I.11Классификация, ранжирование и сопоставление

dvs/videomae-base-finetuned-movienet — модель классификации видео, полученная дообучением MCG-NJU/videomae-base. Она содержит 113,2 млн параметров и использует архитектуру VideoMAEForVideoClassification; веса опубликованы в формате PyTorch. Модель предназначена для присвоения видео категорий, однако README не описывает набор классов или конкретные сценарии применения MovieNet. В README приведены результаты оценки: accuracy 0,6823 и loss 1,2558 после 6,1 эпохи обучения. Данные обучения обозначены как неизвестный датасет, поэтому по карточке нельзя судить о составе категорий и обобщающей способности модели. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

XLM-Mlm-Tlm-Xnli15-1024 — мультиязычный трансформер, разработанный Гийомом Ламплем и Алексисом Конно. Он предварительно обучен на задачах masked language modeling и translation language modeling, а затем дообучен на англоязычном наборе естественно-языкового вывода XNLI. Модель предназначена для межъязыковой классификации и проверки отношений между предложениями; в частности, её оценивали на определение логического следования, противоречия и нейтрального отношения в 15 языках. Модель семейства XLM использует плотную архитектуру Transformer с 12 слоями, 1024 скрытыми единицами и 8 головами внимания. Метаданные указывают задачу fill-mask и контекст до 512 токенов. Среди оценённых языков — английский, французский, испанский, немецкий, греческий, болгарский, русский, турецкий, арабский, вьетнамский, тайский, китайский, хинди, суахили и урду. Карточка приводит результаты XNLI по каждому языку; качество ниже на некоторых языках, включая урду и суахили, чем на английском. Для использования модели требуется учитывать возможные смещения языковых моделей и ограничения переноса с англоязычных данных на другие языки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Kuongan/xlm-roberta-base-ron-finetuned — дообученная модель классификации последовательностей на основе XLM-RoBERTa Base, опубликованная в формате safetensors. Карточка указывает метрики на оценочном наборе: F1 0,7035, ROC AUC 0,7953, accuracy 0,3821 и loss 0,4393; набор данных обозначен как None, поэтому область классификации определить нельзя. Модель предназначена для классификации текста. XLM-RoBERTa — плотная трансформерная архитектура с 305,2 млн параметров и контекстом до 514 токенов. Базовая модель многоязычная, однако конкретные языки и целевые классы этого дообучения не описаны. Лицензия — MIT.

NYSgpt/44b-reranker-mini — компактный cross-encoder-реранкер, разработанный NYSgpt и дообученный на парах «рецензия → научная статья» из корпуса 44B. Он оценивает релевантность запроса-краткого изложения статьи, написанного рецензентом, к кандидатам-документам и предназначен для второго этапа поиска: переупорядочивания списка найденных научных публикаций. Модель содержит 22,7 млн параметров; README сообщает о результатах тестирования на 3 157 запросах к статьям по машинному обучению и задержке 7,4 мс на запрос при тестировании на A10G с batch 128. На указанном тесте Precision@1 составила 0,865, Precision@3 — 0,954, а MRR — 0,914. Эти показатели относятся к выбору документа из набора кандидатов и не характеризуют открытый поиск по всему корпусу. Модель обучалась на рецензиях к работам по машинному обучению для ICLR и NeurIPS за 2024–2025 годы. Лицензия — Apache-2.0. Модель рассчитана на длинные технические запросы в прозе; качество на коротких поисковых фразах не проверялось. Область оценки ограничена научными статьями по машинному обучению и конкретным конвейером формирования данных. Контекст модели короткий: README отмечает усечение большинства пар при ограничении в 256 токенов. Приведённая задержка измерена на GPU A10G, а не на CPU.

Модель sercetexam9/afro-xlmr-base-amh-finetuned-augmentation-LUNAR — дообученная версия Davlan/afro-xlmr-base для классификации текста. Она построена на архитектуре XLM-RoBERTa, содержит около 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Базовая модель предназначена для работы с африканскими языками; название чекпойнта указывает на амхарский язык, однако карточка не описывает набор меток и обучающие данные. Модель подходит для задач классификации текстовых последовательностей. В README приведены результаты оценки: F1 0,718, ROC AUC 0,8216, точность 0,5711 и loss 0,3598; без сведений о датасете и метриках эти показатели нельзя уверенно переносить на другие данные. Лицензия — MIT.

Minachist разработала бинарный классификатор иллюстраций, определяющий, создано ли изображение ИИ или человеком. Модель дообучена на визуальном энкодере SigLIP2 so400m NaFlex от Google с линейной классификационной головой; текстовая часть исходной модели удалена. Она принимает изображения и выдаёт оценки для классов «ai» и «human». Вариант NaFlex сохраняет пропорции изображения и обрабатывает до 1024 патчей, что помогает избежать искажений при приведении к квадратному размеру. Модель предназначена для проверки происхождения иллюстраций и сортировки коллекций по признаку генерации ИИ. В README приведены высокие результаты на отложенной выборке, однако порог для решения «ai» настроен на 0,9151; стандартный argmax в Transformers использует границу 0,5 и может давать иное соотношение точности и полноты. Вероятности не откалиброваны относительно порога 0,5. Это исследовательский артефакт с лицензией Apache-2.0. Качество на изображениях из других предметных областей и от новых генераторов не гарантируется; постобработка и сильное сжатие могут ухудшать точность. Результаты проверки на одной выборке могут быть оптимистичны для изображений из реального мира, поэтому модель не следует использовать как единственное основание для важных или карательных решений.

AnyAudio-Judge-7B — модель оценки аудио, созданная cucl2 на базе Qwen2.5-Omni-7B. Она проверяет пункты рубрики «да/нет», каждый из которых описывает проверяемый признак аудиоподписи, и выдаёт краткое свидетельство из аудио. Модель дообучена методом полного supervised fine-tuning на 105 тысячах примеров «аудио, инструкция, рубрика, цепочка рассуждений» в течение одной эпохи. Модель предназначена для рубричной оценки аудиоподписей и более эффективного запуска по сравнению с вариантом AnyAudio-Judge-30B. Для формирования рубрики в примере README используется отдельный вызов внешней языковой модели. Метаданные указывают аудиовход, архитектуру Qwen2.5-Omni и формат safetensors; заявленные языки карточки — английский и китайский. Лицензия — Apache-2.0. Оценка ограничена заданными бинарными критериями и опирается на короткие текстовые свидетельства; качество оценки зависит от рубрики и аудио. Семейство Qwen2.5-Omni поддерживает и другие модальности, но для этой модели явно указана возможность аудиовхода.

ConnyGenz/artificially-natural-roberta-02 — дообученная модель RoBERTa для классификации текста, разработанная на основе ConnyGenz/artificially-natural-roberta-01. В карточке указаны 151,8 млн параметров, архитектура RobertaForSequenceClassification и контекст до 514 токенов. Модель распространяется в формате safetensors по лицензии MIT. В README приведён результат F1 0,993 на оценочном наборе и указано, что модель обучалась на датасете с названием None. Сведения о метках классов и предполагаемых сценариях применения отсутствуют, поэтому назначение классификации нельзя уточнить.

PeytonT/author-embedding — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, разработанный как компонент исследовательского стека Repository Library. Он учится представлять авторов и научные сообщества по метаданным публикаций и графовому контексту, чтобы использовать эти представления для поиска, ранжирования, планирования и анализа научных работ. Модель построена на архитектуре BERT, содержит 25,9 млн параметров, принимает текст и формирует векторные представления; длина контекста — до 512 токенов. Обучающие данные включают метаданные arXiv: названия, аннотации, авторов и категории. Карточка не приводит лицензию, поэтому условия использования установить нельзя. Результаты следует проверять на целевом сценарии: карточка описывает экспериментальную конфигурацию, а отдельный внешний отчёт об оценке не представлен.

yuiti-ara/awesome-align-onnx-int8 — квантованная модель для выравнивания слов в параллельных предложениях по методике awesome-align. Она основана на многоязычной bert-base-multilingual-cased: использует архитектуру BERT с 205,1 млн параметров, первые восемь слоёв, токенизацию WordPiece и формат ONNX INT8. Модель извлекает представления текста, а связи между словами вычисляются по косинусному сходству и взаимному argmax. Репозиторий рассчитан на запуск через ONNX Runtime на CPU, с оптимизациями для ARM64 и Apple Silicon. В README заявлены размер около 150 МБ, ускорение примерно в 1,7 раза относительно FP32 на MacBook Air M1 и сохранение качества выравнивания в указанном сравнении. Базовая mBERT обучена на текстах Википедии для 104 языков; контекст модели — до 512 токенов. Модель подходит для сопоставления слов в переводах и подготовки параллельных корпусов. Это не генеративная модель: её основной результат — представления, используемые для построения выравниваний. Лицензия — Apache-2.0.

swan07/bert-authorship-verification — модель на основе BERT, дообученная для проверки авторства текстов: она оценивает, написаны ли два текста одним и тем же автором. Модель разработана автором репозитория и обучена на 50 тысячах пар текстов из набора swan07/authorship-verification; базовая модель — sentence-transformers/all-MiniLM-L6-v2. Модель предназначена для сравнения пар текстов и получения оценки их сходства при решении задачи верификации авторства. В README указаны точность 73,9% и AUC 0,821. Архитектура BERT содержит 135,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов; карточка указывает английский язык. Доступны веса в формате safetensors. Лицензия — MIT.

Davlan/bert-base-multilingual-cased-finetuned-yoruba — модель BERT, созданная Davlan дообучением bert-base-multilingual-cased на текстах на языке йоруба. Она предназначена для предсказания скрытых токенов и может использоваться как основа для задач классификации текста и распознавания именованных сущностей на йоруба; в тестах из карточки показала более высокие F1-результаты, чем исходная multilingual BERT, на MasakhaNER и BBC Yorùbá Textclass. Модель содержит 205,1 млн параметров, использует архитектуру BertForMaskedLM и поддерживает контекст до 512 токенов. Обучающие материалы включали Библию, JW300, Menyo-20k, Википедию, новостные и другие корпуса на йоруба. Качество может снижаться за пределами новостного домена и периода, представленного в обучающих данных. Лицензия в предоставленных данных не указана.

sentence-transformers/bert-base-nli-max-tokens — модель Sentence-Transformers, обученная командой Sentence-Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и кластеризации. Модель использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Её можно применять через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт эмбеддинги низкого качества, и рекомендуют выбрать более современную модель для векторного поиска или сравнения предложений. Лицензия — Apache-2.0.

JeremiahZ/bert-base-uncased-rte — модель классификации текста на базе BERT, дообученная на датасете GLUE RTE. Она предназначена для классификации пар предложений по задаче распознавания текстовых следствий (Recognizing Textual Entailment): определения, следует ли одно предложение из другого. Модель содержит 136,7 млн параметров, принимает текстовые входы и поддерживает контекст до 512 токенов. Модель опубликована в форматах PyTorch и safetensors и рассчитана на английский язык. На оценочном наборе GLUE RTE указаны accuracy 0,6895 и loss 0,6972. Лицензия — Apache-2.0. Карточка не содержит дополнительных сведений о сценариях применения или ограничениях качества.

yentinglin/bert-base-zhtw — модель на архитектуре BERT с примерно 136,7 млн параметров, представленная в формате safetensors. Она предназначена для заполнения пропусков в тексте: модель предсказывает скрытые токены по окружающему контексту. В README также приведён пример использования модели для извлечения признаков через Transformers pipeline. Модель работает с текстом и имеет контекстное окно 512 токенов. По названию репозитория она ориентирована на традиционный китайский язык. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование. Разработчик предоставляет модель «как есть» и запрещает применять её для высокорисковых медицинских, юридических и финансовых решений.

ryantaw/bert-small-finetuned — модель классификации текста, дообученная на основе prajjwal1/bert-small. Она использует архитектуру BERT для классификации последовательностей и содержит 32,4 млн параметров; веса представлены в формате Safetensors. Модель подходит для присвоения текстам категорий в задачах, где используются метки, соответствующие её дообучению. В README приведены результаты на оценочном наборе: accuracy 0,6038 и F1 0,6018. Название и состав набора данных, метки классов и конкретная предметная область не описаны, поэтому применимость к определённым категориям оценить нельзя. Контекст модели — до 512 токенов. Лицензия — MIT.

boltuix/bert-tinyplus — компактная англоязычная модель BERT от BoltUIX, дообученная на основе google/bert-base-uncased и опубликованная в формате Hugging Face Transformers. Это uncased-трансформер с архитектурой BertForMaskedLM и 6,5 млн параметров; предобучение описано для задач masked language modeling и next sentence prediction на BookCorpus и английской Википедии. Размер чекпойнта в README указан примерно как 20 МБ, максимальная длина контекста — 512 токенов. Модель предназначена для заполнения пропусков в тексте и как компактная основа для дообучения классификатора последовательностей, разметчика токенов и простых систем извлечения ответов. Её можно применять для базового анализа тональности, распознавания именованных сущностей и простого вывода по текстовым парам в условиях ограниченных ресурсов. Модель рассчитана на английский язык; лицензия — MIT. Небольшой размер снижает требования к ресурсам, но ограничивает качество на сложных задачах по сравнению с крупными моделями. README отмечает возможные гендерные и профессиональные стереотипы, унаследованные от обучающих данных; модель не предназначена для генерации текста и не подходит для задач на других языках без существенного дообучения.

philipp-zettl/bge-micro-v2-mtg-v2 — компактная модель Sentence Transformer, дообученная автором на базе TaylorAI/bge-micro-v2. Она кодирует текстовые предложения и абзацы в плотные эмбеддинги размерностью 384 для поиска релевантных документов; модель использует BERT-архитектуру с усреднением токенных представлений и косинусной мерой сходства. В карточке описана обучающая выборка из 2,132,917 пар текстов по Magic: The Gathering, включая названия карт и их описания. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска по картам и правилам Magic: The Gathering, сопоставления запросов с описаниями карт и построения текстовых эмбеддингов для последующей кластеризации. Она принимает и выдаёт текстовые представления через векторные эмбеддинги, не генерируя ответы. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

climatebert-multi — дообученная модель классификации текста на базе ClimateBERT, построенной на DistilRoBERTa. Она предназначена для отнесения текстов к классам; конкретные классы и сценарий классификации в карточке не описаны. Модель содержит 95,4 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты на оценочном наборе: F1 Macro 0,7668 и accuracy 0,8707. Данные обучения и подробности оценки не раскрыты, поэтому результаты нельзя уверенно переносить на другие наборы и задачи. Лицензия — Apache-2.0.

alexandrainst/da-hatespeech-classification-base — датская BERT-модель, разработанная Alexandra Institute для классификации оскорбительных текстов в четыре категории: особое внимание, включая угрозы; личные нападки; оскорбительная лексика; спам и другой нежелательный контент. Модель построена на предварительно обученной Danish BERT от BotXO и дообучена на данных из социальных сетей с ручной разметкой, подготовленных совместно с Danmarks Radio. Модель предназначена для второго этапа конвейера модерации: сначала следует применить модель обнаружения hate speech, затем эту модель — для категоризации найденных оскорбительных сообщений. Это BERT-классификатор последовательностей на 137,8 млн параметров с контекстом до 512 токенов; доступны форматы PyTorch, Safetensors и TensorFlow. Модель рассчитана на датский язык и тексты из социальных сетей. Обучающие данные не опубликованы, а модель предназначена для работы после детектора hate speech, поэтому сама по себе не заменяет этап обнаружения. Лицензия — Apache-2.0.

gauravjhaiitm/deberta-mcq-solver — модель DeBERTa-v3-base, дообученная для выбора правильного ответа из нескольких вариантов. Она использует плотную архитектуру DeBERTa V2 и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для задач multiple choice, а в карточке указаны высокие результаты на оценочном наборе: accuracy 0,9962 и macro F1 0,9960. Датасет и конкретная область вопросов не описаны. Модель распространяется под лицензией MIT.

macavaney/deepct — модель DeepCT на базе bert-base-uncased, обученная на MS MARCO и подготовленная к использованию в PyTerrier. Она оценивает важность токенов документа для информационного поиска; полученные оценки можно использовать для переписывания документов и повышения качества ранжирования результатов поиска. Модель основана на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Поддерживается английский язык. Это конвертированная в формат PyTorch версия чекпойнта, выпущенного авторами DeepCT; доступны веса PyTorch и safetensors. Условия лицензии в предоставленных данных не приведены.

Карточка модели yrrhall/dialect-router-v0.1 на Hugging Face совпадает с карточкой oddadmix/dialect-router-v0.1, поэтому описание составлено по ней. oddadmix/dialect-router-v0.1 — компактная модель на основе BERT, дообученная для определения арабского диалекта по тексту. Она классифицирует арабоязычные фразы по 11 кодам диалектов и языковых вариантов, используя энкодер Transformer с классификационной головой; размер модели — 12,4 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена прежде всего для маршрутизации синтеза речи в Lahgtna: по диалекту выбираются соответствующая голосовая запись и языковой токен Chatterbox. Её также можно использовать для разметки арабских текстов в NLP-конвейерах, фильтрации контента и анализа наборов данных. Модель работает с арабским текстом и не предназначена для других языков. Короткие фрагменты, смешение арабского с другими языками и близкие географически диалекты могут приводить к ошибкам; полнота распознавания некоторых вариантов может быть ниже из-за смещения обучающего корпуса. Модель не следует использовать для определения личности или для высокорисковых решений без проверки человеком. Опубликована под лицензией MIT.

m-newhauser/distilbert-political-tweets — модель DistilBERT, дообученная на наборе m-newhauser/senator-tweets, содержащем твиты сенаторов США за первый год администрации Байдена. Она классифицирует короткие тексты по политической принадлежности к Демократической или Республиканской партии, обучена на 99 693 твитах 2021 года и показывает на тестовой выборке accuracy 0,9076 и F1 0,9117. Модель принимает текст на английском языке; контекст ограничен 512 токенами. Доступны веса PyTorch и TensorFlow. Лицензия — LGPL-3.0. Качество на текстах длиннее твитов может быть ниже.

climatebert/distilroberta-base-climate-tcfd — дообученная ClimateBERT на базе distilroberta-base-climate-f с классификационной головой для отнесения абзацев о климате к одной из четырёх категорий рекомендаций TCFD. Модель разработана для классификации текстовых фрагментов по рекомендациям Рабочей группы по раскрытию финансовой информации, связанной с климатом. Модель основана на архитектуре RoBERTa и содержит 95,4 млн параметров. Она обучена на наборе climatebert/tcfd_recommendations без класса для текстов, не связанных с климатом; максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Карточка предупреждает, что модель обучена на абзацах и может хуже работать на отдельных предложениях. Поскольку отдельный класс для неклиматических текстов исключён из обучения, модель не предназначена для надёжного определения того, относится ли входной текст к климатической тематике.

Orthogonal Model of Emotions (OME) — англоязычный классификатор эмоций, созданный databoyface путём дообучения distilbert/distilroberta-base на наборе данных OME v5.2. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 95,2 млн параметров и принимает текст длиной до 514 токенов. Классификатор относит примеры к 26 категориям, охватывающим доверие или любовь, счастье или удовольствие, ревность или зависть, стыд или вину, гнев или отвращение, страх или тревогу, печаль или травму, а также нейтральные и пограничные случаи. Подходит для разметки эмоциональной окраски англоязычных фраз и анализа эмоциональных категорий в текстовых корпусах. В README указаны точность 0,9803 и функция потерь 0,1073 на оценочном наборе; эти результаты относятся к тестированию авторов и не гарантируют такую же точность на других данных. Модель распространяется по лицензии MIT.

Модель disham993/electrical-embeddinggemma-ir_finetune_16bit — дообученная версия EmbeddingGemma-300M от Google, подготовленная для плотного информационного поиска в электротехнике и электронике. Это текстовая модель для извлечения эмбеддингов: она кодирует запросы и фрагменты документов в векторы, пригодные для семантического поиска и сравнения сходства. Чекпойнт содержит около 302,8 млн параметров, объединённые веса LoRA в формате fp16 Safetensors и контекст до 2048 токенов. Модель обучена на 20 000 парах «вопрос—фрагмент текста» из набора ElectricalElectronicsIR. Она предназначена для поиска по технической документации и материалам об электротехнике, электронике, энергосистемах и коммуникациях, включая такие темы, как протокол IEC 61850, фазированные антенные решётки, OTDR, MIMO и FPGA. В README приведены высокие результаты на тестовом разбиении этого же набора; они не гарантируют аналогичное качество на других корпусах. Модель лучше подходит для английских технических запросов и может хуже работать с неанглийским текстом, разговорными формулировками и запросами, смешивающими электротехнику с другими областями. Полные веса занимают около 1,2 ГБ. Лицензия — MIT.

deepset/gbert-large — крупная языковая модель BERT для немецкого языка, созданная совместно авторами оригинальной German BERT и dbmdz BERT. Модель с архитектурой BERT large содержит около 434,5 млн параметров и обучена на корпусах Wikipedia, OPUS, OpenLegalData и OSCAR. Она рассчитана на заполнение пропусков в тексте: модель предсказывает замаскированный токен по контексту. Максимальная длина контекста — 512 токенов. Модель подходит для языкового моделирования и как основа для задач обработки немецкого текста. В карточке приведены результаты на GermEval 2018 и GermEval 2014, где модель превзошла предшественников. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — MIT.

NeuML/glove-6B — экспорт статических английских векторов GloVe размерностью 300 для библиотеки staticvectors. Модель предназначена для получения векторных представлений отдельных слов в Python с помощью NumPy, сохраняя высокую скорость выполнения. Её можно применять как основу для сравнения слов и вычисления сходства текстовых представлений. Репозиторий использует формат safetensors и лицензию PDDL. В README не описаны контекстные представления: векторы относятся к словам и не зависят от их контекста.

HalleluBERT_large — крупная модель RoBERTa, разработанная как часть семейства HalleluBERT для современного иврита. Её обучили с нуля на корпусе примерно из 49,1 ГБ очищенного иврита из веба и Википедии; для токенизации используется byte-level BPE с GPT-2-совместимым словарём на 52 009 токенов. В метаданных указано 455,9 млн параметров, а родная длина контекста составляет 514 токенов. Модель предназначена для заполнения пропусков в тексте и может служить энкодером для задач анализа иврита, включая распознавание именованных сущностей и анализ тональности. В оценке на бенчмарках иврита HalleluBERT_large показала высокие результаты в NER и анализе тональности. Модель распространяется по лицензии MIT.