I.11Классификация, ранжирование и сопоставление

81melody/algerian-law-marbert — текстовая Sentence Transformer-модель на архитектуре BERT, дообученная разработчиком на базе UBC-NLP/MARBERTv2 для поиска правовой информации по семейному законодательству Алжира. Энкодер формирует векторы размерности 768 для запросов и текстов статей; для оценки близости используется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска статей Кодекса семьи Алжира по вопросам, сформулированным на алжирском разговорном арабском, арабизи или литературном арабском; обучающие примеры также включают смешение языков. Она обучена на 1 000 парах вопрос–статья с CachedMultipleNegativesRankingLoss. В README для оценки на триплетах приведена cosine accuracy 0,7411. Модель может служить энкодером для плотного поиска в правовой системе извлечения информации. Модель выпущена под лицензией Apache-2.0. Это инструмент поиска, а не источник юридически авторитетных заключений; качество за пределами алжирского семейного права и указанных языковых вариантов не подтверждено.

Модель gaurav8894/autotrain-nkdl3-gx9ao — дообученная с помощью AutoTrain модель BERT для классификации текста. Она основана на google-bert/bert-base-uncased и использует архитектуру BertForSequenceClassification. Модель подходит для присвоения текстам меток в задаче, на которой её обучали; карточка не уточняет предметную область и набор классов. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors. Базовая модель ориентирована на английский язык. Валидационная точность составляет 0,5, а macro F1 — около 0,36, что указывает на ограниченное качество классификации. Лицензия в предоставленных данных не указана.

Bamibert Phone ACSA Multilabel Preprocessor — модель классификации текста на архитектуре RoBERTa, разработанная пользователем vietnamese-acsa. Она обучена с нуля на неизвестном наборе данных. Модель содержит 129 млн параметров, принимает текст и имеет контекст до 2050 токенов. По доступным сведениям, модель предназначена для классификации текста. Название репозитория указывает на возможную связь с предварительной обработкой данных для многоцелевого анализа аспектов телефонных отзывов, однако README не описывает эту задачу, поэтому назначение и конкретные метки классификации подтвердить нельзя. Лицензия в предоставленных данных не указана.

Это модель классификации текста, созданная на основе bert-base-uncased и дообученная для определения, написан ли текст человеком или сгенерирован ИИ. Она обучена на 47,6 тыс. примеров из поднабора reddit_eli5 датасета HC3: ответы людей сопоставлялись с ответами ChatGPT/GPT-3.5. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, окно токенизации при обучении — 256 токенов; нативный контекст составляет 512 токенов. Модель предназначена для анализа англоязычных текстов и выдаёт один из двух классов: человеческий текст или текст, созданный ИИ. В карточке указаны высокие результаты на тесте reddit_eli5 и на финансовых и медицинских текстах, однако обучение проводилось на текстах GPT-3.5 2023 года. Новые генераторы могут отличаться от обучающих данных; короткий ИИ-текст может остаться незамеченным, а длинный структурированный текст человека — получить ложную метку. Модель не подходит для обвинений с серьёзными последствиями. Лицензия — CC BY-SA 4.0.

QARiB (QCRI Arabic and Dialectal BERT) — арабоязычная модель семейства BERT, опубликованная Ahmed Abdelali и обученная на корпусах арабского текста и публикациях из Twitter. Веса содержат около 162,4 млн параметров; архитектура включает 12 слоёв, словарь размером 64 тыс. токенов, а контекст — до 512 токенов. Доступны версии в форматах PyTorch и Flax. Модель предназначена прежде всего для заполнения пропусков в арабском тексте: она предсказывает замаскированный токен по окружающему контексту. Её также можно дообучать для прикладных задач обработки арабского языка. В карточке описано обучение на примерно 14 млрд токенов из арабских новостных и литературных корпусов, субтитров и около 420 млн твитов; оценка на задачах определения диалекта и эмоций была выше, чем у ряда приведённых моделей сравнения, тогда как в распознавании именованных сущностей QARiB уступила лучшему результату таблицы. Использование модели ограничено задачами понимания текста: она не является чат-моделью и сама по себе не генерирует развёрнутые ответы или речь. Лицензия в предоставленных сведениях не указана.

Это компактная модель BERT-tiny с 4,4 млн параметров, дообученная авторами M-FAC на наборе MNLI для классификации текстовых пар и определения логических отношений между предложениями. Она использует архитектуру BertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. При дообучении стандартный оптимизатор Adam заменили на M-FAC — оптимизатор второго порядка; в README приведены результаты на валидации MNLI для одного лучшего запуска и средние значения по пяти запускам. Модель подходит для экспериментов с распознаванием текстовых отношений и изучения влияния оптимизатора M-FAC на дообучение компактных BERT-моделей. Результаты заметно различались между запусками, а README указывает, что подбор гиперпараметров может их улучшить. Информация о лицензии в предоставленных источниках отсутствует.

Это англоязычная модель классификации текста, созданная дообучением vinai/bertweet-base на датасете SARC. Она предназначена для выявления сарказма в коротких сообщениях, в частности в текстах, похожих на публикации в социальных сетях. Основа модели — RoBERTa, предварительно обученная на англоязычных твитах; число параметров составляет 162,4 млн, контекст — до 130 токенов. На оценочной выборке SARC модель показала accuracy 0,7636 и F1 0,7636. Она принимает текст и выдаёт результат классификации. Карточка не приводит сведения о лицензии дообученной модели, поэтому условия её использования по этим данным определить нельзя.

beyan-quran-bge-m3 — модель Sentence Transformers, дообученная expri34 на базе BAAI/bge-m3 для семантического поиска по текстам, связанным с Кораном. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство между ними можно оценивать косинусной мерой и использовать для поиска релевантных фрагментов. Модель построена на XLM-RoBERTa с пулингом CLS и рассчитана на последовательности до 8194 токенов. Обучение описано как сопоставление пар текстов с MultipleNegativesRankingLoss на примерах из 29 923 пар; в README приведены арабские тексты и турецкие и английские соответствия. Лицензия в предоставленных данных не указана.

Cheerfulness_binary — англоязычная модель классификации текста, разработанная дообучением microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 для отнесения текста к классам; точная схема меток и назначение классов в карточке не описаны. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В опубликованной оценке указаны accuracy 0,6575, precision 0,6394, recall 0,7207, F1 0,6776 и AUC 0,7037. Эти показатели относятся к неназванному набору данных, поэтому их нельзя напрямую переносить на другие задачи. Модель лицензирована по MIT; перед применением следует проверить соответствие меток и качество на целевых данных.

Ariffiq99/CRAB_COPA_xlm_roberta_base_finetuned — дообученная модель XLM-RoBERTa Base для выбора ответа из нескольких вариантов. Она принимает текстовые варианты и оценивает их в формате multiple-choice; карточка сообщает о дообучении на неизвестном датасете. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Модель подходит для решения задач с вариантами ответа, в том числе вопросов на причинно-следственные связи COPA. В README приведены результаты оценки: loss 0,9984 и F1 0,7389, однако набор данных, условия и методика оценки не описаны. Лицензия — MIT.

Crossword Space: MPNet-base ADE — модель cruciverb-it для поиска ответов на итальянские кроссвордные подсказки. Она кодирует подсказки и варианты ответов двумя отдельными энкодерами и отображает их в общее 768-мерное пространство, где подходящие ответы можно быстро находить, например, поиском FAISS по скалярному произведению. Модель основана на sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообучена контрастивным обучением на парах итальянских подсказок и ответов, включая определения из словаря. Модель предназначена для извлечения и ранжирования кандидатов, а не для генерации ответа. В README приведены результаты поиска на наборах кроссвордных подсказок и словарных определений; фильтрация кандидатов по ожидаемой длине ответа повышает точность. Для использования указана библиотека Transformers и загрузка через AutoModel с trust_remote_code=True. Лицензия — CC BY 4.0.

akshayvkt/detect-ai-text — модель классификации текста на базе DistilBERT, дообученная автором репозитория от distilbert-base-uncased. Она предназначена для определения, был ли текст создан искусственным интеллектом, и может использоваться для первичной проверки текстов. Модель основана на плотной архитектуре DistilBERT и принимает текст длиной до 512 токенов; в метаданных указан формат safetensors. В README сообщается точность 0,9964 и значение функции потерь 0,0067 на оценочном наборе, однако сведения о составе и размере набора, методике оценки и ограничениях отсутствуют. Поэтому эти результаты не гарантируют аналогичного качества на других типах текстов. Лицензия — Apache-2.0.

rogelioplatt/distilbert-base-multilingual-cased-Razones_Especificas_Esp — модель классификации текста на основе DistilBERT, дообученная разработчиком на базе distilbert-base-multilingual-cased. Она предназначена для классификации текстовых последовательностей; название указывает на испанские «специфические причины», однако карточка не поясняет классы и сценарий классификации. Модель принимает текст и выдаёт метки классов. Контекст ограничен 512 токенами. В README приведены результаты оценки: accuracy 0,8938 и loss 0,2710; состав оценочного набора и методика не описаны. Модель распространяется под лицензией Apache-2.0. Поддержка многоязычной основы не раскрывает, на каких языках именно её дообученная задача применима.

FaBERT — предварительно обученная модель семейства BERT для обработки персидского текста, разработанная SBU NLP и обученная на корпусе HmBlogs объёмом более 50 ГБ, включающем разговорные и формальные тексты из персидских блогов. В репозитории указана архитектура BERT с головой masked language modeling; метаданные сообщают о 151,6 млн параметров и контексте до 512 токенов. Основное назначение опубликованного чекпойнта — предсказание скрытых токенов в персидском тексте. Его также можно дообучать для задач понимания языка: анализа тональности, распознавания именованных сущностей, ответов на вопросы и вывода о взаимосвязи предложений. Карточка приводит результаты оценивания на наборах данных для этих задач и рекомендует использовать fast tokenizer по умолчанию. Модель принимает и выдаёт текст, рассчитана на персидский язык. Для прикладных задач, кроме заполнения масок, требуется соответствующая настройка или дообучение. Карточка не приводит сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

FairnessReciprocity_continuous — модель классификации текста на базе Microsoft DeBERTa-v3-base, дообученная автором ajrayman. Она предназначена для предсказания непрерывной оценки, связанной с fairness и reciprocity, по тексту. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает входы длиной до 512 токенов. В карточке приведены метрики на оценочной выборке: loss 0,0312, RMSE 0,1767, MAE 0,1376 и корреляция 0,1873. Описание набора данных и подробности применения не раскрыты. Модель распространяется по лицензии MIT.

CMB-ClimateModernBERT/F_CX_LRD — англоязычная encoder-only модель ModernBERT-Base на 149 млн параметров, разработанная как часть семейства ClimateModernBERT и обученная продолжением предобучения на климатических текстах из корпуса Climate Web. Это masked language model для заполнения пропусков; её можно дообучать для классификации климатических текстов, многометочной разметки и поиска по документам. Модель принимает текст и имеет контекст до 8192 токенов. В README сообщается о среднем F1 74,5 на девяти климатических NLP-бенчмарках; оценка охватывает классификацию, разметку и retrieval. Модель предназначена для исследований и прикладных решений в климатическом NLP, однако сама не следует инструкциям и не даёт калиброванных гарантий фактической точности. Ограничения также включают только английский язык и то, что бенчмарки преимущественно оценивают предложения и фрагменты текста, а не длинный контекст. Лицензия в доступных сведениях не указана.

Immoderation_binary — англоязычная модель классификации текста, дообученная автором ajrayman на базе microsoft/deberta-v3-base. Она использует архитектуру DeBERTa-v2 и предназначена для бинарной классификации последовательностей; карточка не раскрывает значения классов и целевой сценарий применения. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате Safetensors через Transformers. На оценочной выборке указаны accuracy 0,6177, precision 0,6679, recall 0,4663, F1 0,5492 и AUC 0,6706. Эти результаты показывают ограниченное качество и могут не отражать качество на других данных. Лицензия — MIT.

kobert-patent-baseline — дообученная модель классификации текста на базе monologg/kobert, опубликованная пользователем ingyoun. Она предназначена для классификации корейских текстов; название указывает на патентную тематику, однако README не уточняет набор классов и обучающие данные. Модель использует архитектуру BERT и содержит 119,4 млн параметров. Максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: weighted F1 0,8105, micro F1 0,8111, macro F1 0,7857 и precision at k от 0,8940 при k=1 до 0,9788 при k=5. Эти показатели относятся к оценочному набору, описание которого не раскрыто, поэтому их нельзя напрямую переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

Это англоязычная модель классификации текста на базе DistilBERT, дообученная Juanpajedrez для задачи «еда или не еда». Она принимает текст и относит его к одному из двух классов: food или not food. Модель построена на DistilBertForSequenceClassification, рассчитана на контекст до 512 токенов и доступна в формате safetensors под лицензией Apache-2.0. В карточке сообщается о точности 1,0 и потере 0,0006 на оценочной выборке, однако датасет и методика оценки не описаны, поэтому эти результаты не позволяют судить о качестве на новых данных. Модель подходит для простого тематического отбора текстов, но её применимость за пределами бинарной классификации еды не подтверждена.

Rayyan Medical Coding Model — дообученная RayyanAhmed9477 модель на базе Microsoft Phi-3 для извлечения медицинских кодов из клинических записей. Она предназначена для автоматизации кодирования документации и поддержки процессов выставления счетов, проверки качества и подготовки аудита. По README модель извлекает коды ICD-10, CPT и HCPCS, учитывает контекст документа и может выдавать оценки уверенности. Метаданные указывают архитектуру Phi-3, 3,7 млрд параметров, контекст до 4096 токенов и формат SafeTensors; README приводит противоречивую оценку контекста в 128K токенов, поэтому ориентироваться следует на значение из метаданных. Модель принимает клинический текст и генерирует коды и связанные с ними пояснения или оценки. Карточка заявляет локальный запуск и применение в медицинских рабочих процессах, но не предоставляет проверяемых результатов оценки. Лицензия — MIT.

CMB-ClimateModernBERT/Merge_Soup_drop_F_LRD — англоязычный encoder-only чекпойнт ModernBERT, дообученный на климатических текстах и опубликованный в семействе ClimateModernBERT. Модель содержит 149 млн параметров, принимает последовательности длиной до 8192 токенов и решает задачу заполнения маски (fill-mask). Обучение продолжалось на академических и синтетических климатических текстах; вариант Drop-one Soup исключает корпус Climate Web. Веса идентичны репозиторию sraj/Merge_Drop_FWebEduv2, а название приведено в соответствие с обозначениями статьи. Модель предназначена для исследований в области обработки климатических текстов и для последующего дообучения под классификацию, многометочную разметку и поиск по корпоративной и климатической отчётности, политическим документам, научным публикациям и новостям. Это masked language model, а не диалоговая или инструкционная система. README не приводит отдельный агрегированный результат для этого чекпойнта; для общего применения авторы рекомендуют CMB-ClimateModernBERT/Merge_Soup_LRD, показавшую средний F1 76,3 на описанном наборе климатических тестов. Модель выпущена для исследований и последующей работы; условия лицензии в предоставленных данных не указаны.

Modelo-beto-burla — дообученная модель классификации текста на базе испаноязычной BERT-модели BETO от dccuchile. Она предназначена для отнесения текстовых последовательностей к классам; название модели предполагает задачу, связанную с насмешками, однако карточка не уточняет набор классов и сценарии применения. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики на тестовой выборке: accuracy 0,9825, precision 0,9524, recall 1,0 и F1 0,9756; сведения о выборке и методике оценки отсутствуют, поэтому эти результаты нельзя уверенно переносить на другие данные. Модель опубликована в формате safetensors и распространяется под лицензией базовой модели, если она применима; лицензия самой модели в предоставленных данных не указана.

underscore2/modernbert_large_slop_classifier_v3 — дообученная модель классификации текста на базе answerdotai/ModernBERT-large. Она предназначена для отнесения текста к классам; название указывает на классификацию «слопа», однако README не описывает метки и критерии классификации. Модель содержит 394,7 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов. В README приведены результаты оценки: accuracy 0,9413 и loss 0,1670; набор данных указан как None, поэтому эти показатели нельзя связать с конкретным тестовым корпусом. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

roma-tahir/multilingual-e5-islamic-v1 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base, разработанная автором репозитория roma-tahir. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768; архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию, а сходство оценивается косинусной мерой. Модель ориентирована на семантическое сопоставление исламских текстов: в примерах обучающих данных встречаются вопросы на арабском, английские переводы и хадисы на арабском. Подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации с использованием эмбеддингов. В репозитории указаны максимум 512 токенов на последовательность и поддержка текстового ввода. Метаданные классифицируют модель как sentence-similarity и feature-extraction. Явная лицензия не приведена в доступных данных. Специализация на исламских текстах и объём обучающей выборки в 801 пример ограничивают основания для вывода о качестве на других темах и языковых парах.

Nawah-RuleCheck-1M — компактный арабский классификатор правил, разработанный oddadmix. Он принимает арабский текст и сформулированное на обычном языке правило, после чего определяет, соответствует ли текст правилу: «مطابق» или «مخالف». Модель предназначена для проверки простых правил, которые можно установить непосредственно по строке, например наличия числа или отсутствия адреса электронной почты. Это дообученная модель семейства Llama с архитектурой LlamaForSequenceClassification: 1,1 млн параметров, 4 слоя, размер скрытого состояния 32 и контекст до 2048 токенов. Она обучена на 159 240 парах «текст, правило» из арабского датасета; тесты охватывают короткие деловые тексты и 19 правил. Веса занимают около 4,30 МБ, формат — safetensors. Лицензия — Apache-2.0. Модель показывает высокие результаты на формулировках правил, похожих на обучающие, но хуже переносит самостоятельно написанные разговорные формулировки. Она не предназначена для правил, требующих знаний о мире, субъективных суждений или многошагового вывода; подсчёт слов также остаётся слабым типом правил. Проверка на длинных и существенно отличающихся текстах не описана.

PatriSBERT — модель Sentence-BERT на базе RoBERTa, дообученная для семантического сравнения латинских текстов патристики и Вульгаты. Её разработчик — TdelaSelle. Модель предназначена для выявления и измерения текстовых заимствований между раннехристианскими произведениями и библейскими текстами. Модель содержит 153,2 млн параметров, принимает текст и выдаёт эмбеддинги, пригодные для оценки сходства предложений. Она обучалась с помощью triplet fine-tuning на наборе латинских триплетов библейских заимствований; основой послужила PatriSBERT-NLI, построенная на PatriBERT, предварительно обученной на латинских патристических текстах. Максимальная длина контекста — 514 токенов. PatriSBERT подходит для поиска параллельных фрагментов и анализа повторного использования библейского текста в раннехристианской литературе. В карточке приведены результаты оценки на отложенной тестовой выборке. Лицензия — CC BY 4.0.

PCSS-Qwen3.5-9B — экспериментальный мультимодальный чекпойнт tamewild, дообученный на базе Qwen/Qwen3.5-9B-Base. Авторы обучили его на 500 логических задачах «зебра» размером 5×5 из набора tamewild/instruct5, без математических данных, применив PCSS — адаптивное масштабирование функции потерь на основе KTO — и MiSS для параметрически эффективного дообучения. Модель построена на плотной архитектуре Qwen3.5 и поддерживает диалог и понимание изображений; в карточке указан тег image-text-to-text. Для работы с текстовыми логическими задачами авторы оценивают её в режиме без thinking. В описанных экспериментах модель показала 80,5% точности на задачах «зебра» 5×5; приведены также результаты на математических и вопросно-ответных бенчмарках, которые отражают экспериментальную оценку, а не гарантию качества в иных сценариях. README описывает запуск через vLLM с максимальной длиной последовательности 32 000 токенов. Модель распространяется по лицензии Apache-2.0.

Policy-DistilBERT-7d — модель классификации предложений, разработанная Moritz Laurer. Она относит английский текст к одной из семи политических категорий: экономика, внешние отношения, общественные ценности, свобода и демократия, политическая система, благосостояние и качество жизни, социальные группы. Модель построена на DistilBERT и дообучена на 129 669 вручную размеченных предложениях из партийных манифестов на английском языке. Данные охватывают 164 манифеста 55 партий из восьми англоязычных стран, опубликованных в 1992–2019 годах. Максимальная длина контекста — 512 токенов. Модель подходит для тематической разметки политических манифестов и анализа политических приоритетов. На тестовой выборке указаны сбалансированная точность 0,745 и взвешенная F1-мера 0,773. Качество может снижаться на других жанрах, странах и периодах; результаты также наследуют ограничения категорий и возможные смещения разметки Manifesto Project. Условия лицензии в предоставленных данных не описаны.

pt-ai-detector — модель Detecting-ai для классификации португалоязычных текстов по вероятному авторству: человеческий текст или текст, сгенерированный ИИ. Это BERT-base, дообученная на базе neuralmind/bert-base-portuguese-cased; размер модели — 136,1 млн параметров, максимальный контекст — 512 токенов. Репозиторий содержит веса Safetensors и формат ONNX. Модель предназначена для выявления ИИ-текстов в эссе, статьях, чатах и обращениях в поддержку. Обучение включало сбалансированные наборы человеческих и сгенерированных текстов на португальском языке; в README заявлена точность около 99% на сбалансированном тестовом наборе. Модель не обучалась на коде и других языках, а качество может снижаться на текстах короче 10 токенов и сильно перефразированных генерациях. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Карточка модели nityaak/qwen3-4b-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-4b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия Qwen3-4B, подготовленная с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и может применяться для задач классификации позиции в тексте и работы с матрицей позиций в сценариях SemEval, MT-CSD и EzStance. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Базовая модель — unsloth/Qwen3-4B-unsloth-bnb-4bit; лицензия — Apache-2.0. README не приводит оценок качества или подробностей обучающих данных, поэтому пригодность результатов для конкретных наборов данных стоит проверять отдельно.