I.11Классификация, ранжирование и сопоставление

Модель vjosap/moralBERT-predict-subversion-in-text — классификатор текста из семейства MoralBERT, разработанного авторами исследования MoralBERT. Она предсказывает наличие морального измерения «авторитет/подрыв авторитета» (Authority/Subversion) в тексте в рамках Теории моральных оснований. MoralBERT основан на BERT и дообучен на размеченных текстах социальных сетей; отдельные модели отвечают за отдельные моральные измерения. Модель принимает текст и выдаёт результат классификации. Разработчики описывают MoralBERT как инструмент анализа моральных установок в общественных дискуссиях; в исследовании отмечены различия качества между обучением и тестированием внутри и вне домена. Репозиторий модели распространяется по лицензии MIT.

MORES_emotions9 — мультиязычная модель классификации эмоций на основе XLM-RoBERTa large, дообученная на размеченных вручную предложениях. Её разработали в рамках проекта MORES (Moral Emotions in Politics) для анализа эмоциональной окраски политической коммуникации и сравнительных исследований. Модель относит текст к одной из девяти категорий: гнев, страх, отвращение, грусть, радость, отсутствие этих эмоций, энтузиазм, надежда или гордость. Данные для обучения охватывают английский, немецкий, французский, польский, словацкий, чешский и венгерский языки; они дополнены переводами. В README указаны точность 0,72 и macro F1 0,72. Модель используется в Babel Machine — инструменте для сравнительных исследований. Для загрузки требуется авторизация из-за ограниченного доступа к репозиторию. Модель распространяется по лицензии CC BY 4.0. Качество различается между классами: например, F1 для гнева составляет 0,55, а для отвращения — 0,94, поэтому результаты стоит интерпретировать с учётом категории и языка.

MosaicBERT-Base — англоязычная предварительно обученная модель семейства BERT, разработанная MosaicML. Она предназначена для дообучения на прикладных задачах и для исследований эффективного предобучения и обработки длинных текстовых последовательностей. Веса содержат 136,7 млн параметров; архитектура — плотный BERT для masked language modeling. Модель обучена с ALiBi на последовательностях длиной 1024 токена, что помогает переносить её на более длинные последовательности при дообучении; метаданные указывают контекст 512 токенов. Используются FlashAttention, GLU/GeGLU, удаление паддинга внутри блока трансформера и низкоточная LayerNorm. Основной сценарий каталога — заполнение пропусков в тексте; также модель служит базой для дообучения на других задачах обработки английского языка. Для загрузки с пользовательской реализацией FlashAttention карточка требует trust_remote_code=True; по умолчанию Triton Flash Attention не включён. Токенизатор — bert-base-uncased. Модель распространяется по лицензии Apache-2.0.

MrBERT-es LD1–PE2 — это испаноязычная модель многометочной классификации политических текстов Коста-Рики, разработанная для Программы Estado de la Nación (PEN). Она относит текст к одной или нескольким из 39 категорий политических позиций схемы Manifesto Project, адаптированной PEN, и к соответствующим семи доменам. Модель построена на encoder-архитектуре ModernBERT MrBERT-es с 149,6 млн параметров и контекстом до 8192 токенов. Голова классификации выдаёт отдельную вероятность для каждой категории; для предсказаний рекомендуется использовать индивидуальные откалиброванные пороги категорий. Модель получена дистилляцией знаний от Qwen3-30B-A3B-Instruct-2507 на корпусе из 38 812 текстов правительственных программ, стенограмм законодательного контроля и новостных материалов. Она предназначена для анализа политических позиций в испаноязычных материалах Коста-Рики. В оценке на отложенной выборке правительственных программ модель показала micro-F1 0,515 и macro-F1 0,423; качество выше для частых категорий и нестабильно для редких. Распространяется по лицензии Apache-2.0.

Neuro_continuous — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 с головой классификации последовательностей и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения тексту непрерывной оценки: в карточке приведены метрики RMSE, MAE и корреляции. На тестовой выборке указаны RMSE 0,1690, MAE 0,1342 и корреляция 0,4255. Назначение оценки, обучающий набор данных и ограничения применения в карточке не описаны. Распространяется по лицензии MIT.

juppy44 разработал модель классификации изображений растений на основе Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель содержит около 97,2 млн параметров и дообучена сквозным образом на 2 млн изображений растений из GBIF и iNaturalist; классы соответствуют примерно 14 тысячам видов по таксономии GBIF. Модель предназначена для определения вида растения по одной фотографии и может применяться в экологических обследованиях, садоводстве, восстановлении экосистем, полевых исследованиях, мониторинге биоразнообразия и системах разметки изображений. Она принимает изображение и выдаёт класс вида. Доступна по лицензии Apache-2.0. Точность зависит от качества снимка и сходства видов. Некоторые растения невозможно надёжно различить только по изображению, без сведений о местоположении или репродуктивных признаках. Данные о местоположении модель не использует; опубликованной фиксированной метрики качества нет.

RampPublic/portal-qwen3-1.7b — созданный RampPublic артефакт PorTAL для Qwen/Qwen3-1.7B. Это обученный гиперсетевой адаптер: он генерирует LoRA-факторы ранга 8 для проекций query и value каждого слоя декодера; в артефакте есть общая таблица латентных представлений для 14 задач и выравнивание для базовой модели Qwen3-1.7B. Для применения адаптер экспортируется для выбранной задачи через portallib и затем используется с базовой моделью. Модель предназначена для задач выбора ответа из нескольких вариантов. В оценке на полной 14-задачной проверочной серии конкретный артефакт с указанной методикой получил macro acc_norm 0,7096 против 0,5745 у замороженной Qwen3-1.7B. Это исследовательский результат для данного протокола, а не гарантия качества на других данных. Датасет обучения — RampPublic/portallib-tasks; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Модель kapliff89/roberta-base-finetuned-emotion — дообученная для классификации текста модель klue/roberta-base на основе архитектуры RoBERTa. В README указано, что она настроена для распознавания эмоций, однако набор данных обозначен как None, а описание модели и сведения о назначении обучения не раскрыты. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Её можно использовать для отнесения текстов к эмоциональным категориям, например для анализа коротких сообщений. Оценка на тестовом наборе в карточке приведена только как loss 0,1584; перечень классов, языков и подробности оценки отсутствуют. Базовая klue/roberta-base предназначена для понимания корейского текста, поэтому разумно ожидать корейскую языковую специализацию. Условия лицензии в предоставленных данных не указаны.

AI Sweden разработала roberta-large-1160k — плотную модель семейства RoBERTa с 454,1 млн параметров для предсказания скрытых токенов в тексте. Она обучена на скандинавской части корпуса Nordic Pile, включающей шведский, норвежский и датский языки, и поддерживает контекст до 514 токенов. Модель можно использовать для заполнения пропусков в тексте, а также дообучать для последующих задач обработки естественного языка. При тонкой настройке модель показывала результаты на бенчмарках для скандинавских языков, включая классификацию, ответы на вопросы и оценку языковых задач. Распространяется по лицензии MIT. Карточка описывает её как базовую модель, предназначенную преимущественно для дообучения под прикладные задачи.

sentence-transformers/roberta-large-nli-stsb-mean-tokens — модель Sentence-Transformers на базе RoBERTa Large, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения смысловой близости, семантического поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её также можно применять для извлечения признаков. Контекст составляет до 514 токенов, размер — 454,1 млн параметров. Модель распространяется по лицензии Apache-2.0 и доступна в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Авторы README предупреждают, что качество эмбеддингов низкое, и не рекомендуют использовать эту модель; для новых проектов стоит выбрать более современные модели Sentence-Transformers.

dimkonn/russian-toxic-classifier — модель бинарной классификации токсичности русскоязычных текстов, разработанная на базе ai-forever/ru-en-RoSBERTa и дообученная на наборе Mnwa/russian-toxic. Она использует архитектуру RoBERTa с классификационной головой RobertaForSequenceClassification, содержит 503,5 млн параметров и принимает текст длиной до 514 токенов. Модель предназначена для автоматической модерации сообщений и выявления токсичных высказываний. В тесте указаны Accuracy 0,9186, F1 0,9162 и ROC AUC 0,9765. Репозиторий распространяется по лицензии MIT.

Модель jkhan447/sarcasm-detection-Bert-base-uncased — дообученная версия BERT base uncased для классификации текстов и выявления сарказма. Она принимает текст и возвращает метку класса. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В README указана точность 0,7127 на оценочном наборе, однако описание набора данных отсутствует, поэтому этот результат нельзя переносить на другие данные без проверки. Модель распространяется по лицензии Apache 2.0.

sarcasm-detection-RoBerta-base-CR — дообученная модель классификации текста на базе roberta-base. Она предназначена для определения сарказма в тексте. Архитектура — RoBERTa с классификационной головой, размер — 151,8 млн параметров, максимальный контекст — 514 токенов. В карточке указана точность 0,726 и значение loss 3,024 на наборе оценки; обучающий датасет не описан. Модель распространяется в формате PyTorch по лицензии MIT. Язык данных и область применения в карточке не указаны.

Модель Jhusef Alfonso López Parra для бинарного выявления сарказма в испанских текстах. Она дообучена на BETO — испаноязычной модели BERT — и предназначена для классификации фраз по меткам «sarcasmo» и «no_sarcasm». Архитектура — BertForSequenceClassification, размер — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель можно применять для анализа тональности и сарказма в сообщениях, публикациях и других коротких текстах на испанском языке. В README приведён F1-macro 0,924 на валидации; это значение относится к описанному эксперименту и не гарантирует такую же точность на других данных. Для запуска подходит библиотека Transformers. Лицензия — Apache-2.0.

CMB-ClimateModernBERT/S_CX_LRD — англоязычная модель-энкодер ModernBERT-Base, разработанная авторами семейства ClimateModernBERT для задач обработки климатических текстов. Это masked language model с 149 млн параметров и контекстом до 8192 токенов; она предсказывает пропущенные токены и может служить основой для дообучения под классификацию, многометочную разметку и поиск по климатическим документам. Модель прошла продолженное предобучение на синтетических климатических текстах, созданных языковой моделью на основе тематических фрагментов. В оценке на девяти климатических NLP-бенчмарках она показала средний F1 74,5 по протоколу авторов. Разработчики отмечают пользу синтетических данных для задач, основанных на таксономиях и фреймворках, и возможное снижение качества при анализе тонких смысловых различий и обязательств. Для общего применения авторы рекомендуют объединённую модель Merge_Soup_LRD. Модель предназначена для исследований и прикладной настройки в климатическом NLP, включая анализ корпоративной отчётности, политических документов, научной литературы и новостей. Она не является диалоговой или инструкционной моделью и не гарантирует достоверность климатических утверждений. Лицензия в доступных данных не указана.

udaypratap/smart-mcq-solver — модель на базе DistilBERT, дообученная для выбора ответа в заданиях с вариантами. Она принимает текст вопроса и варианты ответов и оценивает их, чтобы определить подходящий вариант. Модель предназначена для решения тестов с множественным выбором и похожих задач классификации вариантов. Модель использует архитектуру DistilBertForMultipleChoice и формат весов safetensors. Базовая модель distilbert/distilbert-base-uncased рассчитана на английский язык; максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Карточка не содержит сведений о датасете обучения, оценках качества или особых ограничениях.

Sori-1B-MCQ — модель Seonuk Kim из Human Interface Lab Сеульского национального университета для ответов на вопросы с вариантами выбора о звуковых фрагментах. Она возвращает выбранный вариант, вероятности для заданных вариантов и оценку уверенности, чтобы программа могла принимать решения без разбора текстового ответа. Модель содержит 1,05 млрд параметров и объединяет дообученный аудиоэнкодер NVIDIA Audio Flamingo Next, двунаправленный энкодер Liquid AI LFM2.5-Encoder-350M и проектор-микшер на основе блоков энкодера Liquid. Принимает аудио, преобразует его к частоте 16 кГц и поддерживает вопросы о выборе варианта, оценке по шкале и проверке утверждения. Карточка указывает английский язык. Лицензия обозначена как other; README позиционирует модель как исследовательский предварительный выпуск для академического использования.

SPECTER2-abstract2gene — модель эмбеддингов проекта Abstract2Gene, разработанная для поиска связей генов с научными аннотациями. Это дообученная AllenAI SPECTER2 на примерах, подобранных по аннотациям генов, чтобы сближать в векторном пространстве тексты с релевантными аннотациями генов. Модель основана на Sentence Transformers и BERT, содержит 137,1 млн параметров и преобразует текст в плотные векторы размерности 768; для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и сравнения научных аннотаций, а также для кластеризации и выявления похожих публикаций в сценариях анализа связей генов. Обрабатывает последовательности длиной до 512 токенов. README приводит результаты оценки TripletEvaluator на трёх вариантах данных, но не уточняет их интерпретацию за пределами cosine accuracy. Язык и лицензия в доступных источниках не установлены.

nandakishormpai выпустил дообученную модель T5-small для генерации тегов по тексту статей о машинном обучении. В отличие от многоклассовой разметки, модель формулирует подбор тегов как задачу генерации текста: принимает содержание статьи и выдаёт последовательность тегов. Архитектура — T5 с 38,5 млн параметров; максимальный контекст — 512 токенов. Модель рассчитана прежде всего на англоязычные статьи о машинном обучении. Модель дообучена на выборке примерно из 940 статей, отобранных из набора Medium Articles; целевые теги предварительно сгенерировали с помощью GPT-3 API. Её можно применять для автоматической разметки ML-блогов и технических публикаций, но для других технических тем автор отмечает меньшую точность и детализацию. В результатах могут встречаться повторяющиеся теги, поэтому нужна постобработка. Лицензия — Apache-2.0.

YaHi/teacher_electra_small — дообученная модель классификации текста на базе google/electra-small-discriminator. Она содержит 20,4 млн параметров, использует архитектуру ELECTRA и формат PyTorch; максимальная длина контекста — 512 токенов. Модель предназначена для задач классификации последовательностей, однако конкретные классы и прикладной сценарий не описаны. В карточке приведено значение loss 0,2845 на оценочной выборке, но без описания набора данных и методики это число нельзя интерпретировать как показатель качества для конкретной задачи. Модель разработана YaHi и распространяется по лицензии Apache-2.0. Базовая модель — небольшой англоязычный энкодер, поэтому английский язык можно считать основным ориентиром; сведения о языках и обучающих данных самой дообученной модели отсутствуют. Ограничения включают неизвестные обучающие данные, целевые метки и область применения; перенос результатов на другие данные не подтверждён.

Модель Tiantian Feng классифицирует широкие варианты английского акцента в аудиозаписи речи. Она основана на Whisper large-v3 и описана в работе Vox-Profile — бенчмарке речевых моделей для характеристики различий между говорящими и речью. Модель относит акцент к одной из трёх категорий: British Isles, North America или Other. Её можно использовать для анализа речевых записей и определения широкой группы английского акцента. Модель принимает аудио и выдаёт метку класса. Карточка указывает на обучение на Common Voice 11.0; метаданные связывают её с английским языком. Модель распространяется по лицензии OpenRAIL. Карточка исключает клиническое и диагностическое применение, наблюдение и вторжение в частную жизнь, а также коммерческое использование.

poltextlab разработала эту модель для классификации текстов по категориям политической коммуникации, связанным с пропагандистскими стратегиями. Она дообучена на базе FacebookAI/xlm-roberta-large и предназначена для использования в исследовательском инструменте CAP Babel Machine для сравнительного анализа. В карточке приведены метрики на тестовых данных: точность 85%, macro F1 0,85; для классов Threat inflation, Us vs. them и Counter-evidence rejection указаны отдельные значения F1 от 0,78 до 0,93. Модель принимает текст и возвращает метки классов. В карточке показаны английские метки и языковой тег en; мультиязычность базовой XLM-RoBERTa не подтверждает сама по себе, что эта дообученная модель одинаково эффективна на других языках. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Модель audioclssjs — дообученная версия Kkonjeong/wav2vec2-base-korean на неизвестном наборе данных. Она использует архитектуру Wav2Vec2ForSequenceClassification и предназначена для классификации аудио. Число параметров — 113,3 млн; модель опубликована в формате safetensors и рассчитана на работу через Transformers. На оценочном наборе указаны accuracy 0,8319 и loss 1,1162. Назначение классов, состав и условия сбора обучающих данных, а также ограничения применения не описаны. Базовая модель связана с корейской речью, но это не подтверждает, что данная модель классифицирует именно корейское аудио. Условия лицензирования в доступных данных не приведены.

Badr Embedding v0 — арабоязычная модель Sentence Transformer с архитектурой bi-encoder, разработанная Somaya Eltanbouly и соавторами в рамках исследования поиска ответных фрагментов по вопросам исламского права (фикха). Модель дообучена на базе mohamed2811/Muffakir_Embedding и предназначена для плотного семантического поиска пассажей, содержащих ответ на вопрос, а не только тематически близких текстов. Её можно использовать для поиска по арабским корпусам фикха и как компонент RAG-систем. Модель обучалась на парах вопрос–положительный фрагмент с ответом–отрицательный фрагмент; поддерживает Matryoshka-представления размерностью 768, 512, 256, 128 и 64, которые можно усекать для экономии памяти и ускорения поиска. Оценка Cosine Accuracy на наборе fiqh-eval составляет 0,9731. Модель извлекает эмбеддинги и оценки семантической близости, но не генерирует и не подтверждает религиозные решения. Качество может снижаться вне арабского фикха и зависит от формулировки вопроса, длины и стиля фрагментов, терминологии и наличия ответа в корпусе. Лицензия в предоставленных сведениях не указана.

BDI-batch — англоязычная модель Sentence Transformers, разработанная Marcos Fernández-Pichel и David E. Losada из CiTIUS, USC. Это дообученный контрастивным обучением двухэнкодерный MPNet для поиска предложений, связанных с 21 симптомом депрессии из опросника Beck Depression Inventory (BDI). Модель основана на sentence-transformers/all-mpnet-base-v2, содержит 136,7 млн параметров, формирует эмбеддинги размерностью 384 и рассчитана на контекст до 514 токенов. Модель предназначена для исследовательского поиска психологических маркеров в текстах социальных сетей и тонкого различения близких симптомов BDI. Обучение проводилось на наборе DepreSym примерно из 21,5 тыс. размеченных предложений с использованием контрастивной функции MultipleNegativesRankingLoss и пар, сформированных с учётом структуры опросника. В README сообщается об улучшении метрик retrieval на наборах eRisk 2023 и 2024 относительно базовых эмбеддингов. Модель не предназначена для постановки диагноза, скрининга без участия специалиста, автоматических вмешательств или производственных медицинских систем без отдельной проверки. Она обучена на англоязычных публикациях в социальных сетях, может пропускать неявные упоминания и ограниченно переносится на другие опросники и культурные контексты. Лицензия — Apache-2.0.

wsqstar/bert-finetuned-weibo-luobokuaipao — дообученная модель BERT для классификации китайскоязычного текста. Она основана на google-bert/bert-base-chinese, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для отнесения текста к классам; название указывает на возможную связь с темой «萝卜快跑» (Apollo Go), однако карточка не подтверждает конкретную предметную задачу или набор меток. На указанном в карточке наборе оценки точность составила 0,5981, а значение функции потерь — 1,1020. Данные обучения, состав классов и практические ограничения не описаны. Файлы опубликованы в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

BurmeseRoBERTa — модель на архитектуре RoBERTa, созданная saihtaungkham на основе RoBERTa base и дообученная методом masked language modeling на корпусах на бирманском языке. Она предназначена для заполнения пропусков в тексте и получения текстовых эмбеддингов через Transformers. Среди использованных источников данных — OSCAR, Wikipedia, FLORES-200, новостные и другие бирманские наборы данных. Модель содержит 153,2 млн параметров, принимает текст с контекстным окном 514 токенов и распространяется в формате safetensors. Основной язык — бирманский. Лицензия — Apache-2.0. Автор предупреждает, что данные из открытых интернет-источников могут содержать предвзятость, насилие, откровенные и сексуальные материалы, а также вредоносные высказывания.

CARDS-Qwen3.6-27B-i1-GGUF — мультимодальная vision-language модель на базе C3DS/CARDS-Qwen3.6-27B-API, доработанная для задач, связанных с климатом и изменением климата. Модель разработана на основе датасета C3DS/cards_sft_dataset, а GGUF-квантизации подготовлены mradermacher. По заявленным данным, основной язык — английский. Модель предназначена для анализа климатического дискурса и классификации материалов по тематике климата и изменения климата. Она поддерживает обработку текста и изображений, поэтому может применяться в сценариях vision-language, где требуется совместно интерпретировать текстовые и визуальные входные данные. Размер базовой модели составляет 27 миллиардов параметров; конкретный размер контекста в README не указан. Модель распространяется в формате GGUF с несколькими вариантами квантизации, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. В README рекомендуются варианты i1-Q4_K_S и i1-Q4_K_M, при этом некоторые низкобитные варианты отмечены как имеющие низкое качество. Ограничениями являются зависимость качества от выбранной квантизации, отсутствие опубликованных в README подробных результатов оценки и неизвестный размер контекстного окна. Лицензия — Apache-2.0.

Это экспериментальный китайский текстовый энкодер CLIP ViT-H, разработанный lyua1225 для использования китайских описаний при генерации изображений в Stable Diffusion 2. Он также поддерживает классификацию изображений без примеров с заранее заданными текстовыми метками. Визуальный энкодер CLIP ViT-H заморожен, а текстовый энкодер обучен сопоставлять китайские текстовые представления с исходным англоязычным семантическим пространством. В обучении использованы около 85 млн пар текст–изображение из китайской части LAION-5B; обучение проходило 75 тысяч шагов с размером пакета 4096. Модель принимает изображения и китайский текст, выдаёт оценки соответствия изображения текстовым меткам. Лицензия — CreativeML OpenRAIL-M. Автор предупреждает, что модель не сошлась и её качество значительно ниже ожидаемого для CLIP Huge. Она опубликована как промежуточный результат для текстового энкодера Stable Diffusion 2 и требует дальнейшего обучения для повышения качества CLIP.

OU-Advacheck/deberta-v3-base-daigenc-mgt1a — англоязычный классификатор, разработанный OU-Advacheck для выявления фрагментов текста, созданных генеративными моделями. Это дообученная Microsoft DeBERTa-v3-base с общим энкодером и тремя параллельными классификационными головами; при инференсе используется одна голова. Модель содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации текстовых фрагментов как сгенерированных ИИ или написанных человеком. В задаче COLING 2025 GenAI Detection Task она заняла первое место в моноязычном подзадании; на тестовом наборе соревнования указаны F1 Macro 0,8307 и F1 Micro 0,8311 при пороге вероятности 0,92. Лицензия — MIT. Качество зависит от сходства проверяемых текстов с данными обучения по источникам, областям и времени создания. Возможны ложноположительные результаты; порог классификации можно настраивать под конкретный сценарий.