I.11Классификация, ранжирование и сопоставление

Bofandra/fine-tuning-use-cmlm-multilingual-quran — дообученная Bofandra модель Sentence Transformer на базе sentence-transformers/use-cmlm-multilingual. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска и сравнения текстов по смыслу. Архитектура включает BERT, усреднение токеновых представлений и нормализацию; для сравнения используется косинусное сходство. В метаданных указано 498,1 млн параметров и контекст до 512 токенов, а в карточке README — максимальная длина последовательности 256 токенов. Модель обучена на 6 235 парах текстов из Корана и подходит для семантического поиска и сравнения аятов, поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. Базовая модель предназначена для многоязычных текстов на 109 языках, однако обучение этой версии описано на арабских текстах Корана. Для применения требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

MahmoodAnaam/flaird-modernbert-large-concatenation-multitask-frozen — модель классификации последовательностей на архитектуре FlairD. В README указано, что она дообучена на неизвестном наборе данных; библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для классификации текста. README приводит результаты оценки: ROC-AUC 0,978, F1 0,97 и среднее значение метрик 0,966. Назначение классификационных меток, данные обучения и практические сценарии применения не описаны. Лицензия, размер модели, поддерживаемые языки и длина контекста в предоставленных данных не указаны.

HalleluBERT-base — энкодерная языковая модель на архитектуре RoBERTa, разработанная как часть семейства HalleluBERT для современного иврита. Модель обучена с нуля на очищенных веб-текстах на иврите и Hebrew Wikipedia; вариант base содержит около 126 млн параметров в fp32. В метаданных репозитория указано 153,2 млн параметров и контекст длиной 514 токенов. Модель предназначена прежде всего для заполнения пропусков в тексте на иврите и может служить основой для задач понимания текста, включая распознавание именованных сущностей и анализ тональности. Токенизатор использует byte-level BPE в стиле GPT-2 с размером словаря 52 009. В README сообщается об оценке семейства на бенчмарках NER и анализа тональности для иврита. Модель распространяется по лицензии MIT. Это энкодерная модель для анализа текста, а не генеративная модель для свободного продолжения текста.

Hun ModernBERT Large — венгерская базовая языковая модель на архитектуре ModernBERT-large, разработанная magyar-nlp-szine-java и дообученная на базе answerdotai/ModernBERT-large. Это двунаправленный энкодер с примерно 395 млн параметров, предназначенный для masked language modeling: предсказания пропущенных токенов в тексте. По README, обучение проводилось на венгерских корпусах, включая данные Europarl и венгерскую подвыборку FineWeb-HQ2. Модель служит основой для дообучения под классификацию текстов, распознавание именованных сущностей и ответы на вопросы, а также для продолжения предобучения на венгерских корпусах и получения текстовых представлений. Это не чат-модель и не предназначена для инструкционного или zero-shot диалога. В README указан контекст 1024 токена, тогда как метаданные каталога сообщают нативную длину 8192 токена; эти сведения расходятся. Лицензия — Apache-2.0.

SirSahOl подготовил 16-битную конверсию JevK5 в формат MLX для локального инференса на Apple Silicon. Это плотная авторегрессионная модель семейства Qwen3.5 с архитектурой Qwen3_5ForCausalLM; метаданные указывают 3,4 млрд параметров, а README — около 3,7 млрд. Модель принимает текст и ведёт диалог, оценивая вероятности заданных вариантов ответа, в том числе для задач выбора и решений типа «да/нет». Контекстное окно составляет 262 144 токена; в карточке указан английский язык.

JudgeLLM2 — языковая модель семейства GPT-2 от Wonder-Griffin, обученная с нуля на данных Wikipedia и SQuAD v1.0. Метаданные указывают задачу классификации текста, а также разговорные возможности и ответы на вопросы. Модель принимает текст и предназначена для классификации текстовых данных; карточка также связывает её с вопросно-ответными сценариями. Модель использует плотную архитектуру GPT-2, формат весов safetensors и контекст длиной 512 токенов. В метаданных указан английский язык. Лицензия — WTFPL. README не сообщает размер модели, результаты оценки или подробности её практических ограничений.

Perceiver IO for language — языковая модель семейства Perceiver, представленная Jaegle и соавторами в работе Perceiver IO: A General Architecture for Structured Inputs & Outputs. Это предобученный энкодер для задачи masked language modeling на английской Википедии и C4: 70% обучающих токенов приходилось на C4, 30% — на Википедию. Модель принимает текст в виде UTF-8 байтов; токенизатор и фиксированный словарь не требуются. Длина контекста составляет 2048 токенов. Архитектура использует набор латентных векторов: вход обрабатывается через cross-attention, а self-attention применяется к латентам, поэтому его вычислительная стоимость не растёт вместе с длиной входа. Для предсказания замаскированных токенов модель выдаёт оценки по словарю для каждой позиции. Полученные представления также можно использовать как признаки для обучения классификаторов на размеченных данных. В статье сообщается средний результат 81,8 на GLUE. Модель предназначена для masked language modeling и дальнейшей настройки под размеченные задачи, а не для генерации текста в обычном режиме. Это первая выпущенная версия модели в репозитории Perceiver IO; данные о размере параметров в предоставленных источниках отсутствуют. Лицензия — Apache-2.0.

LegalBench-RAG Ettin 150M Reranker — англоязычный кросс-энкодер на архитектуре ModernBERT с 149 млн параметров, разработанный авторами этой модели дообучением cross-encoder/ettin-reranker-150m-v1 на полном наборе LegalBench-RAG. Он предназначен для повторного ранжирования фрагментов договоров и политик конфиденциальности: после первичного поиска, например BM25 или эмбеддингами, модель совместно обрабатывает запрос и фрагмент и выдаёт оценку релевантности пары. Репозиторий использует библиотеку sentence-transformers и формат safetensors; максимальный контекст — 7 999 токенов. В оценке на 710 отложенных вопросах модель улучшила NDCG@10 с 0,3853 у базовой модели до 0,7424, однако эти результаты относятся к конкретному бенчмарку и его четырём областям юридических документов. Модель не ищет документы самостоятельно, не отвечает на юридические вопросы и не заменяет проверку юристом. Она поддерживает только английский язык; оценка релевантности не является калиброванной уверенностью, а релевантные фрагменты, пропущенные первичным поиском, восстановить не может. Лицензия — Apache-2.0.

Jeevesh8/long_feather_bert_ft_mnli-2 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. Это BERT-модель, дообученная для задачи классификации текста на датасете MultiNLI (MNLI), то есть для определения отношения между двумя текстовыми фрагментами, например entailment, contradiction или neutral. Модель предназначена для задач распознавания текстовых отношений и может применяться как классификатор в системах анализа естественного языка. В карточке Hugging Face она указана как Text Classification; по данным каталога, размер модели составляет около 109 млн параметров. Идентификатор содержит bert и mnli, что согласуется с назначением модели, однако точная конфигурация BERT, размер контекста, языки, метрики, ограничения и дополнительные модальности в доступных источниках не указаны. Модель работает с текстом и не предназначена для генерации текста или обработки изображений. Сильной стороной является специализация на классификации отношений между предложениями, но качество вне распределения MNLI и для языков, отличных от использованных при обучении, не подтверждено. Сведения о лицензии и условиях использования в найденных данных отсутствуют.

MachineLearningLM-7B-v1 — языковая модель MachineLearningLM, разработанная для масштабного обучения в контексте на табличных задачах машинного обучения. Модель дообучена на базе Qwen/Qwen2.5-7B-Instruct с продолженным предобучением на миллионах синтетических табличных ML-задач. Она принимает текстовые запросы и примеры строк таблицы, а затем генерирует текстовый ответ, в том числе предсказание класса или численного значения. Модель рассчитана на сценарии, где нужно передать ей множество размеченных примеров прямо в запросе: по описанию признаков и примерам она может решать задачу классификации или регрессии для новых строк. В карточке заявлено масштабирование от 8 до 1 024 примеров в контексте и улучшение результатов на невиданных табличных задачах относительно ряда языковых моделей; это утверждения авторов, а не гарантия качества для конкретных данных. Архитектура — плотная Qwen2, около 7,1 млрд параметров, контекст — 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Это модель классификации письменных арабских диалектов, разработанная IbrahimAmin на базе MARBERTv2 и дообученная для распознавания пяти классов: магрибских диалектов, левантийского диалекта, современного литературного арабского, диалектов стран Залива и египетского диалекта. Модель использует архитектуру BERT и содержит около 190 млн параметров; максимальная длина контекста — 512 токенов. Модель принимает арабский текст и предсказывает региональную категорию. Она предназначена для определения диалекта в коротких сообщениях из соцсетей, форумов и других источников неформального письма, а также для лингвистических исследований и диалектно-ориентированных систем обработки естественного языка. В карточке указано обучение на более чем 850 тысячах арабских предложений из общедоступных наборов данных. Модель подходит для определения пяти широких региональных классов, но не различает отдельные страны или города внутри них. Результаты для коротких фрагментов, смешанного языка и диалектов, не представленных отдельными классами, могут быть неточными. Лицензия — Apache-2.0.

MedTE-cl15-step-8000 — модель эмбеддингов на базе BERT, опубликованная пользователем MohammadKhodadad на Hugging Face. Репозиторий содержит веса BertModel и токенизатор; конфигурация указывает 12 слоёв, 12 голов внимания, размерность скрытого состояния 768 и максимальную длину последовательности 512 токенов. Модель предназначена для извлечения признаков из текста, в частности для получения векторных представлений, пригодных для поиска и сравнения текстов в медицинской области. В карточке указано 136,7 млн параметров и формат Safetensors. Идентификатор и имя каталога указывают на контрольную точку MedTE, но доступная карточка не раскрывает обучающие данные, целевую аудиторию, поддерживаемые языки или лицензию. Поэтому область применения в медицине можно считать ориентиром, а не подтверждением качества для клинического использования.

Merge_Soup_drop_A_LRD — англоязычная модель-энкодер ClimateModernBERT на архитектуре ModernBERT-base, разработанная как часть семейства климатических моделей. Это чекпойнт продолженного предобучения на синтетических текстах и климатических веб-материалах; веса перепубликованы из sraj/Merge_Drop_MARK_FastText без изменений. Модель содержит 149 млн параметров, работает с контекстом до 8192 токенов и доступна в формате safetensors для Transformers. Модель предназначена для заполнения маскированных пропусков и как основа для дообучения под классификацию климатических текстов, многометочную разметку и поиск по корпоративной отчётности, политическим документам, научным публикациям и климатическим новостям. README сообщает, что для общего применения авторы предпочитают Merge_Soup_LRD: для этого чекпойнта не приведён агрегированный результат бенчмарка, а удаление академического корпуса сопровождалось снижением среднего F1 на 4,0 пункта относительно полной смеси. Лицензия в предоставленных данных не указана.

Hariprasath5128/Multimodal_marine — текстовая модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству. Архитектура состоит из MPNet, среднего pooling по токенам и нормализации; размер модели — 136,7 млн параметров. Максимальная длина входа в README указана как 384 токена, метаданные указывают контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов о морских млекопитающих, а также для поиска перефразирований, кластеризации и классификации текстов. README сообщает о дообучении с MultipleNegativesRankingLoss на 68 парах примеров, где описания животных сопоставлены с короткими идентификаторами. Данные примеров на английском языке; лицензия в предоставленных источниках не указана.

NorBERT 3 small — официальная модель норвежского языка нового поколения, выпущенная авторами семейства NorBERT и описанная в статье «NorBench — A Benchmark for Norwegian Language Models». Это энкодерная модель на основе BERT с архитектурой NorbertForMaskedLM, содержащая около 40,4 млн параметров и принимающая последовательности длиной до 512 токенов. Модель предназначена прежде всего для восстановления замаскированных токенов; также каталог указывает поддержку классификации текста и токенов, ответов на вопросы и задач с выбором ответа. Она обучена для норвежского языка, включая варианты Bokmål и Nynorsk. Для загрузки требуется пользовательская обёртка из modeling_norbert.py и параметр trust_remote_code=True. Распространяется по лицензии Apache-2.0.

NorBERT 3 xs — официальная компактная модель языкового семейства NorBERT 3, выпущенная авторами работы NorBench — A Benchmark for Norwegian Language Models. Это энкодерная модель на основе BERT для норвежского языка с 14,9 млн параметров и контекстом до 512 токенов. Метаданные указывают поддержку норвежского языка; семейство включает модели разных размеров, а также отдельные генеративные модели NorT5. Модель предназначена прежде всего для заполнения пропусков в тексте и может использоваться в задачах классификации текста и токенов, ответов на вопросы и выбора варианта. Для загрузки требуется пользовательская обёртка modeling_norbert.py и параметр trust_remote_code=True. Веса опубликованы в формате PyTorch по лицензии Apache-2.0.

ashield-ai/prompt-classification-bert — дообученная модель классификации текста на базе answerdotai/ModernBERT-base. Она предназначена для отнесения входного текста к классам; название репозитория указывает на классификацию промптов, но карточка не описывает категории и сценарии применения. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает контекст длиной до 8192 токенов. В README приведены значение loss 0,0666 и F1 0,9905 на оценочной выборке, однако набор данных и методика оценки не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

lassl/roberta-ko-small — компактная предварительно обученная языковая модель RoBERTa для корейского языка, обученная с использованием фреймворка LASSL. Она предназначена для предсказания пропущенных токенов и может служить основой для задач понимания корейского текста, включая классификацию тональности, определение текстового сходства и ответы на вопросы после дополнительной настройки. Модель содержит 25,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. В README приведены результаты оценки на корейских наборах NSMC, KLUE NLI, KLUE STS, KorQuAD v1 и KLUE MRC; среднее значение указано как 72,7330. Модель выпущена под лицензией Apache-2.0. Оценки отражают тестирование на декабрь 2021 года; для прикладного использования качество на конкретных данных следует проверять отдельно.

Это модель RelBERT на архитектуре RoBERTa Large, дообученная разработчиками RelBERT на датасете relbert/semeval2012_relational_similarity. Она преобразует текстовые представления понятий в признаки для задач понимания семантических отношений. Модель предназначена для решения аналогий, классификации лексических отношений и сопоставления отношений; README приводит результаты на SAT, BATS, Google и наборах BLESS, CogALexV, EVALution, K&H+N и ROOT09. Модель содержит 454,1 млн параметров, имеет контекст до 514 токенов и распространяется в формате PyTorch. Для использования README рекомендует библиотеку RelBERT. Метаданные указывают библиотеку Transformers и тег feature-extraction. Лицензия в предоставленных данных не указана.

RelBERT на базе RoBERTa Large, дообученная разработчиками RelBERT на наборе relbert/semeval2012_relational_similarity. Модель предназначена для извлечения векторных представлений текста, полезных для задач понимания семантических отношений: решения аналогий, классификации лексических отношений и сопоставления отношений. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. README приводит результаты на SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+ и ROOT09. Для использования предлагается библиотека relbert. В метаданных указана лицензия?

IRIIS разработал RoBERTa_Nepali_125M — модель семейства RoBERTa для обработки текстов на непальском языке. В метаданных указаны 151,8 млн параметров, архитектура RobertaForMaskedLM и контекст длиной до 514 токенов; модель доступна в формате Safetensors. Основная задача по карточке Hugging Face — заполнение пропусков в тексте (fill-mask). Модель обучена на непальском корпусе и предназначена для языкового понимания. Её можно применять как основу для классификации текста, распознавания именованных сущностей и других задач разметки токенов, а также получать контекстные представления для сравнения и кластеризации текстов. В README приведены результаты оценки на Nep-gLUE, но заявленные там характеристики относятся к RoBERTa_Nepali_110M, поэтому их нельзя уверенно приписать репозиторию RoBERTa_Nepali_125M. Ограничения включают возможные смещения в обучающих данных и более слабую работу с диалектами и неформальной речью. README рекомендует проверять модель на целевых данных и не использовать её в значимых решениях без тщательной оценки. Лицензия в предоставленных данных не указана.

nickmuchi/setfit-finetuned-financial-text-classification — модель на базе MPNet, представленная как Sentence-Transformers-энкодер. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. Название указывает на настройку для классификации финансовых текстов, однако README описывает применение через эмбеддинги и не приводит результатов классификации или подтверждения качества на финансовых данных. Веса доступны в формате PyTorch; лицензия и поддерживаемые естественные языки в предоставленных сведениях не указаны.

domenicrosati/SPECTER-with-biblio-context-finetuned-review_classifier — модель классификации текста, дообученная автором на базе allenai/specter для классификации научных рецензий. В метаданных указаны архитектура на основе BERT с контекстным энкодером и 137,1 млн параметров; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка приводит результаты оценки: accuracy 0,962, F1 0,7892, recall 0,7593 и precision 0,8216. Назначение классификатора связано с научными рецензиями, однако описание меток классов, обучающего набора данных и ограничений не приведено. Лицензия — Apache-2.0.

TaMillion — вторая версия языковой модели для тамильского языка, обученная автором модели с использованием ELECTRA от Google Research. Это базовая модель с архитектурой ELECTRA, представленная как BertModel: она содержит 143,9 млн параметров и рассчитана на последовательности до 512 токенов. Модель обучалась на корпусе IndicCorp Tamil и дампе Википедии на тамильском языке; текущая версия прошла 224 000 шагов предобучения. Модель предназначена для извлечения признаков из тамильского текста и может служить основой для дообучения под классификацию, регрессию и ответы на вопросы. В приведённых автором результатах TaMillion превзошла mBERT на классификации новостей и немного — на анализе отзывов о фильмах, а на тематической классификации «Тируккурала» показала сопоставимую точность. Для прикладной системы под конкретную задачу потребуется отдельная настройка; карточка не описывает лицензию.

Tev1-4B-experimental — экспериментальная модель принятия решений от Together AI, созданная supervised fine-tuning модели Qwen3.5-4B. Это плотная 4-миллиардная модель с авторегрессионной языковой головой; она предназначена для выбора одного варианта из структурированного состояния, вопроса и списка из 2–24 вариантов. В ответе модель должна вернуть только букву выбранного варианта, которую приложение сопоставляет с соответствующим значением. Модель подходит для задач выбора по заданным правилам и переноса политики между структурированными сценариями. В тестах разработчиков она дала 88% на основном наборе и 100% на синтетическом наборе переноса политики; эти результаты не являются независимым бенчмарком и сравнения с исходной Qwen без дообучения нет. Лицензия в предоставленных данных не указана.

kev-KOH/time-embed-bge-m3-lms-temporal-v1-7-2 — дообученная модель BAAI на базе BGE-M3 для поиска эквивалентных временных выражений в запросах к корейским системам управления обучением (LMS). Она преобразует текст в эмбеддинги, сближая выражения с одинаковым временным значением и отделяя похожие по словам, но разные по смыслу выражения. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. Обучение проводилось на корейском датасете временных запросов; лицензия — Apache-2.0. Карточка приводит оценку на тестовом наборе из 31 857 примеров: средняя оценка положительных пар составила 0,9673, отрицательных — 0,4183. При этом строгий порог near_one_rate не пройден; остаётся слабость в различении точного будущего временного интервала и границы окна, например «через три дня» и «в течение трёх дней». Для работы в примере используется FlagEmbedding с пуллингом CLS и fp16.

facebook/timesformer-hr-finetuned-k600 — базовая модель TimeSformer, дообученная для классификации видео на 600 категорий набора Kinetics-600. Архитектура использует пространственно-временное внимание; модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для присвоения видеоролику одной из 600 меток Kinetics-600. Её можно применять для распознавания действий и событий в видео. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Verdict v1 — небольшая модель для принятия решений по изображениям, разработанная автором репозитория shubhambaid. Она получает изображение и вопрос с ограниченным набором ответов, затем за один проход выдаёт вероятности вариантов, включая возможность воздержаться с ответом «другое»; генерации текста нет. Модель поддерживает вопросы с выбором одного ответа и проверку утверждения в формате «да/нет». Её обучаемая часть — трёхслойный трансформер примерно на 6,2 млн параметров; визуальный энкодер SigLIP 2 base patch16 224 заморожен и загружается отдельно. Варианты ответа можно переставлять без влияния на результат. Модель предназначена прежде всего для классификации изображений по названиям классов и простых проверок наличия объектов или категорий. На проверенных тестах точность выбора на невиданных классах немного ниже, чем у исходного SigLIP 2 zero-shot; способность воздерживаться хуже переносится на новые области. Обучение охватывало CIFAR-100, Oxford-IIIT Pets, Oxford Flowers-102, DTD и Food-101. Текстовые метки лучше подавать в форме «a photo of a {label}»; описание критерия по умолчанию игнорируется. Модель работает с изображениями размером 224 пикселя, поэтому ограничена в распознавании мелких деталей и текста внутри изображения. Лицензия репозитория в предоставленных данных не указана; лицензии обучающих наборов различаются, и автор рекомендует проверять их перед коммерческим использованием.

EMBO разработала SODA-VEC — модель эмбеддингов для биомедицинских и научных текстов, обученную с функцией потерь VICReg Our. Это дообученная ModernBERT-base с 149 млн параметров, mean pooling и L2-нормализацией: она преобразует текст в векторы размерности 768. Модель рассчитана на английский язык и контекст до 8192 токенов. Модель предназначена для семантического поиска и оценки сходства текстов в биомедицине и науках о жизни. При обучении использовались 26,5 млн пар заголовков и аннотаций из PubMed Central; среди описанных сценариев оценки — поиск публикаций и различение тематически близких и несвязанных статей. Лицензия — Apache-2.0. Модель оптимизирована для заголовков и аннотаций, поэтому длинные документы может потребоваться разбивать на фрагменты. На текстах общего назначения её качество может быть ниже; она наследует смещения корпуса PubMed Central.

Модель dvs/videomae-base-finetuned-kinetics-finetuned-movienet-2 — дообученная на неизвестном наборе данных модель VideoMAE для классификации видео. Она построена на архитектуре VideoMAEForVideoClassification и содержит 113,2 млн параметров. По результатам оценки на тестовом наборе точность составила 0,7969, а значение eval_loss — 1,1884. Модель предназначена для присвоения видео категорий. В README не раскрыты набор данных, категории классов и конкретные сценарии применения. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.