I.11Классификация, ранжирование и сопоставление

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.

TiC-CLIP-basic-sequential — модель Apple для сопоставления изображений и текста с классификацией изображений по текстовым меткам в режиме zero-shot. Она обучена на TiC-DataComp-Yearly с базовой фильтрацией: данные охватывают 2014–2022 годы и включают временные метки. Модель создана на основе модифицированного кода OpenCLIP; репозиторий содержит PyTorch-веса. Модель предназначена прежде всего для исследований непрерывного обучения и временной устойчивости моделей «изображение—текст». Её можно использовать как отправную точку для продолжения обучения на новых данных или для оценки на наборах TiC-DataComp и стандартных наборах DataComp. В карточке описан подход к продолжению обучения с повторным использованием старых данных, но конкретные размер модели и длина контекста для этого чекпойнта не приведены. Лицензия указана как other; README отсылает к файлу LICENSE за условиями использования. Чекпойнт ориентирован на исследовательские и оценочные сценарии, а результаты могут зависеть от данных и процедуры оценки; подробные ограничения модели в карточке не описаны.

Модель jpcorb20/toxic-detector-distilroberta — классификатор комментариев на токсичность, дообученный автором на базе DistilRoBERTa на наборе Kaggle Toxic Comments. Архитектура RoBERTa с примерно 95,2 млн параметров; модель принимает текст и предсказывает несколько меток одновременно: toxic, severe_toxic, obscene, threat, insult и identity_hate. Для интерпретации выходных логитов следует применять сигмоиду по каждой метке, а не softmax. Модель предназначена для выявления токсичных комментариев и отдельных видов оскорбительного содержания при модерации пользовательского текста. В README приведены F1-оценки: 0,72 для toxic и obscene, 0,69 для insult, 0,60 для identity_hate, 0,52 для threat и 0,38 для severe_toxic; Macro-F1 составляет 0,61. Контекст — до 514 токенов. Лицензия в предоставленных данных не указана.

charisgao/wnc-pretrain — дообученная модель классификации текста на базе RoBERTa-base, опубликованная под лицензией MIT. Она использует архитектуру RobertaForSequenceClassification, содержит около 151,8 млн параметров и рассчитана на последовательности длиной до 514 токенов. В README приведены результаты оценки: F1 0,6211, точность 0,6354, precision 0,6385 и recall 0,6046. Модель предназначена для классификации текстовых последовательностей. README не описывает набор меток, обучающие данные или конкретную прикладную область, поэтому применимость к определённым типам классификации оценить нельзя.

Это модель Sentence Transformers, разработанная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для извлечения эмбеддингов и задач семантического сходства; репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и не рекомендуют её использовать.

Sami92/XLM-R-Large-ClaimDetection — дообученная модель XLM-R Large от автора Sami92 для классификации предложений как содержащих фактическое утверждение или не содержащих его. Она предназначена для этапа отбора утверждений в системах автоматической проверки фактов и анализа публикаций в социальных сетях. Модель имеет архитектуру XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст с контекстом до 514 токенов. Обучение проходило в два этапа: сначала на немецкоязычных сообщениях Telegram со слабыми метками, созданными GPT-4o, затем на данных Risch et al. 2021. На тесте из 149 размеченных Telegram-публикаций модель получила точность 0,90; на тестовой части набора Risch et al. 2021, состоящей из комментариев Facebook, — 0,79. Хотя базовая архитектура многоязычная, проверена модель только на немецком языке, поэтому качество для других языков не установлено. Распространяется по лицензии CC BY 4.0.

Sami92/XLM-R-Large-Disinfo-Narrative-Classifier — модель на базе XLM-R Large, дообученная для классификации текстов, поддерживающих распространённые нарративы дезинформации. Она предназначена для автоматизированного анализа утверждений и публикаций в контексте фактчекинга. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. Обучающие данные на немецком языке объединяют синтетические примеры и публикации из Telegram со слабой разметкой, подготовленной с помощью GPT-4o. В карточке приведены результаты проверки на текстах из публикаций немецких фактчекинговых организаций. Хотя базовая архитектура многоязычная, работу модели на других языках не проверяли, а тестовый набор несбалансирован и включает не все классы. Модель опубликована под лицензией CC BY 4.0.

jalaluddin94/xlmr-large-nli-indoindo — модель классификации текста на базе XLM-RoBERTa Large, дообученная разработчиком на неизвестном наборе данных. Она содержит 658,7 млн параметров, принимает текстовые последовательности длиной до 514 токенов и предназначена для классификации текста. На оценочном наборе указаны accuracy, precision и recall 0,8584, а F1 — 0,8585. Название репозитория указывает на NLI и индонезийский язык, однако карточка не уточняет обучающие данные, метки классов и сценарии использования, поэтому эти детали нельзя подтвердить. Модель распространяется по лицензии MIT.

Davlan/xlm-roberta-base-finetuned-yoruba — модель Davlan, полученная дообучением xlm-roberta-base на текстах на языке йоруба. Это плотная трансформерная архитектура XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов; репозиторий содержит веса PyTorch. Модель предназначена для предсказания скрытых токенов, а также может применяться для классификации текста и распознавания именованных сущностей на йоруба. В обучении использовались тексты Библии, JW300, Menyo-20k, Wikipedia и новостных источников на йоруба, а также другие корпуса. В оценке на MasakhaNER модель показала F1 83,66 против 77,58 у XLM-R. Результаты могут хуже переноситься на другие области: обучающие данные для распознавания сущностей включали размеченные новостные статьи определённого периода. Лицензия в предоставленных данных не приведена.

ActivityLevelbinary — модель классификации текста на основе DeBERTa-v3-base, дообученная разработчиком ajrayman для бинарной классификации уровня активности. Архитектура содержит около 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс классификации. Модель предназначена для применения в сценариях, где нужно отнести текст к одной из двух категорий уровня активности. На оценочном наборе указаны accuracy 0,6102, precision 0,588, recall 0,7332, F1 0,6526 и AUC 0,6674. Данные обучения в карточке обозначены как None, поэтому переносимость метрик на другие данные не установлена. Лицензия — MIT.

CMB-ClimateModernBERT/A_F_CX_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная авторами проекта ClimateModernBERT. Это masked language model на 149 млн параметров, полученная продолжением предобучения answerdotai/ModernBERT-base на объединённом корпусе академических публикаций и климатических веб-текстов. Контекст модели составляет до 8192 токенов. Модель предназначена для заполнения пропусков и как основа для дообучения в задачах классификации и многометочной разметки климатических текстов, а также поиска по научной литературе, корпоративной отчётности, документам политики и климатическим новостям. В статье сообщается средний F1 74,7 на девяти климатических NLP-бенчмарках; оценка проведена с тремя начальными значениями для дообучения. Репозиторий содержит перепубликованные веса sraj/CMB_FWEdu_V2_FastTxt_MARK_CX_LRD. Модель рассчитана только на английский язык и не является диалоговой или инструкционной: она не даёт гарантированных фактических ответов. Оценка сосредоточена на задачах уровня предложения и фрагмента текста, поэтому способность обрабатывать длинный контекст изучена ограниченно. Лицензия в предоставленных данных не указана.

jacoballessio/ai-image-detect-distilled — модель классификации изображений, разработанная для распознавания изображений, созданных генеративными моделями, и отличия их от реальных фотографий. Это компактная модель на базе Vision Transformer (ViT), обученная дистилляцией трёх моделей, распознававших изображения Midjourney, Stable Diffusion и его дообученных версий. В метаданных указано 18,9 млн параметров; в README указано 11,8 млн, поэтому размер модели описан без точного числа. Для обучения использовались изображения из Google Open Images, наборы Midjourney и Stable Diffusion, а также пары реальных и сгенерированных изображений, подобранные по сходным описаниям BLIP. Модель предназначена для проверки происхождения изображений и первичной фильтрации контента, который может быть создан ИИ. По данным карточки, точность составила 74% на валидационном наборе и 72% на пользовательском наборе реальных изображений; качество может снижаться на изображениях, отличающихся от обучающих данных или созданных новыми генераторами. Распространяется по лицензии MIT.

Sukanyan/albert_albert-base-v2 — дообученная модель классификации последовательностей на базе albert/albert-base-v2, созданной командой Google Research. Она предназначена для классификации текстовых последовательностей; конкретные классы, тематика и обучающий набор в карточке не раскрыты. Модель содержит 136,3 млн параметров, использует архитектуру ALBERT и принимает текст длиной до 512 токенов. На тестовой выборке указаны accuracy 0,4479 и loss 1,3806, поэтому качество для практической задачи следует оценивать отдельно на подходящих данных. Базовая ALBERT ориентирована на английский язык; карточка не уточняет языковой состав дообучающей выборки. Модель распространяется по лицензии Apache-2.0.

ALIA MrBERT Spanish Biomedical Embeddings — разработанная исследовательской группой SINAI Университета Хаэна модель-биэнкодер для семантического поиска по испанским биомедицинским и медицинским текстам. Она создана дообучением двуязычной модели MrBERT-es на специализированных данных с помощью curriculum learning и подбора сложных негативных примеров. Модель построена на ModernBERT с mean pooling и содержит около 149,6 млн параметров. Она преобразует текстовые запросы и документы в эмбеддинги для поиска и оценки семантического сходства; заявленная длина контекста — до 8192 токенов. Базовая модель поддерживает испанский и английский, а специализация этой версии — испанские биомедицинские тексты. Это proof of concept для извлечения информации в испанской биомедицинской области. Качество следует проверять по официальным клиническим источникам и с участием специалистов; возможны ошибки на текстах вне предметной области и на специально сконструированных входах. Лицензия — Apache-2.0.

AraELECTRA-base-discriminator — арабоязычная модель семейства ELECTRA, разработанная AUB Mind Lab для понимания арабского текста. Это дискриминатор, предварительно обученный отличать исходные токены от заменённых генератором; его можно дообучать для задач понимания языка. В карточке заявлены результаты уровня state of the art на наборе данных для арабских вопросов и ответов. Модель содержит 162,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Для предобработки текста авторы рекомендуют ArabertPreprocessor из пакета arabert. Модель рассчитана на арабский язык. Это базовый дискриминатор для языкового понимания, а не универсальная генеративная чат-модель. Для практических задач, таких как классификация или ответы на вопросы, может потребоваться дообучение и соответствующая модельная голова. Лицензия в предоставленных данных не указана.

Это модель классификации последовательностей на основе bert-base-uncased, дообученная Ёситомо Мацубарой на наборе MNLI с использованием torchdistill и библиотек Hugging Face. Она предназначена для классификации текстовых пар, в частности для определения отношений между посылкой и гипотезой в задаче естественного вывода на естественном языке. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и рассчитана на английский язык. Автор сообщает, что конфигурация обучения основана на примерах Hugging Face и статье BERT, а итоговый общий балл на бенчмарке GLUE составил 77,9. Модель распространяется по лицензии Apache-2.0. Результат GLUE характеризует оценку автора и не гарантирует качество на других данных или задачах.

Модель ihebmbarek/bert-finetuned-imdb — дообученная версия BERT-base-uncased для классификации текста. По названию репозитория она предназначена для классификации отзывов о фильмах, однако README не описывает метки классов, обучающие данные и сценарии применения. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. В README приведено значение loss 0,0009 на оценочном наборе, но без сведений о наборе данных и методике оценки этот результат нельзя интерпретировать как надёжную оценку качества.

tohoku-nlp/bert-large-japanese — японская языковая модель BERT, разработанная группой Tohoku NLP и предварительно обученная на японской Википедии. Она предназначена для заполнения пропусков и других задач, основанных на контекстных представлениях текста. Модель имеет 24 слоя, размер скрытых состояний 1024 и 16 голов внимания; число параметров — 436,2 млн. Текст сначала сегментируется морфологически с использованием словаря Unidic 2.1.2, затем разбивается на подслова WordPiece. Словарь содержит 32 768 единиц, контекст — до 512 токенов. При обучении задачи masked language modeling использовалось маскирование целых слов. Доступны версии весов PyTorch, TensorFlow и Flax. Модель обучена на японской Википедии, поэтому лучше всего подходит для японского текста общего характера. Для использования с языками и предметными областями, отличными от обучающих данных, качество не гарантируется. Лицензия — CC BY-SA 4.0.

prajjwal1/bert-tiny-mnli — компактная модель классификации текста на архитектуре BERT, опубликованная Prajjwal Bhargava. Вариант BERT был преобразован из контрольной точки TensorFlow из официального репозитория Google BERT, а затем обучен на MNLI в течение четырёх эпох; в репозитории представлены веса PyTorch и Flax. Модель содержит около 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для классификации текста, в частности для задач вывода по естественному языку (NLI), где требуется оценить связь между посылкой и гипотезой. Компактный размер делает её подходящей для экспериментов и сценариев, где важны небольшие вычислительные затраты. Лицензия в предоставленных данных не указана.

YoliGuadir/beto-sarcasmo — испаноязычная модель классификации текста, разработанная как дообучение BETO на наборе Sarcastic_spanish_dataset. Она определяет, содержит ли текст сарказм, и относит его к классу SARCASMO или NO_SARCASMO. Модель построена на архитектуре BERT и содержит 137,1 млн параметров; максимальная длина контекста — 512 токенов. Модель подходит для анализа коротких испаноязычных сообщений и высказываний, например для автоматической разметки текстов с сарказмом. В README приведены результаты наилучшего варианта: F1-macro 0,9212 и accuracy 0,93. Эти показатели относятся к описанным в карточке экспериментам и не гарантируют такого же качества на других данных. Модель распространяется в формате safetensors; лицензия в предоставленных источниках не указана.

ValentinaKim/bge-base-automobile-matryoshka — англоязычная Sentence Transformer-модель, дообученная на базе intfloat/e5-base для получения эмбеддингов автомобильной тематики. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать по косинусному сходству для семантического поиска, поиска похожих фрагментов, кластеризации и классификации текста. Архитектура включает BERT, усреднение токенных представлений и нормализацию; контекст ограничен 512 токенами. Модель обучалась с MatryoshkaLoss и поддерживает укороченные векторы размерностью 512, 256, 128 и 64, позволяя выбирать компромисс между размером представления и качеством поиска. В карточке приведены результаты поиска по небольшому набору из 63 обучающих примеров; они не гарантируют качество на других данных. Несмотря на указание английского языка в описании и метаданных, примеры обучающих данных написаны на корейском, поэтому фактическое языковое покрытие требует проверки. Лицензия — Apache-2.0.

IslamQA/bge-m3-finetuned — многоязычная модель эмбеддингов, дообученная для поиска фрагментов, отвечающих на вопросы об исламе. Она основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Модель обучалась на 180 тысячах многоязычных вопросов и ответов об исламе с использованием подбора сложных негативных примеров; в данных встречаются цитаты из Корана и хадисов, а также характерные вступления и стили письма. Модель предназначена для преобразования запросов и текстовых фрагментов в эмбеддинги, чтобы находить релевантные ответы в многоязычных исламских материалах. Она поддерживает контекст до 8194 токенов и может использоваться в семантическом поиске и системах вопросов и ответов по исламским текстам. Доступны веса в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

BioCLIP-2 — биологическая vision-language модель на архитектуре OpenCLIP ViT-L/14. Репозиторий eugenehp/bioclip-2 содержит staging-перераспределение upstream-чекпойнта для запуска через RLX. Модель предназначена для классификации изображений по заданным текстовым меткам без дообучения: пользователь передаёт фотографию и список категорий, а модель сопоставляет изображение с текстовыми описаниями. В репозитории доступны веса safetensors и версия GGUF F16, а также файлы токенизатора. Указана лицензия MIT. README рекомендует использовать поддерживаемый путь загрузки RLX и предупреждает, что файлы могут присутствовать по историческим причинам.

Модель buddhist-nlp/buddhist-sentence-similarity — модель для получения векторных представлений предложений, разработанная на основе LaBSE. Она предназначена для оценки сходства предложений при поиске информации и для выравнивания параллельных текстов. Модель поддерживает тибетский, буддийский китайский, санскрит в транслитерации IAST и пали в транслитерации IAST. Архитектура — BERT; размер составляет 498,1 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. Распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

CentralBankRoBERTa-agent-classifier — модель классификации текста на базе RoBERTa, разработанная Moritz Pfeifer и дообученная для анализа коммуникаций центральных банков. Она определяет, к какому из пяти макроэкономических агентов относится текст: домохозяйствам, компаниям, финансовому сектору, правительству или самому центральному банку. Модель предназначена для категоризации высказываний в сообщениях и публикациях центральных банков. Модель содержит 151,8 млн параметров, принимает текстовые входы с контекстом до 514 токенов и выдаёт метку класса. В карточке заявлены accuracy, F1, precision и recall на уровне 0,93; результат может зависеть от данных и условий применения. Репозиторий использует формат PyTorch и лицензию MIT. README также упоминает отдельный бинарный классификатор тональности, однако метаданные и идентификатор данного репозитория описывают классификатор агентов; наличие классификатора тональности в этом чекпойнте не подтверждено.

combined-raw-scratch — модель классификации текста, дообученная на базе roberta-base. Она предназначена для присвоения тексту классов; набор меток и область применения не описаны. Архитектура — RoBERTa для классификации последовательностей, размер — 17,1 млн параметров, длина контекста — 132 токена. Модель опубликована в формате safetensors и доступна по лицензии MIT. В README приведены результаты оценки: accuracy 0,6704 и macro-F1 0,6712 при loss 1,1006. Данных о наборе обучения, классах и целевых языках нет, поэтому результаты нельзя интерпретировать для конкретного сценария или языка.

Cooperation_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base с помощью Transformers. В метаданных указана архитектура DeBERTa v2 для классификации последовательностей, 211,6 млн параметров и контекст до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для бинарной классификации текста; конкретные классы и область применения в карточке не описаны. На оценочной выборке указаны accuracy 0,7086, precision 0,7239, recall 0,6733, F1 0,6977 и AUC 0,7864. Датасет обозначен как None, поэтому эти результаты не позволяют судить о пригодности модели для конкретного сценария. Лицензия — MIT.

COPA KUCI e-care BERT Base Uncased Finetuned — модель BERT, дообученная Ariffiq99 на основе Ariffiq99/KUCI_e_care_Bert_Based_Uncased_Finetuned для выбора правильного ответа из нескольких вариантов. Она предназначена для задач multiple-choice; в карточке приведены результаты оценки: loss 0,7119 и F1 0,7627. Модель содержит 136,7 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Лицензия — Apache-2.0.

LBFLarry/distilbert-base-uncased-finetuned-adl_hw1 — модель классификации последовательностей на базе DistilBERT, дообученная на неизвестном наборе данных. В карточке указаны результаты оценки: loss 0,1960 и accuracy 0,9613, однако описание классов и методики оценки отсутствует. Модель предназначена для классификации текста. Она построена на архитектуре DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Языковая специализация и прикладная область по карточке не установлены. Модель распространяется под лицензией Apache-2.0. Результаты оценки приведены без сведений о наборе данных, разбиении и метриках помимо loss и accuracy, поэтому переносимость качества на другие данные оценить нельзя.

EditLens-Qwen3-0.6B — модель классификации текста, разработанная Reneeice для оценки степени его редактирования с помощью ИИ. Вместо бинарного вердикта она относит текст к одной из четырёх категорий — от человеческого до полностью сгенерированного — и сводит вероятности категорий к непрерывной оценке от 0 до 1. Модель основана на плотной архитектуре Qwen3 и содержит около 508 млн параметров. Для дообучения применялась QLoRA; модель принимает текст и выдаёт оценку и вероятности классов. Контекст — до 32 768 токенов. Модель предназначена для редакторской проверки, анализа академической добросовестности, аудита происхождения контента, отбора данных и модерации, когда важно оценить масштаб участия ИИ. В карточке приведены результаты на тестовой выборке, включая корреляцию оценки со степенью редактирования. Модель ориентирована на английский язык; короткие фрагменты могут давать менее надёжные оценки, а смена предметной области и намеренный парафраз способны снизить точность. Оценка не устанавливает намерение автора и должна рассматриваться как сигнал, а не окончательный вывод. Лицензия — Apache-2.0.