I.11Классификация, ранжирование и сопоставление

RoBERTa-base-ca-v2 — трансформерная модель с архитектурой RoBERTa и головой masked language modeling, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра в рамках проекта AINA. Модель содержит 151,8 млн параметров и обучена для каталонского языка на корпусах из открытых источников и веб-краулинга. Модель готова к заполнению пропусков в каталонском тексте: она подбирает вероятные варианты для замаскированного токена. Её также можно дообучать для классификации текста, распознавания именованных сущностей и частей речи, ответов на вопросы и других задач понимания языка. В карточке приведены результаты оценки на бенчмарке CLUB для ряда таких задач; для них требуется соответствующая настройка модели. Модель принимает текст и выдаёт предсказания токенов. Максимальная длина контекста — 514 токенов. Разработчики предупреждают, что веб- и публичные обучающие корпуса могут содержать смещения, а отдельная оценка встроенных bias на момент публикации не проводилась. Лицензия — Apache License 2.0.

akahana/roberta-base-indonesia — модель RoBERTa для индонезийского языка с 151,8 млн параметров, представленная в форматах PyTorch, Safetensors и TensorFlow. Она предназначена для извлечения признаков из текста и может использоваться как маскированная языковая модель для подстановки пропущенных слов; README показывает пример с индонезийским предложением. Модель подходит для получения текстовых представлений и как основа для задач обработки индонезийского текста. Контекст составляет до 514 токенов. Распространяется по лицензии MIT.

Это предварительно обученная языковая модель RoBERTa, созданная лабораторией Mori при Университете Йокогамы для работы с японскими текстами. Модель содержит 74,1 млн параметров, использует токенизатор SentencePiece и принимает последовательности длиной до 512 токенов; для дообучения в README рекомендована максимальная длина 510 токенов. Основная задача модели — предсказание замаскированных токенов в японском тексте. Её можно дообучать для языковых задач; в README также приведён результат 95,4% точности на бинарной классификации тональности JGLUE-marc_ja-v1.0. Доступны веса PyTorch, лицензия — Apache-2.0. README содержит пример загрузки токенизатора через класс AlbertTokenizer, поэтому совместимость этого примера с указанной архитектурой RoBERTa требует проверки.

sentiment-versioning-demo — дообученная Gwennji модель на базе distilbert/distilbert-base-uncased для классификации текста. В метаданных указаны архитектура DistilBertForSequenceClassification, библиотека Transformers, формат safetensors и контекст до 512 токенов. Модель подходит для применения в задачах текстовой классификации. README не описывает обучающую выборку, метки классов, результаты оценки или конкретные сценарии, поэтому специализацию на анализе тональности подтвердить нельзя. Лицензия — Apache-2.0.

Карточка модели r3lax/sys1mlx на Hugging Face совпадает с карточкой ardanila/sys1mlx, поэтому описание составлено по ней. Sys1MLX — локальная мультимодальная модель принятия решений для компьютеров Apple Silicon, созданная на основе Qwen3.5-4B-Base и адаптера. Она принимает текст, необязательное изображение и заданные пользователем варианты, после чего возвращает выбранный ответ и вероятности; также поддерживает типы вопросов `noul` и `score`. Модель использует архитектуру Qwen3.5 с восстановленной башней зрения: языковые веса квантованы в MLX affine 4-bit, визуальный энкодер хранится в BF16, отдельная голова указателя — в FP32. Размер базовой модели — 4 млрд параметров. Модель предназначена для локального выбора из вариантов по тексту и изображениям, например для распознавания содержимого снимка или ответа на вопрос о расположении объектов. Для запуска требуется Mac с Apple Silicon и рабочей поддержкой MLX Metal; автор проверял запуск на M4 с 16 ГБ общей памяти. Это не генератор текста и не поддерживается стандартными интерфейсами генерации MLX или Transformers: нужен включённый в репозиторий Python runtime. Качество визуальных решений экспериментальное; приведённые проверки малы и не являются обобщающим бенчмарком. Модель распространяется по лицензии Apache-2.0.

TunBERT — модель для классификации последовательностей на базе архитектуры BERT, опубликованная tunis-ai. Репозиторий содержит конвертированную из формата NeMo версию модели Instadeep в формате Safetensors; размер — 136,7 млн параметров, контекст — до 512 токенов. Для загрузки предусмотрена связка токенизатора и AutoModelForSequenceClassification из Transformers. Модель предназначена для классификации текстов на арабском языке. Она может применяться в задачах, где требуется присвоить тексту одну или несколько категорий; карточка не уточняет набор меток или конкретные сценарии. Модель распространяется по лицензии MIT. Классификация на иных языках и качество на конкретных данных не подтверждены карточкой.

UnihanLM — маскированная языковая модель для китайского и японского языков, разработанная для использования общих знаний о сходных иероглифах. Она обучена в два этапа: сначала похожие по морфологии символы объединяются в кластеры для грубого предобучения, затем заменяются исходными символами для обучения более точным представлениям. Модель построена на архитектуре XLM и предназначена для извлечения признаков и представлений текста в моноязычных и межъязыковых задачах NLP для китайского и японского языков. Контекст — до 512 токенов; веса доступны в форматах PyTorch и TensorFlow. Модель обучена на китайской и японской Википедии и оценивалась на соответствующих NLP-бенчмарках. Из-за источника обучающих данных она может хуже работать с неформальным текстом; английские слова токенизируются посимвольно. Лицензия — Apache-2.0.

VCTI-RoBERTa-Fiber — англоязычная модель RoBERTa-base, дообученная компанией Velankani Communications Technologies Inc. на текстах об оптической связи и фотонике с помощью masked language modeling. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текст; длина контекста — 514 токенов. Модель предназначена для получения контекстных представлений технических текстов об оптических волокнах, фотонных устройствах, мультиплексировании, усилителях, модуляции, сетях и лазерных системах. Её можно применять для семантического поиска, подбора похожих документов и вопросов, кластеризации и тематического анализа, а также для извлечения контекста в RAG-системах. В README модель названа базовой версией, а обучение описано как выполненное на собственном корпусе статей, учебников и научных публикаций. Модель подходит для англоязычных материалов в области оптических технологий. Она также дообучалась для восстановления пропущенных слов, но основное пользовательское назначение — доменные эмбеддинги; качество на других темах и языках не описано. Распространяется по лицензии MIT.

shossain11/videomae-base-finetuned-inhard-finetuned-inhard2 — дообученная модель VideoMAE для классификации видео. Она содержит 113,2 млн параметров и представлена в формате safetensors. Модель дообучена на базе shossain11/videomae-base-finetuned-inhard; датасет и классы классификации в карточке не описаны. Модель предназначена для присвоения видео меток классов. На оценочном наборе указаны loss 1,2799 и accuracy 0,6682, однако без сведений о наборе данных и схеме классов эти показатели трудно интерпретировать. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

ViLegalBERT — энкодерная языковая модель семейства ViLegalLM для анализа вьетнамских юридических текстов. Разработчики продолжили предобучение PhoBERT-base-v2 на специально собранном корпусе вьетнамских правовых материалов объёмом 16 ГБ. Модель построена на архитектуре RoBERTa, содержит 135 млн параметров и использует токенизатор PhoBERT-base-v2; контекст ограничен 256 токенами. Основной сценарий применения — адаптация энкодера для поиска и ранжирования правовых документов, ответов на вопросы и распознавания логических отношений в юридических текстах. По карточке модели, она показывает сильные результаты на нескольких вьетнамских юридических бенчмарках; также её можно использовать для извлечения признаков и оценки семантического сходства документов. В Hugging Face модель размечена задачей fill-mask. Модель обучена на вьетнамских правовых материалах и может хуже работать с другими юрисдикциями, длинными документами и изменениями законодательства после сбора корпуса. Её результаты не следует считать окончательным юридическим толкованием без проверки специалистом. Лицензия — AGPL-3.0.

Water Governance Embedding Model — модель эмбеддингов, дообученная на публичных материалах проекта InnWater программы Horizon Europe. Она разработана для представления текстов о водном управлении, устойчивости водных ресурсов, участии заинтересованных сторон, системах поддержки принятия решений и устойчивом управлении водными ресурсами в виде векторов. Модель основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa, содержит 658,7 млн параметров и рассчитана на контекст до 8194 токенов. Метаданные указывают английский язык и лицензию CC; базовая BGE-M3 является многоязычной. Модель подходит для семантического поиска и сравнения сходства текстов в специализированных материалах по водному управлению. В README указано, что для обучения использовались публичные документы InnWater; подробности о составе обучающих пар и результатах оценки не приведены.

Это модель классификации пар «вопрос — строка таблицы», опубликованная Майклом Глассом и основанная на albert-base-v2. Она обучена для выбора строк, относящихся к вопросу на естественном языке, в таблицах из набора WikiSQL-Lookup. В проекте IBM такие модели отдельно ранжируют строки и столбцы; их результаты объединяются для оценки ячеек и поиска ответа на вопрос по таблице. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 136,3 млн параметров и принимает последовательности длиной до 512 токенов. Это специализированный компонент системы табличного вопросно-ответного поиска, а не универсальная генеративная модель: она выдаёт метки релевантности для пар вопроса и строки, но самостоятельно не формулирует ответ. Для проекта указана лицензия Apache-2.0.

AtmicEmbedding v3 — плотная модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная SriRamanaAtmic для поиска passage по запросам на английском языке о диалогах и учении Раманы Махарши. Это контрастивно дообученная версия AtmicEmbeddingv2 с 658,7 млн параметров; обучение использовало экспертные вопросы и ответы, перефразированные и ситуационные вопросы, а также триплеты теоретических диалогов с негативными примерами. Для получения эмбеддингов применяются префиксы `query: ` и `passage: `, mean pooling и L2-нормализация. Контекст составляет 514 токенов. Модель предназначена для семантического поиска и сопоставления английского запроса с релевантным фрагментом текста. В описанных тестах v3 показала более высокие результаты, чем базовая модель и v2, на собственном наборе с более разнообразными данными. При этом на наборе 161_pass она уступает v2 и близка к базовой модели, поэтому качество поиска на этом корпусе следует проверять отдельно. Модель распространяется по лицензии MIT.

Rocketknight1/bert-base-cased-finetuned-swag — модель BERT, дообученная на базе bert-base-cased для задачи выбора одного ответа из нескольких вариантов. Она предназначена для задач с вопросом и набором вариантов ответа, в частности для оценки утверждений в стиле SWAG. Модель содержит 135,5 млн параметров, использует регистрозависимый BERT и принимает последовательности длиной до 512 токенов. Доступен формат TensorFlow. В README приведены результаты обучения: точность на валидационной выборке 0,759 и потери 0,6167; название обучающего набора данных и подробности оценки не раскрыты. Модель выпущена под лицензией Apache-2.0.

CARDS-Qwen3.6-27B-API — дообученная модель семейства Qwen, разработанная для классификации климатических утверждений, отрицающих или оспаривающих изменение климата, по таксономии CARDS. Она дообучена на наборе C3DS/cards_sft_dataset с помощью LoRA ранга 16, после чего адаптер объединён с базовыми весами Qwen/Qwen3.6-27B. Модель загружается через Transformers и может обслуживаться, например, через vLLM. Основной сценарий — разметка утверждений кодами CARDS; также модель сохраняет мультимодальные возможности базовой модели и может классифицировать утверждения, представленные на изображениях, с текстом или без него. В тесте на 1 436 примерах уровня L1 модель показала Samples F1 0,893 и Micro F1 0,885. По описанию авторов, качество ниже на редких метках: модель уступает Claude Opus по Macro F1 и полноте для редких классов. При генерации может выдавать рассуждение перед итоговым YAML-блоком категорий, что нужно учитывать при разборе ответа. Лицензия — Apache-2.0.

LRieser/ceo-responsible-leadership-modernbert-base — англоязычный классификатор предложений, разработанный для анализа писем генеральных директоров акционерам. Это дообученная для классификации последовательностей модель ModernBERT-base с 149 млн параметров и контекстом до 8192 токенов; в описанном сценарии ей передают одно предложение. Модель относит его к одному из двух классов: responsible — высказывание о заинтересованных сторонах, сотрудниках, обществе, окружающей среде, этике или долгосрочной ценности; not_responsible — обычное деловое или финансовое содержание. Модель предназначена для выявления ответственного лидерства в корпоративных коммуникациях и исследовательского анализа писем CEO. На размеченной выборке из 5 418 предложений средний macro-F1 при повторной стратифицированной 5-блочной кросс-валидации составил 0,890, а точность — 0,910. Ошибки возможны: ценностные заявления и шаблонные формулировки могут ошибочно распознаваться как ответственное лидерство, а финансовые высказывания, связанные с ценностью для заинтересованных сторон, — пропускаться. Модель распространяется по лицензии Apache-2.0.

combined-diacritized-scratch — модель классификации текста на базе RoBERTa, дообученная автором репозитория lazymonster на неизвестном наборе данных. В метаданных указана архитектура RobertaForSequenceClassification, размер 17,1 млн параметров и контекст до 132 токенов; веса представлены в формате safetensors. Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy 0,6415 и macro-F1 0,6382. Назначение классов и конкретные сценарии применения не описаны, поэтому практическая область использования по доступным сведениям не определяется. Лицензия — MIT.

domenicrosati/deberta-v3-xsmall-with-biblio-context-finetuned-review_classifier — модель классификации текста, дообученная на основе microsoft/deberta-v3-xsmall. По названию репозитория она предназначена для классификации рецензий с использованием библиографического контекста; карточка сообщает метрики на оценочном наборе: accuracy 0,9682, F1 0,8332, recall 0,8466 и precision 0,8202. Модель построена на архитектуре DeBERTa v3 xsmall с контекстным энкодером, содержит 77,5 млн параметров и принимает последовательности длиной до 512 токенов. Формат весов — PyTorch. Указана лицензия MIT. В README не описаны метки классификации, устройство библиографического контекста и состав данных, поэтому применимость метрик к конкретным сценариям следует оценивать с учётом этих пробелов.

Detect-Acoso-Twitter-Es — модель классификации испаноязычных публикаций в Twitter для выявления травли. Её создала команда участников хакатона SomosNLP 2022; модель дообучена на наборе hackathon-pln-es/Dataset-Acoso-Twitter-Es на основе mrm8488/distilroberta-finetuned-tweets-hate-speech. Модель использует архитектуру RoBERTa и содержит 95,2 млн параметров. Она принимает текст и выдаёт результат классификации; максимальная длина контекста — 514 токенов. В карточке приведены результаты на тестовой выборке: accuracy 0,9167 и loss 0,1628. Модель распространяется по лицензии Apache-2.0.

YoichiTakenaka/deverta-v3-japanese-large-Sadness — японская модель классификации текста на основе DeBERTa V2, дообученная для определения эмоции Sadness. Она принимает отдельный текст, список текстов или pandas Series и возвращает метку наличия эмоции и оценку уверенности. В пакете DeBERTa Emotion Predictor эта модель входит в набор из восьми отдельных классификаторов для радости, грусти, ожидания, удивления, гнева, страха, отвращения и доверия. Модель содержит 451,8 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и обрабатывает контекст длиной до 512 токенов. Веса опубликованы в формате safetensors. README описывает поддержку японского текста и использование PyTorch, Transformers и pandas. Лицензия — CC BY-SA 4.0.

irfanamal/distilbert_multiple_choice — дообученная модель на архитектуре DistilBERT, предназначенная для выбора одного ответа из нескольких вариантов. В качестве базовой модели указана distilbert/distilbert-base-uncased; модель разработана автором репозитория irfanamal. Она принимает текст вопроса и варианты ответа и оценивает их для выбора наиболее подходящего. Контекст составляет до 512 токенов. Модель выпущена под лицензией Apache-2.0. В README приведены результаты оценки: accuracy 0,55 и loss 1,3817. Датасет обучения обозначен как None, поэтому определить тематическую специализацию и надёжность на конкретных типах вопросов по карточке нельзя.

distilled-embeddinggemma — статическая модель эмбеддингов Model2Vec, созданная путём дистилляции google/embeddinggemma-300m. Она предназначена прежде всего для быстрого поиска санскритских текстов по смыслу и сопоставления запросов с фрагментами; в README приведены примеры на деванагари и английском. Модель использует таблицу эмбеддингов без трансформера на этапе вывода: 256 измерений, float16, PCA-256, mean pooling и нормализацию; размер таблицы — около 2,5 млн параметров. Метаданные указывают архитектуру StaticModel, библиотеку model2vec, формат safetensors и контекст 1 000 000 токенов. README сообщает, что на тесте гибридного поиска по санскритским стихам модель сохранила 89% качества учителя, при этом кодирование выполнялось примерно в 39 000 фрагментов в секунду на CPU. Статическое усреднение не учитывает порядок слов и контекст, поэтому хуже справляется с формами, где сандхи и сложение слов скрывают соответствия, а также с английскими перефразированиями. Для таких сценариев автор рекомендует использовать её как компонент гибридного поиска вместе с полнотекстовым поиском и лексическими данными. Лицензия модели — MIT; для распространения производной модели следует также учитывать условия Google Gemma для базовой модели.

Это компактная модель ELECTRA, обученная авторами toastynews на корпусе из Гонконга как альтернатива стандартным китайским моделям. В обучающих данных около 507 млн символов: примерно 30% корпуса составляет гонконгский кантонский (Yue), 62% — стандартный китайский и 8% — английский. Корпус включает новости, блоги, Википедию Yue, отзывы о ресторанах и другие источники. Модель содержит 20,3 млн параметров, использует архитектуру ELECTRA для предобучения и поддерживает контекст до 512 токенов. Она предназначена как основа для дообучения под задачи на текстах Гонконга; для прикладных задач потребуется дальнейший fine-tuning. По приведённым оценкам она показывает результаты, сопоставимые с китайской моделью на нескольких тестах, включая анализ тональности отзывов. Модель может быть полезна для задач, ориентированных на языковое употребление жителей Гонконга, однако объём знаний у неё может уступать более крупным китайским моделям. Обучающие данные преимущественно состоят из новостей и блогов, поэтому модель может быть смещена в сторону формального языка. Лицензия — Apache 2.0.

Emotionality_binary — англоязычный классификатор текста на базе DeBERTa-v3-base, дообученный автором ajrayman для бинарного определения эмоциональности текста. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт класс классификации. В README приведены результаты на оценочной выборке: accuracy 0,609, precision 0,573, recall 0,850, F1 0,685 и AUC 0,721. Эти показатели характеризуют только указанную выборку; описание датасета и подробности обучения не приведены. Модель распространяется по лицензии MIT.

IDEA-CCNL совместно с проектом Fengshenbang разработала Erlangshen-DeBERTa-v2-97M-Chinese — китайскую модель DeBERTa-v2 для понимания естественного языка. В карточке указано 97 млн параметров, тогда как метаданные репозитория сообщают 123,1 млн; модель использует архитектуру DebertaV2ForMaskedLM и предобучалась на корпусе WuDao объёмом 180 ГБ с маскированием целых слов (Whole Word Masking). Максимальная длина контекста — 512 токенов. Основной сценарий применения — заполнение пропусков в китайском тексте. Представленные в README результаты также показывают её использование в задачах классификации и определения текстовых отношений, но для них могут потребоваться соответствующие дообученные варианты. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Extrabinary — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base. Она предназначена для отнесения текста к одному из классов; название Extra_binary может указывать на бинарную классификацию, однако README не уточняет сами классы и назначение разметки. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,6276, precision 0,5938, recall 0,8055, F1 0,6836 и AUC 0,7116. Датасет указан как None, а сведения о сценариях применения и обучающих данных отсутствуют, поэтому качество для конкретной задачи по этим метрикам определить нельзя. Модель распространяется по лицензии MIT.

Extracontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает последовательности длиной до 512 токенов. В метаданных указана задача text-classification; README сообщает результаты оценки: loss 0,0312, RMSE 0,1766, MAE 0,1396 и корреляция 0,2657, но не раскрывает набор данных или смысл целевой переменной. Модель выпущена под лицензией MIT.

Fiqh-Rerank AR/FA — двуязычный переранжировщик текстовых фрагментов по исламскому праву джафаритской (имамитской) традиции, разработанный Sadiqoon Technologies на базе BAAI/bge-reranker-v2-m3. Это cross-encoder на архитектуре XLM-RoBERTa с примерно 659 млн параметров и контекстом до 8194 токенов по метаданным; он совместно оценивает вопрос и фрагмент и выдаёт оценку релевантности. Модель предназначена для второго этапа поиска: после первичного извлечения кандидатов она переупорядочивает их, поднимая наиболее подходящие ответы на первые позиции. Поддерживает арабские и персидские запросы и тексты, в том числе пары, где вопрос и фрагмент написаны на разных языках. По карточке, обучение включало материалы из источников джафаритского фикха и реальные пользовательские вопросы; заявлена оценка на отложенной выборке из 292 вопросов. Модель распространяется в формате safetensors по лицензии MIT. Она выдаёт оценку релевантности для пары текстов, а не готовый ответ на вопрос; качество зависит от кандидатов, полученных на первом этапе поиска, и от соответствия корпуса джафаритской правовой тематике.

Карточка модели HuggingFaceM4/idefics-80b на Hugging Face совпадает с карточкой HuggingFaceM4/idefics-9b, поэтому описание составлено по ней. IDEFICS-9B — мультимодальная модель Hugging Face для работы с изображениями и текстом, созданная как открытая реализация подхода Flamingo. Она принимает текст вместе с одним или несколькими изображениями и генерирует текстовые ответы; без изображений может использоваться как языковая модель. Модель предназначена для визуальных вопросов и ответов, описания изображений и создания историй, связанных с несколькими изображениями. Архитектура объединяет визуальный энкодер CLIP ViT-H/14 и языковую модель LLaMA-65B, связанные новыми блоками Transformer с перекрёстным вниманием. В карточке указано 9 млрд параметров; метаданные репозитория сообщают 6,6 млрд. Модель рассчитана на английский язык, обучалась в том числе на наборах OBELICS, Wikipedia, PMD и LAION-2B-en, а длина контекста составляет 2048 токенов. Она демонстрирует возможности few-shot обучения на визуально-текстовых задачах и может служить основой для дообучения на пользовательских данных. Модель не генерирует изображения. Её ответы могут содержать фактические ошибки и вредные стереотипы, поэтому их следует проверять. Лицензия указана как other; карточка отсылает к отдельному разделу License для условий использования.

Improved-CAMEL-attempt2 — модель классификации арабского текста, дообученная Anwaarma на базе CAMeL-Lab/bert-base-arabic-camelbert-da. Она использует архитектуру BERT и содержит 136,3 млн параметров; контекст ограничен 512 токенами. Модель предназначена для задач классификации последовательностей на арабском языке. В карточке приведены результаты оценки: accuracy 0,86 и loss 0,7469. Датасет, набор классов и конкретная область применения не описаны, поэтому эти результаты не позволяют судить о качестве на других данных. Модель опубликована под лицензией Apache-2.0.