I.11Классификация, ранжирование и сопоставление

HassanB4/t1_s6_arabert_msa_text_target — классификатор тональности позиции в арабских сообщениях, подготовленный для трека Seen Targets соревнования StanceEval-2026. Модель принимает арабский твит вместе с целевой темой и относит позицию автора к одному из трёх классов: Favor (поддерживает тему), Against (выступает против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Она дообучена на aubmindlab/bert-large-arabertv02 и использует архитектуру BERT для классификации последовательностей; число параметров — 468,2 млн, контекст — до 512 токенов. Модель предназначена для анализа арабских публикаций о заранее встречавшихся в обучении темах, в частности о вакцинах от COVID-19, цифровой трансформации и расширении прав и возможностей женщин. На dev-наборе Mawqif-v2 указана оценка 76,53 Favg2. Модель ориентирована на арабский язык. Распространяется по лицензии Apache-2.0. Результаты относятся к заданному набору тем и не подтверждают качество на новых темах или за пределами описанного сценария.

HassanB4/t1_s7_xlmr_text_target — классификатор арабской тональности по отношению к заданной теме, созданный для Track 1 (Seen Targets) соревнования StanceEval-2026 в рамках ArabicNLP 2026. На вход модель получает арабский твит и целевую тему, а на выходе относит позицию автора к одному из классов: поддержка, противодействие или нейтральное, нерелевантное либо неясное отношение. Модель представляет собой дообученную XLM-RoBERTa large с архитектурой XLMRobertaForSequenceClassification и 658,7 млн параметров. Контекст составляет 514 токенов. Она обучалась на наборе Mawqif-v2 и рассчитана на известные при обучении темы: вакцины от COVID-19, цифровую трансформацию и расширение прав и возможностей женщин. На отладочной выборке указана метрика Favg2 77,90. Модель распространяется под лицензией Apache-2.0.

mateiaassAI/teacher_sst2 — дообученная для классификации текста модель на базе румынского BERT dumitrescustefan/bert-base-romanian-cased-v1. Она использует архитектуру BERT с классификационной головой; размер составляет 151,6 млн параметров, контекст — до 512 токенов. Модель предназначена для отнесения текстов к классам, однако README не раскрывает набор меток и конкретный сценарий классификации. В карточке указаны результаты оценки: F1 0,8648, ROC AUC 0,8646 и точность 0,8635. Данные обучения не названы, поэтому эти показатели не позволяют судить о качестве на конкретной прикладной задаче. Модель распространяется под лицензией MIT.

TybyrIA v2.1 — классификатор текста, разработанный правозащитной организацией Código Não Binário для выявления признаков анти-ЛГБТКИА+-языка в бразильском португальском. Модель на основе BERT/Tupi-BERT дообучена для классификации текстов как враждебных или невраждебных в контексте анти-ЛГБТКИА+-насилия. Модель предназначена для исследовательской работы, документирования насилия и первичной сортировки больших массивов текста с последующей проверкой человеком. Это ранняя публичная версия, помеченная авторами как устаревшая: актуальная версия — v2.2. Она содержит 136,1 млн параметров и обрабатывает последовательности длиной до 512 токенов. Поддерживаемый язык — португальский, прежде всего бразильский вариант. Весовые файлы опубликованы в формате safetensors. Классификатор помогает находить тексты для проверки, но не предназначен для автоматической блокировки, удаления контента, наказания или оценки людей. Его выходы требуют человеческой проверки. Лицензия весов — MIT; данные обучения опубликованы отдельно под CC-BY-NC-SA-4.0.

Kuongan/xlm-roberta-base-esp-finetuned — дообученная модель классификации текста на базе XLM-RoBERTa Base, опубликованная Kuongan. В метаданных указаны архитектура XLMRobertaForSequenceClassification, 305,2 млн параметров, формат safetensors и контекст до 514 токенов. Модель предназначена для присвоения меток текстовым последовательностям; конкретная схема меток и целевая область применения не описаны. В карточке приведены результаты оценки: F1 0,7715, ROC AUC 0,8559, accuracy 0,6033 и loss 0,3345. README называет датасет обучения None, поэтому эти показатели не позволяют определить тип классификации или оценить переносимость на другие данные. Лицензия — MIT.

Модель thealper2/xlm-roberta-base-text-geolocation разработана на основе FacebookAI/xlm-roberta-base, дообученной для классификации коротких сообщений из социальных сетей по 123 географическим регионам. Она принимает только текст и выдаёт метку региона c_0–c_122 с распределением вероятностей; координаты модель не предсказывает. Архитектура — XLM-RoBERTa с линейной классификационной головой, около 305,2 млн параметров и контекстом до 514 токенов. Модель предназначена для приблизительной оценки региона происхождения сообщения по текстовым признакам, включая упоминания мест, хештеги и эмодзи. Обучающая выборка состоит из сбалансированных постов Twitter 2021 года; модель многоязычная, но конкретные поддерживаемые языки и основной язык не перечислены. На тестовой выборке точность top-1 составила 24,34%, а top-5 — 56,12%; для сравнения, TF-IDF с логистической регрессией показал 27,35% top-1. Модель выпущена под лицензией MIT. Метки регионов являются безымянными кластерами датасета, а качество зависит от наличия географических сигналов в тексте; перенос на другие платформы и периоды не оценивался.

Модель Jzuluaga/accent-id-commonaccent_xlsr-en-english предназначена для определения английского акцента по короткой аудиозаписи. Её разработчики обучили систему на данных CommonAccent и Common Voice; в основе лежит дообученная XLSR-модель с статистическим pooling и классификатором на NLL Loss. Реализация использует SpeechBrain и PyTorch. Модель различает 16 акцентов английского языка: американский, английский, австралийский, индийский, канадский и другие, включая акценты из Бермуд, Шотландии, Малайзии и Гонконга. Ожидаемый аудиоформат при обучении — моно, 16 кГц; при вызове classify_file аудио автоматически приводится к нужному формату. Для ручной обработки через encode_batch и classify_batch входной сигнал должен соответствовать этим требованиям. Авторы сообщают об accuracy до 95% для классификации английских акцентов, однако не гарантируют аналогичную работу на других наборах данных. Лицензия — MIT.

Harvinder6766/ams_non_ams_classifier — модель классификации текста на базе BERT, опубликованная пользователем Harvinder6766. По названию репозитория она предназначена для определения, относится ли текст к категории AMS или non-AMS. Метаданные указывают на архитектуру BertForSequenceClassification, около 136,7 млн параметров, библиотеку Transformers и контекст до 512 токенов. Подтверждена задача text-classification; сведения о точных классах, обучающих данных, поддерживаемых языках и качестве модели в доступных источниках не установлены. Лицензия в предоставленных метаданных не указана. По имеющимся данным модель можно рассматривать как классификатор текста для автоматической разметки по AMS/non-AMS, но область применения требует проверки по карточке или примерам модели.

athene-noctua-13b — авторегрессионная языковая модель, созданная ibivibiv на архитектуре Llama 2 и дообученная для логических задач и рассуждений. Модель предназначена для упражнений по планированию, решения логических головоломок, тестов ARC и задач на критическое мышление. Она принимает текстовые инструкции в шаблоне Alpaca и генерирует текстовый ответ. Модель содержит 12,9 млрд параметров, использует архитектуру Llama с плотной сетью и поддерживает контекст до 4096 токенов. Основной язык — английский. Автор отмечает хорошие результаты на логических тестах для модели такого размера, но указывает, что сложные логические задачи всё ещё могут быть ей не по силам. Лицензия — Llama 2 Community License.

Это модель классификации изображений, созданная Hrishikesh332 с помощью AutoTrain на архитектуре Swin. Она различает два класса: мем и не мем. Для обучения использован набор из 222 изображений мемов и 108 изображений других типов, включая спортивные изображения, документы и изображения с текстом. Модель предназначена для фильтрации мемов в потоках изображений из социальных сетей и первичной модерации контента. Модель содержит 58,7 млн параметров и доступна в формате PyTorch. В карточке приведены высокие метрики на валидационной выборке, однако её размер и состав ограничены, поэтому эти результаты не гарантируют такую же точность на новых источниках и типах изображений. Анализ тональности, сарказма, оскорбительности или насилия не заявлен. Лицензия в доступных данных не указана.

BantuBERTa — модель RoBERTa для работы с текстами на языках банту, разработанная Jesse Parvess, Vukosi Marivate и Verrah Akinyi. Она обучена на многоязычном корпусе, собранном преимущественно из веб-текстов CC100 и mC4, а также данных OPUS-100. Модель содержит 129,3 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Основной сценарий — предсказание замаскированных токенов; модель также можно дообучать для классификации текстов и распознавания именованных сущностей. В исследовании BantuBERTa уступала XLM-R, mBERT и AfriBERTa в тестах MasakhaNER для суахили, луганда и киньяруанда, но показала сильные результаты классификации новостных тем для зулу и лингала. Авторы связывают слабые результаты NER с меньшим размером и качеством предобучающего корпуса. Лицензия — CC BY 4.0.

BanglaBERT Toxicity Classifier — модель классификации текста на базе ELECTRA, разработанная Polygl0t для оценки токсичности текста на бенгальском языке. Она обучена на наборе Polygl0t/bengali-toxicity-qwen-annotations: к csebuetnlp/banglabert_generator добавлена классификационная голова с одним регрессионным выходом, а веса базовой модели заморожены. Модель содержит 20,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для определения уровня токсичности бенгальских текстовых сообщений, например для первичной модерации пользовательского контента. В карточке приведены метрики: macro F1 0,6132 и accuracy 0,7768, поэтому результаты классификации могут требовать проверки и не должны трактоваться как безошибочные. Лицензия указана как other; конкретные условия использования по предоставленным данным определить нельзя.

dkleczek/bert-base-polish-uncased-v1 — uncased польская языковая модель BERT, созданная Дареком Клечеком (Darek Kłeczek). Она предназначена для заполнения замаскированных фрагментов текста и дальнейшего дообучения для задач понимания польского языка. Модель основана на архитектуре BERT с 12 слоями, размерностью скрытого состояния 768 и 12 головами внимания; метаданные указывают 159,3 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и Flax. Модель обучалась на польских текстах из Open Subtitles, ParaCrawl и Польского парламентского корпуса. Автор отмечает, что в uncased-варианте некоторые польские символы и диакритические знаки могут некорректно обрабатываться токенизатором после приведения к нижнему регистру; это может особенно влиять на классификацию токенов. Обучающий корпус Open Subtitles также содержал много дубликатов, а обучение не использовало Whole Word Masking. Автор рекомендует cased-вариант. В карточке не указана лицензия.

Это модель классификации текста на основе BERT, разработанная Сеймой Сарыгил. Она относит турецкий текст к одной из пяти категорий: оскорбления, прочее, ненормативная лексика, расистские высказывания и сексистские высказывания. Модель подходит для модерации пользовательских сообщений и анализа токсичного или дискриминационного контента. Модель содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метку класса с оценкой. В README приведены метрики на тестировании: точность 0,956 и F1 0,956; результаты могут отличаться на данных из других источников и жанров. Модель обучалась на датасете nanelimon/insult-dataset и распространяется по лицензии MIT.

Это англоязычная модель классификации текста на базе BERT, опубликованная организацией Hate-speech-CNERG. Она относит текст к одной из трёх категорий: hate speech, оскорбительный или нормальный. Модель обучена на данных Gab и Twitter; при обучении использовались человеческие обоснования разметки, чтобы улучшить качество обнаружения языка ненависти. Модель предназначена для автоматической модерации и анализа публикаций и сообщений на английском языке. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров; максимальный контекст составляет 512 токенов. Доступны версии весов PyTorch и Flax. Карточка не приводит количественных оценок качества или подробностей о том, как модель выделяет обоснования в предсказаниях. Результаты классификации следует проверять с учётом контекста и возможных ошибок при различении оскорблений и языка ненависти. Лицензия — Apache-2.0.

irfanamal/bert_multiple_choice — модель BERT, дообученная автором репозитория на базе bert-base-uncased для выбора правильного варианта из нескольких предложенных. Она предназначена для задач с вопросом и набором вариантов ответа. Модель содержит 136,7 млн параметров, работает с текстом и принимает последовательности длиной до 512 токенов. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. В README приведены результаты оценки: loss 1,4499 и accuracy 0,535. Датасет обучения указан как None, поэтому по карточке нельзя определить предметную область и надёжность результатов для конкретного набора вопросов.

dmis-lab/biobert-base-cased-v1.1-mnli — модель классификации текста, разработанная DMIS-Lab при Корейском университете. Это версия BioBERT-Base v1.1, дообученная на наборе MNLI для классификации отношений между текстовыми фрагментами, включая вывод о том, следует ли одна фраза из другой. Архитектура — BERT для последовательностной классификации; модель содержит 135,5 млн параметров и рассчитана на последовательности длиной до 512 токенов. BioBERT основана на BERT-base-cased и адаптирована к биомедицинскому тексту посредством предварительного обучения на научных публикациях PubMed. Модель принимает текст и выдаёт метки классов. Её можно применять для классификации пар фраз в биомедицинском контексте; она не предназначена для генерации текста. Доступна в формате PyTorch. Лицензия этой конкретной версии в доступных источниках не подтверждена.

climatebert-bin — англоязычная модель классификации текста, разработанная на основе climatebert/distilroberta-base-climate-f и дообученная для классификации последовательностей. Модель построена на архитектуре DistilRoBERTa/RoBERTa, содержит 95,4 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для присвоения текстам классов в задачах, связанных с климатической тематикой. В карточке приведены результаты на тестовой выборке: F1 Macro 0,9156 и accuracy 0,9224. Датасет, метки классов и подробные сценарии использования не описаны, поэтому область применения классификации нельзя уточнить. Модель распространяется по лицензии Apache-2.0.

datgacon/cuad-cross-encoder-v11 — модель reranking для поиска и повторного ранжирования договорных фрагментов по запросам на естественном языке в задачах анализа контрактов. Она разработана datgacon на основе cross-encoder/ms-marco-MiniLM-L-6-v2 и дообучена на данных CUAD, ACCORD, LEDGAR, ContractNLI, выдержках контрактов из EDGAR и синтетических примерах. Модель ориентирована на англоязычные коммерческие договоры и предназначена прежде всего для сценариев contract review, включая поиск положений о совместных предприятиях, интеллектуальной собственности, запрете конкуренции и непереманивании, а также конфиденциальности и NDA. Она не предназначена для общего поиска документов, нелегальных доменов или использования в качестве самостоятельного юридического консультанта. Архитектура — cross-encoder на базе BERT-подобной модели MiniLM; модель оценивает пары «запрос — фрагмент» и возвращает оценку релевантности для последующего ранжирования. Максимальная длина последовательности составляет 512 токенов. Доступна версия ONNX INT8, оптимизированная для инференса в браузере и на периферийных устройствах через ONNX Runtime Web, а также использование через sentence-transformers на PyTorch. Обучение выполнено на примерно 72 101 тренировочной и 5 612 валидационных тройках. На закрытом наборе из 16 контрактов модель показала от 37 до 47% полностью успешных результатов в зависимости от домена, но часто возвращала частично корректные результаты, поэтому требует проверки человеком и не заменяет юридическую экспертизу. Модель распространяется по лицензии Apache-2.0.

Это модель классификации текстовых последовательностей на базе DeBERTa-v3-large, опубликованная пользователем yimingzhang на Hugging Face. По названию она предназначена для оценки сходства сгенерированного текста, однако карточка модели не описывает эту задачу и не раскрывает обучающие данные или схему меток. Архитектура — DeBERTa-v2 для классификации последовательностей; размер составляет около 533,8 млн параметров, максимальная длина входа — 512 токенов. Модель использует текстовый ввод и выдаёт результаты классификации. В конфигурации указан базовый путь microsoft/deberta-v3-large. Карточка не сообщает сведения о лицензии и не подтверждает языковой охват. Использование возможно через Transformers; качество для конкретных данных и сценариев карточкой не установлено.

ecareCRABCOPAKUCIxlmrobertalargefinetuned — модель XLM-RoBERTa Large, дообученная Ariffiq99 на основе Ariffiq99/CRAB_COPA_KUCI_xlm_roberta_base_finetuned для задач с выбором одного варианта из нескольких. Она принимает текстовые варианты и оценивает их в рамках такого задания. В карточке приведены результаты на оценочной выборке: loss 0,6612 и F1 0,7191; назначение датасета и подробности обучения не описаны. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и распространяется по лицензии MIT.

IDEA-CCNL разработала Erlangshen-DeBERTa-v2-186M-Chinese-SentencePiece — китайскую модель DeBERTa-v2 для понимания естественного языка. Она предварительно обучена на корпусе WuDao объёмом 180 ГБ и использует токенизацию SentencePiece со словарём примерно на 128 тысяч токенов. В метаданных указаны 211,6 млн параметров, контекст до 512 токенов и архитектура DebertaV2ForMaskedLM; модель доступна в форматах PyTorch и safetensors. Модель предсказывает замаскированные фрагменты текста и может использоваться для заполнения пропусков и как основа для задач понимания китайского языка. В README приведены результаты на dev-наборах OCNLI и CMNLI: 0,7625 и 0,8100 соответственно, выше указанных в сравнении результатов RoBERTa-base. Лицензия Apache-2.0. Указанные результаты относятся к конкретным наборам и не гарантируют качество на других данных.

jerteh-355 — языковая модель Mihailo Škorić, созданная при участии JeRTeh; вычисления выполнялись на факультете горного дела и геологии. Это плотная модель RoBERTa-large для сербского языка с 453 млн параметров по метаданным. Она обучалась на сербских текстовых корпусах объёмом около 4 млрд токенов, включая CC-100, SrpWiki, SrpELTeC, srwac, SrpKor2013, SrpKor2021 и PDRS 1.0. Модель предназначена для предсказания пропущенных слов в тексте и векторизации слов. Поддерживает ввод на кириллице и латинице; контекст составляет 514 токенов. Доступна в форматах PyTorch и safetensors. Лицензия — CC BY-SA 4.0. Это маскированная языковая модель, поэтому она не предназначена для свободной генерации длинных текстов или диалога; в README также отмечено, что для более быстрой работы существует меньшая модель jer­teh-81.

Jonrewardstage1epipoint1 — дообученная модель на основе openai-community/gpt2 с архитектурой GPT-2 для классификации последовательностей. Карточка не раскрывает назначение классов или область применения, поэтому модель можно описать только как классификатор текста общего назначения. Модель распространяется в формате safetensors под лицензией MIT. Контекстное окно составляет 1024 токена. В README указано дообучение на датасете с названием None; сведения о данных, оценке качества и ограничениях не приведены.

yuiseki/llm-jp-3-440m-jp-gov-v0.2 — компактная авторегрессионная модель семейства Llama, дообученная yuiseki на базе llm-jp/llm-jp-3-440m. Она предназначена для короткого японского продолжения названия муниципалитета, чтобы определить, в какой префектуре Японии он находится. Модель содержит 345,2 млн параметров, использует Transformers и принимает контекст до 4096 токенов. По описанным испытаниям, после подсказки вида «当別町は» модель верно завершала 71,5% названий муниципалитетов, отложенных из обучающего корпуса; на примере обученных названий точность составила 97,2%. Она также справляется с формулировками, прямо спрашивающими о префектуре, но создана для завершения текста, а не для диалога. Модель лучше работает с японскими названиями: для тех же названий в романизации README сообщает точность лишь 16%. Она плохо подходит для длинных инструкций и структурированных ответов; на описанном тесте такого формата не выдала требуемой строки ни в одном из 36 случаев. Лицензия — Apache-2.0.

LuxemBERT-v2 — языковая модель на архитектуре BERT, разработанная Isabella Olariu, Cedric Lothritz, Tegawendé F. Bissyandé и Jacques Klein для люксембургского языка. Модель представляет собой двунаправленный Transformer для masked language modeling и доступна в библиотеке Transformers как модель fill-mask. Модель предназначена для восстановления замаскированных токенов и последующей адаптации к задачам обработки люксембургского текста, включая разметку частей речи, распознавание именованных сущностей, классификацию намерений и новостных материалов. Она продолжает предварительное обучение LuxemBERT на расширенном корпусе люксембургских текстов с применением методов аугментации данных. Модель содержит 136,3 млн параметров, использует 12 Transformer-блоков и поддерживает контекст до 514 токенов. Основной язык — люксембургский. Модель ориентирована на текстовые задачи и не предназначена для генерации длинных текстов или обработки изображений, аудио и видео. В исследовательской оценке её результаты зависели от downstream-задачи; для некоторых задач она уступала базовым моделям. Лицензия в доступных данных не установлена.

togethercomputer/m2-bert-80M-32k — англоязычная модель семейства M2-BERT от Together Computer, обученная Jon Saad-Falcon, Dan Fu и Simran Arora. Это BERT-подобная модель с архитектурой Monarch Mixer, представленная в варианте примерно на 80 млн параметров и предварительно обученная на последовательностях длиной до 32 768 токенов. В метаданных Hugging Face указано 136,7 млн параметров; модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Чекпойнт предназначен для задач на длинных текстах и требует дообучения под конкретное применение. Его можно адаптировать для заполнения пропусков в тексте и классификации текста; материалы проекта также связывают обучение модели с исследованиями retrieval для длинных последовательностей. Модель не дообучена под прикладные сценарии, поэтому её качество в них зависит от последующей настройки.

ManifestoBERTa XLM-RoBERTa 56policy topics context — модель Manifesto Project на архитектуре XLM-RoBERTa large, дообученная на примерно 1,7 млн размеченных высказываний из Manifesto Corpus версии 2024a. Она классифицирует тексты по 56 политическим темам согласно схеме кодирования Manifesto Project, используя контекст соседних предложений для интерпретации неоднозначных высказываний. Контекстная версия подаёт целевое высказывание вместе с окружающим контекстом длиной до 200 токенов; авторы сообщают об улучшении точности примерно на 7 процентных пунктов относительно модели без контекста. По данным метаданных, модель содержит 658,7 млн параметров и имеет контекстное окно 514 токенов. Модель предназначена для анализа политических программ, манифестов и других текстов с целью распределения высказываний по тематическим категориям. Она обучена на 38 языках корпуса и, по README, применима к языкам предобучения XLM-RoBERTa, но лучше всего работает на языках, представленных в обучающих данных. На тестовой выборке из 200 920 высказываний контекстная версия показала accuracy 0,64 и Macro-F1 0,53. Лицензия — BigScience OpenRAIL-M. Для загрузки полной модели README указывает необходимость включить trust_remote_code=True.

Модель mljn/mdeberta-v3-base-finetuned-climate_explicit-classification — дообученная классификационная модель на базе многоязычной microsoft/mdeberta-v3-base. Она предназначена для классификации текста, связанного с климатической тематикой; название модели указывает на явную классификацию таких текстов. Модель построена на архитектуре DeBERTa V2, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,9837, macro F1 0,9820 и ROC AUC 0,9950. Датасет обучения обозначен как None, поэтому результаты нельзя уверенно связать с конкретной выборкой или классами. Модель распространяется по лицензии MIT.

ggapar/Ministral-DFK-CPT-TRIAL — дообученная модель на архитектуре Mistral3 для четырёхклассовой классификации контента на индонезийском языке. Она предназначена для выявления дезинформации, клеветы и языка ненависти, а также нейтрального фактического содержания и обычного общения. Обучение выполнено методом QLoRA 4-bit с LoRA-адаптером ранга 16 и alpha 32 на датасете Brodip/DatasetSFT_DFK_TRL; использован нативный шаблон чата Ministral и длина последовательности до 2048 токенов. Модель принимает текст и определяет категорию DFK, помогая анализировать индонезийские публикации и высказывания. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Качество классификации и ограничения применения в README не описаны.