I.11Классификация, ранжирование и сопоставление

PauAnd29/xlm-roberta-sarcasmo-bs32-ep10 — дообученная модель классификации текста на базе XLM-RoBERTa Large, предназначенная для выявления сарказма. Модель использует архитектуру XLMRobertaForSequenceClassification, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9346, macro F1 0,9318 и weighted F1 0,9348. Датасет и языки обучающих и оценочных данных не описаны, поэтому результаты не позволяют определить качество на конкретном языке или в отдельной предметной области. Модель распространяется по лицензии MIT.

Lyubka/2-1-2-emoticons-haiku-v126 — дообученная модель классификации последовательностей на базе Lyubka/2-1-2-emoticons. Она использует архитектуру BERT с примерно 194,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. В оценке на тестовой выборке указаны accuracy 0,8012 и loss 0,6839. Модель предназначена для классификации текста, связанной с эмотиконами; подробности о классах, обучающих данных и конкретных сценариях в карточке не раскрыты. Опубликована в формате safetensors и использует библиотеку Transformers. Условия лицензирования в предоставленных данных не указаны.

CMB-ClimateModernBERT/A_CX — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это чекпойнт на 149 млн параметров, полученный продолженным предобучением answerdotai/ModernBERT-base на академических текстах о климате; модель поддерживает контекст до 8192 токенов и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для исследований в области обработки климатических текстов и последующего дообучения для классификации, многометочной разметки и поиска по корпоративной климатической отчетности, документам государственной политики, научным публикациям и новостям. В описанной авторами оценке она набрала средний F1 75,3 на девяти климатических NLP-бенчмарках; авторы отмечают, что для общего применения предпочтительнее объединённая модель Merge_Soup_LRD. Модель заполняет пропуски в тексте и формирует представления текста, но не является чат-ботом или системой, следующей инструкциям. Она рассчитана на английский язык; результаты бенчмарков преимущественно относятся к предложениям и фрагментам текста, поэтому возможности длинного контекста в них проверены не полностью. Лицензия в предоставленных данных не указана.

anirudh21/albert-large-v2-finetuned-rte — модель классификации последовательностей на базе ALBERT Large v2, дообученная на наборе GLUE для задачи RTE, связанной с распознаванием текстового следования. Модель принимает текстовые последовательности и относит их к классам задачи; архитектура использует AlbertForSequenceClassification и содержит 433,4 млн параметров. Максимальная длина контекста — 512 токенов. На оценочной выборке GLUE указаны loss 0,6827 и accuracy 0,5487, поэтому результаты на этой задаче ограничены. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Языковая поддержка в карточке не обозначена.

Это базовая модель BERT для индонезийского языка, разработанная Cahya и предварительно обученная на индонезийской Википедии с задачей masked language modeling. Она предназначена прежде всего для предсказания пропущенных слов, а также может использоваться как основа для извлечения признаков и дообучения на прикладные задачи обработки индонезийского текста. Модель без учёта регистра: слова Indonesia и indonesia обрабатываются одинаково. Архитектура — BERT-base с плотной сетью и головкой BertForMaskedLM; в репозитории указано 137,8 млн параметров и контекст до 512 токенов. Текст токенизируется методом WordPiece со словарём размером 32 000. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии MIT.

ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

climatebert-rereranker-fever — дообученная модель ClimateBERT на базе DistilRoBERTa, разработанная пользователем iestynmullinor. В карточке указано, что она обучена на неизвестном наборе данных; название предполагает применение к задачам, связанным с FEVER, однако назначение и результаты в README не описаны. Архитектура — RobertaForSequenceClassification, размер — 95,4 млн параметров, формат весов — safetensors, контекст — до 514 токенов. Модель принимает текст и выдаёт классификационные оценки или метки. Лицензия — Apache-2.0.

CRAB_bert_base_uncased_finetuned — модель на архитектуре BERT, дообученная разработчиком Ariffiq99 для задачи multiple-choice: выбора ответа из нескольких вариантов по заданному контексту или вопросу. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель принимает текст и выдаёт оценку вариантов ответа. В карточке приведены результаты оценки: loss 1,0100 и F1 0,7250. Датасет и конкретная область применения не описаны, поэтому качество в других задачах и переносимость на новые данные по этим результатам определить нельзя. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

Danish BERT Tone — модель на базе BERT, разработанная Alexandra Institute путём дообучения предварительно обученного датского BERT от BotXO. Она классифицирует датский текст как субъективный или объективный и подходит для анализа тональности высказываний, например сообщений в социальных сетях и фрагментов парламентских дебатов. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Для обучения использованы наборы DDSC/twitter-sent и DDSC/europarl. Модель распространяется по лицензии Apache-2.0. Она предназначена для датского языка; результаты на других языках и для текстов за пределами обучающих сценариев могут быть ненадёжными.

DisEmbed-v1 — дообученная Salman Faroz модель текстовых эмбеддингов для медицинской области, ориентированная на поиск и сравнение описаний заболеваний, симптомов и вопросов с ответами. Она построена на BERT-архитектуре и основана на BAAI/bge-small-en-v1.5; содержит около 40 млн параметров и выдаёт векторы размерности 384. Для сравнения используется косинусное сходство. Модель обучена на синтетическом наборе DisEmbed-Symptom-Disease-v1 и рассчитана на англоязычный текст. Контекст ограничен 512 токенами. Карточка заявляет улучшенное различение похожих заболеваний и поиск по медицинскому контексту; эти заявления относятся к задачам, связанным с заболеваниями, и не подтверждают пригодность модели для диагностики. Лицензия — MIT.

ml6team разработала эту модель на базе DistilBERT для выявления токсичных и потенциально вредоносных комментариев на немецком языке. Модель дообучена на объединении пяти немецких наборов данных о токсичности, оскорблениях, ненормативной лексике и языке ненависти; разные исходные метки сведены к классам «токсичный» и «нетоксичный». Обучающая выборка содержит 23 515 примеров. Модель принимает текст и классифицирует комментарии, например для модерации публикаций в социальных сетях и интернет-сообществах. Контекст — до 512 токенов. На отложенной части объединённого набора данных указаны точность 78,50% и F1 50,34%; полнота составляет 39,22%, поэтому часть токсичных комментариев может остаться незамеченной. Определение токсичности зависит от контекста, а обучающие данные охватывают ограниченный набор интернет-площадок и сообществ, поэтому качество на других тематиках и площадках может быть ниже. Модель предназначена только для немецкого языка. В предоставленных данных лицензия не указана.

EditLens-Qwen3-1.7B — классификатор последовательностей на базе Qwen3, дообученный разработчиком для оценки степени редактирования текста с помощью ИИ. Вместо одного бинарного вердикта модель относит текст к одной из четырёх категорий по уровню редактирования и сводит вероятности категорий к непрерывной оценке от 0 до 1: низкое значение соответствует преимущественно человеческому тексту, высокое — полностью сгенерированному ИИ. Модель содержит 1,7 млрд параметров, принимает текст и выдаёт оценку и вероятности классов; контекст — до 32 768 токенов. Модель предназначена для проверки редакционного и академического контента, аудита происхождения текстов, фильтрации корпусов от текстов с участием ИИ и модерации, где важно оценить степень вмешательства, а не только его наличие. Она дообучена с QLoRA на 2 400 примерах англоязычных человеческих текстов, их версий после редактирования ИИ и полностью сгенерированных текстов; README приводит результаты оценки на отдельной выборке. Модель доступна для локального запуска через Transformers и распространяется по лицензии Apache-2.0. Оценка отражает предполагаемую степень редактирования, а не авторство, намерение или качество текста. По README, короткие фрагменты менее надёжны; возможны ошибки при смене предметной области и при намеренном перефразировании, поэтому порог следует калибровать на близких к целевым данных, а важные решения проверять с участием человека.

fermi-512 — разреженная модель поиска Atomic Canyon для подбора документов по запросу в ядерной энергетике. Она дообучена на базе atomic-canyon/fermi-bert-512 с использованием LSR; обучение проводилось на MS MARCO Passage Dataset с моделью ms-marco-MiniLM-L-6-v2 в роли учителя. Модель кодирует запросы и документы в разреженные векторы, компоненты которых соответствуют токенам словаря и отражают их важность. Специализированный токенизатор учитывает ядерную терминологию, например представляет NRC одним токеном. Контекст — 512 токенов, формат весов — Safetensors, лицензия — Apache 2.0. Модель предназначена для поиска по технической и отраслевой документации, а также может применяться в более широком поиске: её оценивали на FermiBench, MS MARCO и подмножестве BEIR. В README сообщается о сильных результатах на ядерных текстах и приводятся метрики этих тестов; они получены собственным инструментарием авторов. Метаданные Hugging Face указывают задачу fill-mask, однако описание модели в README посвящено разреженному поиску и кодированию запросов и документов. Поэтому для каталога основная задача указана как fill-mask, а назначение поиска описано как сценарий применения.

MahmoodAnaam/flaird-modernbert-large-concatenation-single-task-frozen — модель классификации последовательностей на архитектуре FlairdForSequenceClassification, доступная в формате safetensors и предназначенная для задачи text-classification. В README указано, что модель дообучена на неизвестном наборе данных; название включает ModernBERT Large, concatenation и single-task frozen, однако карточка не раскрывает базовую модель, целевые классы и назначение классификации. В README приведены метрики оценки: ROC-AUC 0,988, F1 0,965 и C@1 0,934; значение Brier указано как 0,953, но без пояснения методики его интерпретация неясна. Лицензия и ограничения применения в предоставленных данных не описаны.

GeBERTa Large — немецкоязычная модель семейства DeBERTa-v2, разработанная совместно University of Florida, NVIDIA и IKIM. Это вариант для заполнения пропусков в тексте: модель предсказывает замаскированные токены с учётом окружающего контекста. Чекпойнт содержит 454,1 млн параметров, использует токенизатор SentencePiece и поддерживает последовательности длиной до 512 токенов. Модель предварительно обучена на немецких текстах из разных областей, включая Wikipedia, новости и GC4. Её можно применять как основу для немецкоязычного анализа текста и адаптировать для классификации, ответов на вопросы и распознавания именованных сущностей; в опубликованном исследовании также оценивалось выявление языка ненависти. В бенчмарке GeBERTa Large показала средний F1 77,67 по рассмотренным наборам задач. Модель распространяется по лицензии MIT. Она предназначена для немецкого языка и не является готовой моделью генерации связных ответов: основной сценарий использования — masked language modeling. Контекст ограничен 512 токенами.

Модель Sukanyan/google_electra-base-discriminator — дообученный англоязычный энкодер ELECTRA для классификации последовательностей. Она основана на google/electra-base-discriminator и содержит 136,7 млн параметров; модель и её веса в формате safetensors доступны для Transformers. Контекст ограничен 512 токенами. Модель предназначена для задач классификации текста, однако README не описывает целевые классы, набор данных или конкретные сценарии применения. На указанном в карточке наборе оценки получены loss 1,0171 и accuracy 0,5934, поэтому пригодность для практической задачи следует проверять отдельно. Лицензия — Apache-2.0.

Модель darelphilip/hinglish-toxicity-classifier разработана Darel Philip и дообучена на базе l3cube-pune/hing-roberta. Это трансформер XLM-RoBERTa для многометочной классификации текста: она выявляет токсичность, ненормативную лексику, травлю и ненавистнические высказывания против групп в хинглише — смешанном хинди и английском, записанном латиницей. Модель обучалась на более чем 116 тысячах размеченных разговорных комментариев; размер составляет 305,2 млн параметров, формат весов — Safetensors, максимальная длина контекста — 514 токенов. Лицензия — MIT. Модель предназначена для фильтрации комментариев и публикаций, анализа архивов обсуждений и поддержки модерационных ботов. Автор рекомендует использовать отдельные пороги для разных классов и сочетать классификатор с правилами и проверкой модератора в неоднозначных случаях. Валидационные результаты включают Macro F1 0,557 и Micro F1 0,655. Модель может хуже распознавать сарказм, необычные варианты написания хинглиша и редкие категории адресной ненависти; она не рассчитана на текст на деванагари, формальный английский или решения о санкциях без проверки человеком.

Карточка модели YesayaAlvinK/indobert-bible-search на Hugging Face совпадает с карточкой YesayaAlvinK/bible-search-project, поэтому описание составлено по ней. YesayaAlvinK/bible-search-project — sentence-transformers-модель на базе indobenchmark/indobert-base-p1, дообученная для поиска семантически близких предложений и абзацев. Она кодирует текст в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства; архитектура включает BertModel и mean pooling. Модель рассчитана прежде всего на индонезийский текст: обучающие примеры состоят из парафраз библейских фрагментов. Максимальная длина входа — 512 токенов. Модель подходит для поиска релевантных библейских отрывков по запросу и сопоставления перефразированных фрагментов. Она принимает текст и выдаёт векторные представления, но сама не генерирует ответы. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Intellect_continuous — дообученная модель на базе microsoft/deberta-v3-base, опубликованная ajrayman. Это модель DeBERTa V3 Base с архитектурой DeBERTa V2 для классификации последовательностей; в репозитории указано 211,6 млн параметров и формат safetensors. Модель предназначена для задачи text-classification, однако карточка не поясняет классы или прикладной сценарий. В оценке на тестовой выборке приведены Loss 0,0481, RMSE 0,2194, MAE 0,1755 и корреляция 0,2970. Модель принимает текст и выдаёт результат классификации. Базовая модель рассчитана на английский язык; обучающий датасет обозначен как None, поэтому целевой язык и предметную область этой настройки подтвердить нельзя. Контекст ограничен 512 токенами. Лицензия — MIT.

OpenGVLab/InternVideo2-Stage2_6B — видеомодель OpenGVLab, представляющая версию на 6 млрд параметров второго этапа InternVideo2, описанной в исследовательской статье. Репозиторий содержит веса в формате safetensors; для модели указан pipeline video-classification. Модель предназначена для классификации видео. Карточка не раскрывает поддерживаемые наборы классов, языки или дополнительные сценарии применения. Лицензия — MIT.

islamqa-retriever-quran — арабская bi-encoder-модель для поиска релевантных отрывков Корана и хадисов по текстовому вопросу. Она разработана для проекта IslamicEval 2025 и дообучена на базе NAMAA-Space/AraModernBert-Base-STS; в репозитории находится этап QuQA, выбранный авторами как основной поисковый чекпойнт для Корана. Архитектура — ModernBERT с mean pooling; модель содержит около 149 млн параметров и формирует 768-мерные эмбеддинги, сравниваемые по косинусному сходству. Хотя контекстная архитектура поддерживает до 8192 токенов, эффективный предел последовательности этой версии — 512 токенов. Модель предназначена для ранжирования существующих фрагментов Корана и хадисов Сахих аль-Бухари по вопросам на современном литературном арабском языке, а также для семантического поиска внутри RAG- и QA-систем. Она специализируется на Коране: на небольших dev-выборках улучшает полноту поиска коранических отрывков относительно базовой модели, но уступает ей на хадисах. Для смешанного потока авторы рекомендуют сочетать её с базовой моделью и калибровать оценки; модель выступает генератором кандидатов, а полный конвейер использует дополнительный reranker. Лицензия — Apache-2.0.

Liberalismcontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текстов. По метрикам RMSE, MAE и корреляции в карточке видно, что выход модели оценивают как непрерывную величину, хотя задача в метаданных обозначена как text-classification. Модель может применяться для автоматической оценки текстов по соответствующей шкале; описание не уточняет, что именно измеряет эта шкала и на каких данных обучалась модель. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. В карточке приведены результаты оценки: loss 0,0601, RMSE 0,2451, MAE 0,1945 и корреляция 0,3223.

LUAR-MUD — модель семейства LUAR для построения представлений авторского стиля по тексту. Её разработали авторы работы Learning Universal Authorship Representations; обучение проводилось на Reddit Million User Dataset (MUD). Модель предназначена для извлечения векторных признаков текста, полезных для сравнения авторского стиля и решения задач атрибуции авторства. В метаданных указаны архитектура LUAR, библиотека Transformers и форматы PyTorch и safetensors. Карточка указывает английский язык и лицензию Apache-2.0. Модель ориентирована на английские тексты из домена Reddit; переносимость на другие языки, площадки и жанры карточка не описывает. Подробности о размере модели, длине контекста и оценках качества в доступных данных отсутствуют.

MagharibiBERT-v1 — арабоязычная модель семейства BERT, разработанная для магрибских диалектов: алжирского, марокканского и тунисского. Она дообучена на основе UBC-NLP/MARBERT методом masked language modeling на больших массивах текстов из социальных сетей. Модель содержит 190 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch через Transformers. Основной сценарий работы — предсказание замаскированных токенов в тексте. Представления модели также предназначены для последующего применения в анализе тональности, выявлении языка ненависти и классификации диалектов. Репозиторий распространяется по лицензии MIT.

Mantis-bakllava-7b — мультимодальная диалоговая модель TIGER-Lab для ответов на вопросы и рассуждений по изображениям. Она дообучена на базе llava-hf/bakLlava-v1-hf с использованием набора Mantis-Instruct, предназначенного для задач с несколькими изображениями. Модель принимает текст и изображения и выдаёт текстовые ответы; поддерживает диалог, в котором чередуются текст и изображения. В метаданных указаны архитектура LLaVA, плотная модель и формат safetensors. Карточка помечает эту версию как устаревшую и рекомендует более новую Mantis-Siglip-llama3, которая, по заявлению авторов, лучше справляется с задачами по одному и нескольким изображениям. Лицензия — Apache-2.0.

CMB-ClimateModernBERT/Merge_TA_L10_LRD — англоязычная модель ModernBERT-base, опубликованная проектом ClimateModernBERT. Это encoder-only masked language model на 149 млн параметров, дообученная продолжением предобучения на корпусе климатических текстов объёмом 6,42 млрд токенов; в состав корпуса входят научные публикации, синтетические тексты и климатические веб-материалы. Модель принимает текст и предсказывает замаскированные токены, а её контекстное окно составляет 8192 токена. Модель предназначена для получения текстовых представлений и последующего дообучения для классификации, многометочной разметки и поиска по климатическим публикациям, корпоративной отчётности, политическим документам и новостям. В описанной авторами оценке она набрала в среднем 75,7 F1 по девяти климатическим NLP-бенчмаркам; показатели относятся к протоколу и задачам статьи. Это не диалоговая система и не генератор калиброванных научных ответов. Авторы отмечают, что синтетические данные по-разному влияют на задачи, а результаты корпусных экспериментов не следует обобщать за пределы климатического NLP. README не приводит лицензию модели; исходные академические материалы использовались по институциональным лицензиям и для некоммерческих исследований, а исходный текст не распространяется. Условия использования весов по имеющимся данным определить нельзя.

vjosap/moralBERT-predict-cheating-in-text — модель классификации текста, опубликованная автором Vjosa Preniqi на Hugging Face. По названию и типу задачи она предназначена для выявления в тексте тем или признаков, связанных с обманом, в рамках классификации моральных категорий. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Модель принимает текст и выдаёт результат классификации. Доступные сведения подтверждают задачу text-classification, однако не раскрывают архитектуру, обучающие данные, поддерживаемые языки, схему меток и точность. Поэтому предсказания следует рассматривать как вспомогательную классификацию, а не как достоверное установление факта обмана.

Модель FlorianTraugott/ms-marco-MiniLM-L6-v2-indian-tax-law — англоязычный cross-encoder-реранкер, полученный дообучением cross-encoder/ms-marco-MiniLM-L6-v2 для поиска по судебным решениям в области налогового права Индии. Она совместно обрабатывает поисковый запрос и фрагмент текста и оценивает их релевантность, чтобы переставить результаты, полученные на первом этапе поиска. Модель предназначена для второго этапа двухэтапного поиска: README сообщает о применении для переранжирования 50 результатов би-энкодера bge-small-en-v1.5-indian-tax-law-lora. В описанной оценке дообученный реранкер повысил nDCG@10 на 12,4% и Recall@10 на 11,4% относительно исходного списка. Архитектура основана на BERT, число параметров — 25,9 млн, максимальный контекст — 512 токенов; библиотека — Sentence Transformers. Модель ориентирована на англоязычные запросы и тексты об индийском налоговом праве. Результаты оценки относятся к датасету и сценарию, указанным в карточке, и не гарантируют аналогичный эффект на других данных; базовый MS-MARCO-реранкер без дообучения в описанном сценарии ухудшал качество. Лицензия — Apache-2.0.

VARabic/NADI2024-baseline — модель на архитектуре BERT, дообученная для определения арабского диалекта по тексту. Она обучена на обучающих наборах NADI 2020, 2021 и 2023 годов и MADAR 2018. Хотя модель описана как классификатор с одной меткой, её логиты используются для формирования многометочных предсказаний диалектов. Модель предназначена для автоматической идентификации разновидностей арабского языка в текстах. Она содержит 190 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в метаданных указаны PyTorch и архитектура BertForSequenceClassification. Базовая модель — MarBERTv2. Модель ориентирована на арабский язык и задачу определения диалекта. Качество за пределами обучающих наборов и для текстов длиннее контекстного окна не описано. Лицензия в предоставленных данных не указана.

OCF typed-decisions CE smoke — специализированный классификатор решений от Open Classification Foundation на базе answerdotai/ModernBERT-base. Это двунаправленный энкодер ModernBERT с двухслойной Transformer-головой принятия решений и OptionScorer, который оценивает варианты ответа в позициях [MASK] и выдаёт распределение вероятностей через softmax. Модель дообучена с cross-entropy на наборе LocalLLaMA/typed-decisions; параметры обучающей конфигурации включают 4 эпохи, а для калибровки температуры использована отложенная часть обучающей выборки. Модель предназначена для выбора между заданными вариантами решения по текстовому вопросу. Максимальная длина входа составляет 640 токенов, бюджет текста на вариант — 48 токенов; размер модели около 164 млн параметров. В тесте из 2 000 решений указаны accuracy 0,751 и NLL 0,629; измеренная задержка на RTX 3050 Laptop составила 59,6 мс на вопрос по медиане и 87,8 мс на 95-м перцентиле. Эти результаты относятся к указанному тесту и конфигурации. Это экспериментальный специализированный чекпойнт, а не фундаментальная или zero-shot модель и не RLCD-модель. В README отмечено, что учительские модели расходятся примерно в 41% тестовых решений, что ограничивает интерпретацию метрик. Лицензия репозитория — Apache-2.0.