I.11Классификация, ранжирование и сопоставление

ClimateModernBERT · Norm-balanced Soup — англоязычная модель-кодировщик для климатического текста, разработанная в рамках семейства ClimateModernBERT на основе продолженного предобучения ModernBERT-Base. Чекпойнт содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает последовательности длиной до 8192 токенов. Веса объединяют обучение на академических текстах, синтетических материалах и климатически релевантном веб-тексте; вариант Norm-balanced Soup уменьшает вклад корпуса Climate Web из-за большей нормы его task vector. Репозиторий повторно опубликован из sraj/Merge_Linear_NormBalanced с теми же весами. Модель предназначена для кодирования климатических текстов и дообучения под классификацию, многометочную разметку и поиск по корпоративной отчётности, документам политики, научной литературе и климатическим новостям. В README приведён средний F1 74,6 по девяти климатическим NLP-бенчмаркам; для общего применения авторы рекомендуют другой чекпойнт семейства, Merge_Soup_LRD. Это masked language model для заполнения масок, а не диалоговая система и не источник гарантированно достоверных утверждений о климате. Доступна лицензия исходного кода и весов в карточке метаданных не указана.

MiewID-msv3 — модель извлечения визуальных признаков для повторной идентификации отдельных животных по фотографиям. Она разработана для сопоставления изображений с образцами известных особей в базе данных и может также использоваться для классификации видов поиском по сходству. Модель обучена контрастивным обучением на наборе данных высокого качества, охватывающем 64 вида наземных и водных животных; среди различаемых признаков — плавники, хвостовые плавники, бока и лица. Архитектура модели — MiewIdNet, около 51,11 млн параметров. Для извлечения признаков используются изображения размером 440 × 440 пикселей; веса опубликованы в формате safetensors. В README приведены результаты оценки на нескольких группах видов, включая амурских тигров и китов. Для применения нужны фотографии животных и база образцов для сопоставления. Точность может различаться между видами и наборами данных; опубликованные результаты для отдельных групп заметно отличаются. Сведения о лицензии в предоставленных источниках отсутствуют.

ModernBERT-base-doc_en-Cefr — англоязычная модель классификации текста, созданная дообучением answerdotai/ModernBERT-base. В метаданных указана архитектура ModernBertForSequenceClassification и 149 млн параметров; модель принимает текст и выдаёт метки классификации. Модель предназначена для классификации текстов на английском языке. В README приведены результаты оценки: F1 0,8103 и loss 0,7333. Название указывает на связь с CEFR, однако карточка не описывает классы и набор данных, поэтому конкретное применение и смысл предсказаний нельзя подтвердить. Модель распространяется под лицензией Apache-2.0. Базовая модель поддерживает контекст до 8192 токенов; карточка не подтверждает, что это значение отдельно проверено для данного дообученного чекпойнта.

Это дообученная модель классификации текста на основе BERT Base Uncased, опубликованная пользователем lucienbaumgartner. По названию она предназначена для многометочной классификации текстов о психическом здоровье. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики оценки: macro F1 0,9961 и micro F1 0,9920. Датасет и набор меток не описаны, поэтому результаты нельзя интерпретировать без сведений о тестовом наборе, а соответствие модели конкретным сценариям психического здоровья требует отдельной проверки. Модель распространяется по лицензии Apache-2.0.

Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

PrERT-CNM v4 PrivacyBERT — модель классификации последовательностей на базе архитектуры BERT, подготовленная JayNightmare из локального чекпойнта PrivacyBERT для рабочего процесса privacy/CNM. Она относит текст к одной из меток: user, system или organization, и может применяться для классификации текстовых фрагментов в прототипах и приложениях этого направления. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и выдаёт оценки классов. В карточке указан английский язык. Автор рекомендует самостоятельно проверять пригодность модели перед производственным использованием; качество может снижаться при смене предметной области, неоднозначных формулировках, длинных входах и отличающихся определениях меток. Лицензия в предоставленных данных не указана.

bingbangboom/qwen3-0.6B-holmes-nt — экспериментальная модель на базе Qwen3-0.6B, дообученная автором на парах текст—тип текста из pangram/editlens_iclr. Она классифицирует текст как написанный человеком, отредактированный ИИ или сгенерированный ИИ и выдаёт одну из меток: human_written, ai_edited или ai_generated. Модель предназначена для распознавания происхождения текста; режим рассуждений отключён, метка выводится напрямую. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Прикладной pipeline в карточке — text-classification; контекст составляет до 40 960 токенов. Указан английский язык. Модель обучалась одну эпоху с помощью Unsloth и HuggingFace TRL; репозиторий содержит веса safetensors. Это незавершённая версия, требующая проверки; README отсылает к бенчмаркам и методологии проекта EditLens. Качество и надёжность классификации нельзя считать подтверждёнными без такой проверки. Лицензия — Apache-2.0.

Goodmotion/spam-mail-classifier — модель классификации текста, дообученная на базе microsoft/Multilingual-MiniLM-L12-H384 для определения, является ли тема письма спамом или обычным сообщением. Она выдаёт один из двух классов: SPAM или NOSPAM. Модель построена на архитектуре BERT для классификации последовательностей, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для фильтрации спама по темам электронных писем и может использоваться в почтовых фильтрах или для первичной сортировки входящих сообщений. Карточка заявляет поддержку нескольких языков. Модель распространяется под лицензией Apache-2.0.

delpot/steganograph-ia-detector — дообученный Vision Transformer (ViT), разработанный в рамках проекта SteganographIA (MIAGE TPI), для бинарной классификации изображений на реальные фотографии и изображения, созданные ИИ. Модель содержит 113,2 млн параметров и обучена на наборе Defactify; в описании указана проверка на сбалансированной тестовой выборке из 15 000 изображений. Среди генераторов в обучении названы Stable Diffusion 2.1, SDXL, Stable Diffusion 3, DALL·E 3 и Midjourney v6. На тестовой выборке точность составила 0,923. Модель редко помечает реальные фотографии как сгенерированные ИИ: доля ложноположительных срабатываний указана как 1,4%; при этом она пропускает около 14% изображений, созданных ИИ. Изображения перед классификацией масштабируются до 224×224 пикселей, поэтому детали, заметные только в высоком разрешении, могут теряться. Качество на генераторах, не представленных в обучении, включая Flux и новые модели, не гарантировано. Лицензия — MIT.

junnyu/structbert-large-zh — неофициальная копия китайской модели StructBERT-large. StructBERT разработана командой Alibaba AliceMind и расширяет BERT дополнительными задачами предобучения, учитывающими порядок слов и предложений. В карточке указано, что копия не создана командой AliceMind. Модель на базе архитектуры BERT предназначена для извлечения признаков из китайского текста и может служить основой для дообучения задач понимания языка. Исходная китайская версия описана как BERT-large; метаданные этой копии указывают 424,3 млн параметров и контекст до 512 токенов. В README приведены результаты исходной версии на китайском бенчмарке CLUE. Карточка не сообщает лицензию для этой копии, поэтому условия её использования следует уточнить в репозитории. Для практического применения потребуется задача или классификационная голова, обученная поверх извлекаемых признаков.

tax-reranker-minilm — модель-реранкер, разработанная для поиска ответов по Закону о подоходном налоге Индии 2025 года. Она дообучена на базе cross-encoder/ms-marco-MiniLM-L-6-v2 и использует архитектуру BERT с классификационной головой; метаданные указывают 25,9 млн параметров и контекст до 512 токенов. Модель принимает вопрос и текстовый фрагмент, оценивает их соответствие и помогает переупорядочить результаты, полученные на первом этапе поиска в системе TaxRAG. Модель предназначена для ранжирования разделов закона по вопросам, сформулированным на основе содержания разделов. В описанной оценке она немного превзошла базовый реранкер на вопросах такого типа, однако хуже него справлялась с формулировками, построенными по заголовкам разделов. На CPU ранжирование 15 кандидатов длиной 256 токенов занимает около 2,5 секунды на четырёхъядерном ноутбуке. Это вспомогательный инструмент поиска, а не источник юридических или налоговых консультаций. Лицензия — Apache-2.0.

myml/toutiao — модель классификации китайских новостей, обученная разработчиком на датасете Toutiao с использованием PyTorch. Она основана на BERT и предназначена для отнесения китайских текстов к категориям новостей; пример показывает классификацию короткой фразы через pipeline библиотеки Transformers. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для учебных и прикладных экспериментов с классификацией китайских текстов. Результат возвращается как метка класса и оценка уверенности; README не приводит таблицу соответствия меток категориям. Репозиторий распространяется по лицензии MIT.

Модель louisbrulenaudet/tsdae-lemone-mbert-tax — sentence-transformers-модель на базе mBERT, разработанная Louis Brulé Naudet для работы с французским налоговым и юридическим языком. Она преобразует предложения и абзацы в плотные векторы размерности 768; README указывает на адаптацию к французской налоговой тематике с помощью Transformer-based Sequential Denoising Auto-Encoder для обучения эмбеддингов без учителя. Модель предназначена для семантического поиска и кластеризации французских налоговых и правовых текстов, а также для извлечения признаков, которые можно использовать в классификаторах с размеченными данными. Основана на архитектуре BERT, содержит 194,6 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель обучалась на 102 языках, но эта версия адаптирована прежде всего для французского языка и налогового домена. Модель опубликована под лицензией Apache-2.0. Её эмбеддинги отражают специализацию на французском налоговом праве, поэтому пригодность для других языков и тематик может быть ниже; контекст ограничен 512 токенами.

Модель Cardiff NLP — дообученная версия cardiffnlp/twitter-roberta-base-2022-154m для многоклассовой классификации языка ненависти в англоязычных текстах, в том числе сообщениях из Twitter. Она присваивает тексту одну из семи меток: сексизм, расизм, дискриминация по инвалидности, ненависть по признаку сексуальной ориентации, религиозная ненависть, другая ненависть или отсутствие ненависти. Модель построена на RoBERTa и содержит около 151,8 млн параметров; длина контекста — 514 токенов. При дообучении использована комбинация 13 англоязычных наборов данных. В карточке указаны accuracy 0,9419, macro-F1 0,5752 и weighted-F1 0,9390: высокая общая точность сочетается с заметно более низким macro-F1, поэтому качество по отдельным классам может различаться. Модель подходит для предварительной модерации англоязычных публикаций и анализа категорий ненавистнической речи. Она выдаёт классовую метку, а не объяснение решения; результаты требуют проверки с учётом контекста и возможного смещения обучающих данных. Лицензия в предоставленных источниках не указана.

Umpire 35B-A3B MLX 4-bit — производная модель для классификации решений, созданная дообучением Ornith-1.5-35B-A3B на наборе ZefanCai/Open-Jev. Это чекпойнт в формате MLX affine 4-bit на базе архитектуры Qwen 3.5 MoE; в репозитории указаны изменённые компоненты внимания и shared expert, а большая часть остальных весов совпадает с базовой MLX-версией. Модель принимает текст; README также описывает экспериментальную обработку изображений через форк Splash, где её проверяли только дымовыми тестами. Модель предназначена для задач классификации решений и воспроизведения совместного использования неизменённых весов рядом с базовой моделью на Apple Silicon. Для запуска автор рекомендует пакет Umpire Splash. Заявлена лицензия CC BY-NC 4.0, разрешающая только некоммерческое использование.

Ham1mad1/videomae-base-Vsl-Lab-PC-V6 — модель VideoMAE для классификации видео, обученная с нуля. Она содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для отнесения видео к классам; карточка не описывает конкретные классы или сценарии применения.

vprojectx/VMiniBert — англоязычная модель Transformer-энкодера на 108 млн параметров, разработанная vprojectx и обученная с нуля как Masked Language Model. Она предсказывает замаскированные токены и предназначена прежде всего для дообучения под классификацию текста, распознавание именованных сущностей и извлечение слов по контексту. Архитектура сочетает 12 голов внимания и скрытый размер 768 с RoPE, RMSNorm и блоками GeGLU. Модель обучалась на смеси WikiText-103, BookCorpusOpen, FineWeb и C4 с динамическим Whole-Word Masking. В метаданных указан контекст 32 токена; карточка приводит оценку на тестовых выборках WikiText. Небольшой объём обучения — около 250 тысяч примеров — означает, что для прикладных задач, вероятно, потребуется дообучение. Работа с последовательностями длиннее 32 токенов не проверена; модель не предназначена для длинных документов и не должна применяться в продакшене без дообучения. Лицензия — MIT.

Это модель SomosNLP, дообученная на базе facebook/wav2vec2-base для классификации эмоциональной окраски испанской речи по аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification; размер модели — 113,3 млн параметров. На тестовой выборке MESD указаны точность 0,9308 и потеря 0,3071. Модель подходит для анализа настроения в голосовых записях и классификации аудиоматериалов по эмоциональной окраске. В README также описаны возможные сценарии подбора музыки и медиа по настроению и обнаружения звуковых событий при расширении набора классов. Однако исходная модель обучена именно на эмоциях в речи и не заявлена как детектор драк или других событий. MESD содержит около 1200 студийных записей длительностью примерно одну секунду; для обучения использовали 890 записей. Поэтому качество может снижаться на шумном аудио и при фоновой музыке, а класс «страх» распознаётся хуже остальных. Лицензия — Apache-2.0.

Модель kauffinger/xlm-roberta-base-finetuned-enron — дообученная автором модель XLM-RoBERTa для классификации спама в электронной почте. Она предназначена для выявления спам-писем на языках, поддерживаемых XLM-RoBERTa; автор отдельно отмечает интерес к немецкому языку из-за нехватки размеченных немецких данных. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров. Она принимает текст, использует контекст до 514 токенов и выдаёт метку классификации. Проверка проведена только на тестовой выборке Enron Spam, где указаны точность 0,996 и ошибка 0,0315; автор предупреждает, что широкого тестирования на целевом применении не было. Лицензия — MIT.

Khmer-ALBERT-Small — языковая модель Seanghay Yath для кхмерского языка на архитектуре ALBERT v2. По карточке она обучена с нуля на корпусе из 13 миллионов кхмерских предложений и имеет около 9,42 млн параметров; метаданные Hugging Face при этом указывают 125,5 млн параметров и базовую модель albert/albert-base-v2. Для восстановления пропущенных токенов модель принимает текст с маской и предсказывает подходящие слова. Её представления можно использовать как основу для классификации текста и разметки токенов, включая анализ тональности, распознавание именованных сущностей и определение частей речи. Разделение параметров между слоями и факторизованные эмбеддинги в ALBERT позволяют использовать модель с меньшим числом параметров, чем у стандартного BERT-base с сопоставимым размером скрытого слоя. Контекст ограничен 512 токенами. Карточка описывает применение на устройствах с ограниченными ресурсами, однако количественные результаты оценки не приведены. Лицензия — Apache 2.0.

AraNeoBERT-v4 — арабоязычный энкодер на 297 млн параметров, разработанный вместе с исследовательской группой профессора Мустафы Джаррара. Модель семейства NeoBERT/ModernBERT предварительно обучена предсказанию замаскированных токенов на смеси веб-текстов, диалектных данных, новостей и книг; в обучающей смеси 15,5% приходилось на диалектные тексты. Архитектура включает 28 слоёв, чередование локального и глобального внимания, RoPE, токенизатор SentencePiece на 64 тыс. токенов и контекст до 4096 токенов. Модель предназначена для заполнения пропусков в арабском тексте и как база для дообучения на задачах анализа тональности и распознавания именованных сущностей. В бенчмарках дообученных моделей она показала конкурентные результаты по тональности; оценка NER была нестабильной в одном из трёх запусков дообучения. Для загрузки через Transformers требуется включить доверенную загрузку пользовательского кода. Лицензия — Apache-2.0; README также характеризует модель как исследовательский артефакт.

ARBERT — крупная предварительно обученная языковая модель от UBC-NLP, представленная в работе ACL 2021 «ARBERT & MARBERT: Deep Bidirectional Transformers for Arabic». Она предназначена для современного литературного арабского языка (MSA) и использует архитектуру BERT-base: 12 слоёв внимания, 12 голов и размерность скрытого представления 768. Модель обучена на корпусе арабских текстов объёмом 61 ГБ, содержащем около 6,2 млрд токенов, и использует словарь из 100 тысяч WordPiece-токенов. ARBERT решает задачу заполнения пропусков в тексте: по контексту предсказывает замаскированный токен. Её можно использовать как предварительно обученную основу для задач обработки арабского текста, дообучая на целевых данных. По метаданным модель содержит около 190 млн параметров и поддерживает контекст до 512 токенов. Лицензия в предоставленных данных не указана.

CMB-ClimateModernBERT/A_S_F_CX_LRD — англоязычная модель ModernBERT-base, дообученная продолжением предобучения на климатических текстах. Она предназначена для кодирования климатических текстов и последующей тонкой настройки под классификацию, многометочную разметку и поиск по раскрытиям компаний, политическим документам, научной литературе и климатическим новостям. Архитектура — плотный энкодер ModernBERT с 149 млн параметров; модель поддерживает контекст до 8192 токенов и задачу заполнения пропусков. Обучение продолжено на объединённом корпусе объёмом 6,42 млрд токенов: академических публикациях, синтетических текстах и отфильтрованных климатических веб-текстах. В описанной оценке модель набрала в среднем 74,8 F1 по девяти климатическим NLP-бенчмаркам; для общего применения авторы рекомендуют объединённую версию семейства с результатом 76,3 F1. Модель не следует использовать как чат-ассистента или источник гарантированно точных климатических фактов. Лицензия в предоставленных данных не указана.

AuthorityRespect_continuous — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она выдаёт непрерывную оценку по тексту, связанную с характеристиками authority и respect; в README приведены метрики RMSE, MAE и корреляции на оценочном наборе. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и рассчитана на входы длиной до 512 токенов. Модель подходит для автоматической оценки текста по шкале authority/respect и для экспериментального анализа таких характеристик в корпусах. README не описывает датасет, схему оценивания и предполагаемое применение подробно, поэтому интерпретацию результатов следует проверять на целевых данных. Лицензия — MIT.

vinai/bartpho-syllable-base — базовая версия BARTpho от VinAI Research, разработанная Нгуен Лыонг Чан, Зыонг Минь Ле и Дат Куок Нгуеном. Это предварительно обученная модель типа BART для последовательностей, обученная денойзинговым способом и работающая с вьетнамским языком на уровне слогов. Она предназначена для получения векторных представлений текста и может служить основой для прикладных задач обработки вьетнамского языка. Модель содержит 87,4 млн параметров, использует архитектуру mBART и принимает контекст длиной до 1024 токенов. Репозиторий содержит веса PyTorch. Лицензия MIT разрешает использование при соблюдении её условий; авторы просят цитировать публикацию BARTpho при использовании модели в научных результатах или программном обеспечении.

BazarFiltr-0.1 — компактный русскоязычный бинарный классификатор токсичности от akanemind, дообученный на cointegrated/rubert-tiny с использованием набора AlexSham/Toxic_Russian_Comments. Модель на базе BERT содержит 12,1 млн параметров и выдаёт одну метку: «токсично» или «нетоксично». Она принимает текст; последовательности обрезаются до 128 токенов, при этом нативная длина контекста модели составляет 512 токенов. Модель предназначена для быстрой предварительной модерации комментариев в чатах, форумах и социальных платформах, а также для сортировки сообщений на требующие проверки и остальные. В описанной оценке на отложенной выборке набора обучения F1 для токсичного класса составил 0,907. Модель лучше выявляет явные ругательства, оскорбления и угрозы, но может пропускать завуалированную или вежливо сформулированную токсичность, в том числе расистские высказывания без явной брани. Классификация бинарная и рассчитана на русский язык; для чувствительных решений рекомендуется проверка человеком. Лицензия — MIT.

CAMeLBERT-Mix DID Madar Corpus26 — модель для определения арабского диалекта по тексту, разработанная CAMeL Lab. Она получена дообучением CAMeLBERT-Mix на наборе MADAR Corpus 26 с 26 классами диалектов и предназначена для классификации коротких высказываний; модель можно использовать через Transformers pipeline для text-classification. Архитектура основана на BERT, содержит 136,3 млн параметров и принимает до 512 токенов контекста. Метаданные указывают поддержку арабского языка и форматов PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Модель Davlan/bert-base-multilingual-cased-finetuned-hausa — версия BERT, дообученная разработчиком на текстах на языке хауса. Она основана на bert-base-multilingual-cased и предназначена прежде всего для предсказания скрытых токенов в тексте; README также приводит улучшенные результаты на наборах для классификации текстов и распознавания именованных сущностей по сравнению с исходной многоязычной моделью. Модель содержит 205,1 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Обучение проводилось на корпусе Hausa CC-100; оценка на MasakhaNER и VOA Hausa Textclass показывает пользу дообучения для распознавания сущностей и классификации новостных текстов. Данные об условиях лицензии в предоставленной карточке отсутствуют.

Stremie/bert-base-uncased-clickbait — модель классификации текста на основе BERT, предназначенная для определения, является ли публикация в Twitter кликбейтом. По README, модель обучена на наборе данных Webis-Clickbait-17 и принимает текст публикации в поле postText. В метаданных указана архитектура BertForSequenceClassification, размер 136,7 млн параметров и контекст до 512 токенов. На тестовых данных автор сообщает оценку F1 около 0,7. Модель подходит для автоматической разметки публикаций и предварительной фильтрации кликбейта, однако качество может быть недостаточным для решений, требующих высокой точности, и отдельно не подтверждено для текстов за пределами Twitter. Условия лицензирования в предоставленных данных не указаны.

Модель tohoku-nlp/bert-large-japanese-char разработана группой Tohoku NLP и предварительно обучена на японских текстах Википедии. Это версия BERT large с 24 слоями, размерностью скрытых состояний 1024 и 16 головами внимания; число параметров — около 408,9 млн. Модель использует токенизацию на основе словаря Unidic 2.1.2: текст сначала сегментируется по словам, затем разбивается на символы. При обучении для задачи masked language modeling применялось маскирование целых слов. Модель предназначена для заполнения пропусков в японском тексте и может служить основой для задач понимания японского языка. Контекст составляет до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель обучена на японской Википедии; лицензия — CC BY-SA 4.0.