,2 млн. Модель предназначена для автоматической разметки и классификации видеоконтента. Она может быть полезна для категоризации видео и экспериментов по пониманию видеосцен. Лучше всего применять её к данным, похожим на FAL-500: на видео из других предметных областей качество может снижаться. Для использования требуется подготовить кадры в соответствии с ожидаемым размером и нормализацией. Лицензия — MIT.

minoosh/finetuned_bert-base-uncased — дообученная модель классификации последовательностей на базе bert-base-uncased. Она предназначена для классификации текста. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Опубликованная оценка на наборе для проверки: accuracy 0,6793, loss 1,1947. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не описаны классы классификации, обучающие данные и предполагаемые сценарии применения, поэтому пригодность для конкретной задачи следует проверять отдельно.