I.11Классификация, ранжирование и сопоставление

llmware разработала industry-bert-insurance-v0.1 — англоязычную BERT-модель Sentence Transformer, дообученную для получения эмбеддингов текстов страховой тематики. Она предназначена для использования как замена эмбеддинговой модели в прикладных системах страховой отрасли. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Доступна в формате PyTorch и распространяется по лицензии Apache 2.0. Модель подходит для семантического поиска по страховым документам, сравнения текстов и построения поиска с дополненной генерацией (RAG), где нужны эмбеддинги по материалам страховой отрасли. За пределами этой тематики качество может снижаться; в пространстве эмбеддингов возможны аномалии. Разработчик также отмечает отсутствие специальных мер защиты и снижения смещений в данных обучения.

Lemone-Embed-L — модель Sentence Transformers, разработанная Louis Brulé Naudet для поиска и сравнения документов в области французского налогообложения. Она дообучена на intfloat/multilingual-e5-large на корпусе налоговых и правовых материалов, включая Налоговый кодекс Франции и документы налоговой администрации. Обучающий набор содержит 296 234 примера; лицензия — Apache-2.0. Модель использует XLM-RoBERTa и преобразует текстовые запросы и документы в нормализованные плотные эмбеддинги размерностью 1024, сравниваемые по косинусному сходству. Максимальная длина последовательности — 514 токенов по метаданным Hugging Face (в README указано 512). Основной язык — французский. Модель предназначена для семантического поиска по налоговым корпусам, извлечения релевантных документов для RAG, сравнения предложений, кластеризации и классификации текста. Она специализирована на французской налоговой и правовой терминологии; результаты в других областях и языках могут быть менее надёжными.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_3 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. В карточке репозитория она помечена как Text Classification и предназначена для применения через библиотеку Transformers; отдельная модельная карточка с подробным описанием отсутствует. По идентификатору и доступным метаданным модель основана на BERT base uncased и дообучена для задачи QQP (Quora Question Pairs), то есть классификации пар вопросов. В названии также указана максимальная длина последовательности 128 токенов. Репозиторий совместим с Transformers, JAX и TensorBoard. Мультимодальность, точный размер, число классов, языки, значения метрик и результаты оценки в доступных источниках не указаны. Сильная сторона модели — специализация на классификации текстовых пар и готовая интеграция с экосистемой Transformers. Ограничения — отсутствие опубликованной документации, сведений о качестве, составе обучающих данных и подробных характеристиках; поэтому применимость за пределами соответствующей задачи не подтверждена. Лицензия в доступных метаданных не указана.

M2-BERT — плотная BERT-подобная модель с архитектурой Monarch Mixer, разработанная Jon Saad-Falcon, Dan Fu и Simran Arora. Это предобученный чекпойнт примерно на 136,7 млн параметров с контекстом до 2048 токенов; он распространяется в формате PyTorch и подходит для задач заполнения пропусков в тексте и последующего дообучения для конкретных применений. Модель рассчитана на работу с последовательностями большой длины и может служить основой для классификации текста и других задач обработки текста после тонкой настройки. Авторы рекомендуют дообучить её перед применением. В README приведён пример загрузки через Transformers с AutoModelForMaskedLM и параметром trust_remote_code=True. Лицензия — Apache-2.0.

MaiBERT_TF — дообученная на текстах майтхили BERT-модель на базе google/muril-base-cased, представленная в формате TensorFlow. В метаданных указаны 264,8 млн параметров и контекст до 512 токенов; архитектура — BertForMaskedLM. README описывает предобучение с целью masked language modeling, а метаданные также указывают задачу классификации текста. Модель предназначена для языковых задач на майтхили, включая предсказание замаскированных слов и классификацию текста. README заявляет возможность генерации текста, однако не приводит подтверждённых характеристик или примеров для этой задачи. Лицензия — MIT. README содержит незаполненные шаблонные значения для словаря, размера и токенизатора, поэтому эти сведения не использованы.

snumin44/medical-biencoder-ko-bert-question — корейская медицинская модель поиска на основе BERT с двухбашенной архитектурой Bi-Encoder. Она кодирует вопросы отдельным Question Encoder и предназначена для совместного использования с Context Encoder, который кодирует медицинские тексты. Модель дообучена на данных корейско-английских медицинских вопросов и ответов AI Hub; перед этим базовая модель SapBERT-KO-EN обучалась сближать представления медицинских терминов с одинаковым кодом, включая корейские и английские варианты. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её применяют для получения векторных представлений вопросов и поиска медицинских текстов по смысловой близости, в том числе при смешении корейской и английской терминологии. Это Question Encoder, поэтому для сопоставления вопроса с документами требуется совместимый Context Encoder. Модель распространяется по лицензии MIT.

MedSigLIP — разработанная Google медицинская версия SigLIP для совместного кодирования изображений и текста в общее пространство эмбеддингов. Модель включает vision transformer на 400 млн параметров и text transformer на 400 млн параметров; принимает изображения размером 448×448 и текст длиной до 64 токенов. Она обучена на обезличенных парах медицинских изображений и описаний, включая рентгенограммы грудной клетки, изображения кожи и глаз, гистопатологические препараты и срезы КТ и МРТ, а также на обычных изображениях и текстах. Модель предназначена для разработчиков медицинских приложений и подходит для классификации без примеров из целевых классов, поиска изображений по смыслу и создания эмбеддингов для последующей классификации или регрессии. Она не генерирует текст и может применяться также к обычным изображениям. Лицензия указана как other; README не приводит её точных условий. Эмбеддинги и оценки требуют проверки и адаптации под конкретное применение. Без независимой валидации результаты не следует использовать для диагностики, выбора лечения или других клинических решений; медицинское приложение должно отдельно соответствовать применимым нормативным требованиям.

MentiFy — дообученная модель DistilBERT для классификации текстов о психологическом благополучии по семи категориям. Её создал автор репозитория anisha-14 на основе distilbert/distilbert-base-uncased; модель принимает текст и выдаёт категорию. В карточке указаны 51 073 очищенных примера для обучения и точность около 87,25%. Модель используется в MentiFy (mentalGUARDIAN) для классификации ответов на вопросы анкеты о благополучии; несколько предсказаний объединяются голосованием большинства. Архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель предназначена для образовательной поддержки и оценки благополучия, не является медицинским диагностическим инструментом. Распространяется по лицензии Apache-2.0.

Artiwise ModernBERT Base Turkish Uncased — турецкая адаптация encoder-only модели ModernBERT, разработанная Artiwise и дообученная от answerdotai/ModernBERT-base на турецкой части набора CulturaX. Модель содержит 134,9 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Основная задача — предсказание замаскированных токенов; архитектура также подходит для построения классификаторов текста и разметки последовательностей. Модель предназначена для турецкоязычного понимания текста: восстановления пропусков, анализа отзывов, ответов на вопросы и обработки специализированных текстов, включая биомедицинские. В README приведены результаты сравнения с турецкими BERT-моделями на задачах с разными долями маскирования; эти результаты относятся к описанным авторам экспериментам. Для работы нужны PyTorch не ниже 2.6.0 и Transformers не ниже 4.50.0. В карточке указана лицензия MIT.

modernBERT-large-claim-agent_v10 — дообученная Inabia-AI модель классификации текста на базе answerdotai/ModernBERT-large. Она использует плотную архитектуру ModernBERT для классификации последовательностей; содержит 394,7 млн параметров и принимает контекст длиной до 8192 токенов. Карточка сообщает метрики оценки: accuracy 0,9979, precision 0,9892, recall 0,9928 и F1 0,9910. Модель предназначена для классификации текста. Название указывает на обработку утверждений, однако карточка не описывает метки классов, данные обучения или конкретный сценарий применения, поэтому назначение «claim agent» подтвердить нельзя. Основа — англоязычный двунаправленный энкодер ModernBERT-large; указана лицензия Apache-2.0. Условия обучения и ограничения в карточке не раскрыты.

MyAwesomeModel-TestRepo — репозиторий с моделью на основе BERT, опубликованный пользователем Hongxuan111. По метаданным Hugging Face, модель использует Transformers и PyTorch и предназначена для извлечения признаков из входного текста; лицензия — MIT. Извлечённые признаки можно использовать как векторные представления текста в последующих задачах машинного обучения. В доступных метаданных не указаны размер модели, языки и длина контекста. Поиск обнаружил лишь вторичное описание репозитория как тестового и не подтвердил его назначение независимой карточкой разработчика.

XRe03/my_awesome_swag_model — англоязычная модель на архитектуре BERT, дообученная автором на неизвестном датасете для задач с выбором одного варианта ответа из нескольких. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает текстовые варианты ответа в контексте до 512 токенов. Модель предназначена для оценки вариантов в формате multiple choice; в README указаны accuracy 0,7321 и loss 2,0352 на тестовом наборе, но состав набора и методика оценки не описаны. Распространяется в формате safetensors по лицензии Apache-2.0.

waterabbit114/my-setfit-classifier_toxic — модель классификации текста на основе SetFit, дообученная автором на sentence-transformers/paraphrase-mpnet-base-v2. Она использует MPNet для получения представлений текста и классификатор LogisticRegression; обучение выполнено методом few-shot с контрастивным дообучением Sentence Transformer и последующим обучением классификационной головы. Модель различает два класса: примеры токсичных сообщений и примеры, отнесённые к другому классу. Модель предназначена для классификации коротких текстов, например комментариев и сообщений, по признаку токсичности. В README указана максимальная длина последовательности 512 токенов; метаданные сообщают о 136,7 млн параметров. Для запуска требуется библиотека SetFit. Лицензия в предоставленных данных не указана.

sentence-transformers/nli-bert-large — модель Sentence-Transformers, разработанная командой sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу и кластеризации. Модель основана на BERT, имеет 433,9 млн параметров и принимает текст длиной до 512 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве получаемых эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Распространяется по лицензии Apache-2.0.

OlmoLogic 7B Think — англоязычная авторегрессионная языковая модель на базе Transformer, разработанная лабораторией Artificial Intelligence and Machine Learning Lab Технического университета Дармштадта. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo 3 и поддерживает контекст до 65 536 токенов. Она дообучена на базе allenai/Olmo-3-7B-Think-DPO методом GRPO с применением обучения с проверяемыми наградами и индуктивного логического программирования. Модель предназначена прежде всего для построения логических правил на Prolog и решения задач логического рассуждения. В обучении ответы для задач SLR проверялись исполнением Prolog-программ; также в смеси данных были задачи на математику, код и следование инструкциям. Разработчики сообщают о существенном улучшении результатов на SLR-Bench и приросте на отложенных логических тестах; на математике, коде и следовании инструкциям показатели, согласно карточке, сохранились на прежнем уровне. Это исследовательская разработка, пригодная для применения в задачах рассуждения, но качество может различаться между типами задач; длинные цепочки рассуждений требуют достаточного лимита генерируемых токенов. Модель распространяется по лицензии Apache 2.0.

varun-v-rao/opt-350m-fp-sick — это модель классификации текста, полученная дообучением OPT-350M от Meta AI на наборе данных SICK. Она предназначена для классификации текстовых примеров; на оценочной выборке указана точность 0,8545 и loss 0,4717. Модель содержит 454,1 млн параметров, использует архитектуру OPTForSequenceClassification и принимает последовательности длиной до 2048 токенов. Доступные веса представлены в формате safetensors. В метаданных указана лицензия other.

ParlBERT-Topic-German — модель классификации немецкоязычных парламентских интерпелляций по 20 темам из кодбука Comparative Agendas Project. Её разработчик дообучил доменно адаптированную GermanBERT, ранее настроенную на корпусе DeuParl, на примерно 10 тысячах вручную размеченных интерпелляций. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для определения темы парламентского запроса к правительству; пример в карточке относит текст о государственных инвестиционных расходах к макроэкономике. Она может быть полезна для тематической разметки и анализа немецких парламентских документов. Карточка сообщает об оценке на отложенной части данных, но не приводит полные результаты в доступном фрагменте. Качество может снижаться на темах и типах текстов, не представленных в обучающей выборке. Сведения о лицензии в предоставленных данных отсутствуют.

Модель Nhoseinnia/parsBERT_text_emotion_classification — классификатор эмоций в текстах на персидском языке, созданный на основе предварительно обученной ParsBERT. Это плотная модель семейства BERT с головой классификации последовательностей, содержащая 190 млн параметров и принимающая текст длиной до 512 токенов. Для обучения использовано 5 558 примеров из набора SeyedAli/Persian-Text-Emotion, для тестирования — 1 399 примеров с разметкой по шести классам эмоций. Модель предназначена для автоматической разметки эмоциональной окраски персидских текстов. Распространяется по лицензии MIT.

PARTYPRESS multilingual — модель классификации текстов на основе bert-base-multilingual-cased, дообученная исследователями PARTYPRESS на размеченных пресс-релизах политических партий. Она распределяет тексты по 23 областям политики из классификации Comparative Agendas Project и предназначена прежде всего для анализа тем, которые партии освещают в своих сообщениях. Модель обучена на 27 243 пресс-релизах 68 партий из девяти европейских стран; доступна классификация на немецком, датском, английском, нидерландском, польском, испанском и шведском языках. Это BERT-модель для классификации последовательностей с контекстом до 512 токенов и 205,1 млн параметров. В пятиблочной перекрёстной проверке авторы получили точность 69,52% и F1 66,77%, сопоставимые с результатами экспертных кодировщиков. Качество зависит от страны: в README указаны более высокие результаты для Ирландии и более низкие для Польши; различение некоторых близких тем, например экологии и энергетики, затруднено. Для других стран и контекстов авторы рекомендуют дополнительное дообучение. Лицензия — CC BY-SA 4.0.

patentClassificationLongFormer2 — дообученная модель классификации текста на основе allenai/longformer-large-4096. Она предназначена для отнесения длинных текстов к классам; название указывает на классификацию патентов, однако карточка не описывает набор классов и конкретный сценарий применения. Модель содержит около 454,1 млн параметров и рассчитана на контекст до 4098 токенов. В README приведены результаты на оценочной выборке: accuracy 0,6915 и F1 0,6830. Данные обучения обозначены как None, поэтому состав обучающей выборки и переносимость результатов на другие тексты установить нельзя. Модель распространяется в формате PyTorch; лицензия в предоставленных данных не указана.

Карточка модели nityaak/phi4-14b-stance-matrix-mtcsd-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/phi4-14b-stance-matrix-ezstance-qlora, поэтому описание составлено по ней. 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.

Карточка модели nityaak/phi4-14b-stance-matrix-semeval-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/phi4-14b-stance-matrix-ezstance-qlora, поэтому описание составлено по ней. 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.

PhilAI Embeddings v1.1 — модель эмбеддингов предложений на базе BERT-large-uncased, опубликованная dbourget. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель дообучена методом TSDAE на корпусе философских текстов из открытого архива PhilArchive.org и ориентирована на улавливание сходства между высказываниями с философской терминологией. Модель использует архитектуру BERT и принимает текст, выдавая векторные представления; максимальная длина контекста — 512 токенов. Автор сообщает о неформальных тестах, где модель показала результат лучше Ada3-large, но отмечает, что качество пока далеко от идеального. Лицензия в предоставленных данных не указана.

PhoBERT-VFQT-Cls — модель классификации вьетнамских финансовых вопросов, разработанная tiam4tt на основе PhoBERT-base-v2. Это энкодерный трансформер семейства RoBERTa с архитектурой RobertaForSequenceClassification и 162,4 млн параметров; модель дообучена для отнесения вопроса к одному из четырёх типов и принимает текст. Её можно использовать для маршрутизации вопросов к поиску фактов, суммаризации, проверке или сравнению, а также для анализа распределения типов вопросов в наборе данных. В тестировании автор сообщает accuracy 0,9486 и macro F1 0,9508. Модель рассчитана на вьетнамские финансовые вопросы. Она выдаёт ровно одну метку, поэтому не подходит для вопросов с несколькими намерениями; качество может снижаться на других стилях текста и темах. Автор также не рекомендует использовать её для невьетнамских текстов, входов, не являющихся вопросами, или в медицинских и юридических сценариях без дополнительной проверки. Контекст составляет 258 токенов. Лицензия — MIT.

Qwen2.5-7B-Comment-Sexuality-Reasoner — дообученная модель на базе Qwen/Qwen2.5-7B-Instruct, созданная для контекстной классификации комментариев в испаноязычных социальных сетях. Она получает текстовое описание изображения, тему публикации, сведения об авторе комментария и один или несколько комментариев, после чего для каждого комментария выдаёт метку «несексуализированный», «сексуализированный» или «нейтральный», краткое обоснование на испанском языке и оценки вероятности трёх классов. Модель учитывает контекст изображения и темы, а не только отдельные слова; обучение выполнено методом QDoRA с адаптером DoRA на 4-битной базовой модели. В репозитории указаны архитектура Qwen2, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для исследовательского анализа испаноязычных комментариев, разметки данных и изучения объяснений языковых моделей при модерации контента. В описанной оценке модель на 7B превзошла вариант на 32B по точности классификации и скорости, но результаты ограничены небольшим тестовым набором; особенно часто пропускается неявная сексуализация, а ложные метки «сексуализированный» могут быть чрезмерно уверенными. Качество описания изображения влияет на классификацию, а использование предполагаемого пола автора связано с перекосом ошибок. Выданные моделью вероятности не являются калиброванными статистическими вероятностями; для неоднозначных и значимых решений рекомендуется проверка человеком. Модель обозначена автором как исследовательская, не готовая к производственной модерации. Лицензия — Apache-2.0.

ReSB2-Base — энкодер ModernBERT на 306,9 млн параметров, созданный Lucas Lage как доменно-адаптированная версия jhu-clsp/mmBERT-base. Модель продолжительно предобучена с задачей Masked Language Modeling на датасете SB2 и предназначена для извлечения признаков из текста; полученные представления можно использовать в последующих NLP-задачах. Модель принимает текст и выдаёт векторные представления. Контекстное окно составляет 8192 токена. В метаданных указан английский язык. Распространяется в формате safetensors по лицензии Apache-2.0. Карточка не содержит подробностей об области SB2, оценках качества или конкретных прикладных сценариях, поэтому специализацию и сравнительную эффективность модели определить нельзя.

SEA-LION-BERT base — многоязычная модель-энкодер, разработанная Products Pillar в AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она основана на архитектуре MosaicBERT и предназначена для предсказания скрытых токенов; её можно использовать как основу для языковых задач и дообучать под конкретные сценарии. Размер модели — около 309,9 млн параметров, контекст — до 512 токенов, словарь токенизатора SEABPE содержит 256 тысяч единиц. Модель обучена на 790 млрд токенов и поддерживает английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки. Токенизатор использует SentencePiece и BPE. Лицензия MIT. Карточка не приводит сравнительных оценок качества; как энкодер для заполнения масок, модель сама по себе не предназначена для генерации длинных текстов.

Slop-Detector-v3 — англоязычный классификатор текста, созданный DrRiceIO7 на основе дообучения answerdotai/ModernBERT-base. Модель относит текст к одному из двух классов: «Likely Slop» или «Likely Not Slop», выявляя характерные признаки шаблонного, малосодержательного письма, например избитые метафоры, повторяющийся ритм и поверхностную образность. Модель обучали три эпохи на наборе данных DrRiceIO7/SlopReview v3; при обучении также принудительно переобозначили примеры с некоторыми ключевыми словами, пропущенные предыдущей версией. В метаданных указаны архитектура ModernBERT, 149 млн параметров и контекст до 8192 токенов; README сообщает об обучении с окном 1024 токена. Доступны веса в формате safetensors, лицензия Apache-2.0. Классификатор можно применять для предварительной проверки текстов на признаки низкокачественного шаблонного письма. Это экспериментальный инструмент распознавания паттернов: он может ошибочно помечать творческие человеческие тексты с распространёнными литературными приёмами и пропускать менее очевидные примеры такого письма; для важных решений на него полагаться не следует.

Smart MCQ DeBERTa — модель на базе DeBERTa-v3-base, дообученная для оценки пяти вариантов ответа на вопрос с выбором ответа. Она принимает вопрос вместе с каждым вариантом и ранжирует варианты, помогая выбрать наиболее подходящий. Модель содержит 211,6 млн параметров, имеет контекст длиной до 512 токенов и рассчитана на использование через Transformers с AutoModelForMultipleChoice. Модель подходит для автоматического выбора ответа в тестах, викторинах и других заданиях с пятью вариантами. Карточка не сообщает, на каких языках обучена модель и на каких наборах данных она проверялась; её применение следует ограничивать форматом и типом вопросов, на которых она была дообучена. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

STAR (Style Transformer for Authorship Representations) — модель для получения стилевых представлений текста, разработанная исследовательской группой AIDA-UPM. Она основана на архитектуре RoBERTa и предназначена для извлечения векторных эмбеддингов, отражающих особенности авторского стиля; в README показано использование выходного представления pooler_output. Модель содержит 454,1 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Эмбеддинги STAR можно использовать как признаки для сравнения текстов и задач анализа авторства. Карточка публикует веса PyTorch и демонстрирует загрузку токенизатора roberta-large. Лицензия и подробные сведения о поддерживаемых языках в предоставленных данных отсутствуют.