I.11Классификация, ранжирование и сопоставление

Карточка модели udaypratap/results на Hugging Face совпадает с карточкой udaypratap/smart-mcq-solver, поэтому описание составлено по ней. 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.

joonion/roberta-base-klue-ynat — модель классификации текста на основе klue/roberta-base, дообученная с архитектурой RobertaForSequenceClassification. Она предназначена для отнесения текстов к классам; название модели указывает на связь с набором YNAT, однако README не подтверждает конкретные метки или сценарии классификации. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и сохранена в формате Safetensors. Базовая модель предназначена для понимания корейского текста, поэтому вероятный язык применения — корейский. В README приведены результаты оценки: accuracy 0,0 и loss 2,1797; эти показатели указывают на отсутствие продемонстрированной точности в указанной оценке. Лицензия в доступных данных не приведена.

ixa-ehu/roberta-eus-euscrawl-base-cased — базовая модель RoBERTa для баскского языка, представленная авторами исследования «Does corpus quality really matter for low-resource languages?». Модель содержит 151,7 млн параметров и обучена на корпусе EusCrawl, собранном с баскских сайтов: корпус включает около 12,5 млн документов и 423 млн токенов. Это регистрозависимая модель для заполнения пропусков в тексте (masked language modeling); она принимает текст и предсказывает скрытые в нём токены. Максимальная длина контекста — 514 токенов. Модель предназначена для исследований и создания систем обработки баскского текста. В статье её оценивали на классификации тем, анализе тональности, определении позиции, распознавании именованных сущностей и ответах на вопросы. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SK_Morph_BLM — предварительно обученная языковая модель для словацкого языка, разработанная Дэвидом Држиком. Она построена на архитектуре RoBERTa и предназначена прежде всего для дообучения на прикладных задачах обработки словацкого текста; также её можно использовать для заполнения пропусков в тексте. Модель содержит 6 слоёв и 12 голов внимания, размер скрытого слоя — 576, словарь — 50 264 токена. В README указана последовательность до 256 токенов, а метаданные каталога — контекст 258 токенов. Для токенизации используется специальный морфологический токенизатор SKMT, сохраняющий целостность корневых морфем; он несовместим со стандартным RobertaTokenizer. Модель работает без учёта регистра, преобразуя текст в нижний регистр. Предобучение выполнено на отфильтрованном словацком подмножестве OSCAR 2019. В карточке указано 58 млн параметров, в метаданных — 68,8 млн. Лицензия — MIT. Модель ориентирована на словацкий язык; для её практического использования с нестандартной токенизацией потребуется SKMT.

ShadowTooOP/smart-mcq-distilbert-base — дообученная DistilBERT Base модель для выбора правильного ответа в заданиях с несколькими вариантами. Она разработана для Smart MCQ Solver Challenge и использует архитектуру DistilBertForMultipleChoice; контекст составляет до 512 токенов, веса опубликованы в формате safetensors. Модель представляет вторую часть ансамбля из двух моделей: при совместном инференсе её предсказания объединяются с ShadowTooOP/smart-mcq-roberta-base с весом 0,4, а предсказания RoBERTa — с весом 0,6. Репозиторий указывает лицензию Apache-2.0. Данных о языковой специализации и результатах оценки в карточке нет.

tiny-bert-sst2-distilled — компактная модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе GLUE. В качестве основы указана google/bert_uncased_L-2_H-128_A-2; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для классификации текста. Название репозитория указывает на задачу SST-2 — определение тональности отзывов, однако README не содержит подробностей о настройке и результатах оценки. Репозиторий создан в 2022 году, веса представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Компактный размер делает её подходящей для экспериментов и сценариев, где важны небольшие вычислительные затраты; качество и ограничения применения в карточке не описаны.

Titan-Math-Pro — модель, представленная авторами как ориентированная на математику и обученная на проверенных доказательствах и конкурсных задачах с контролем промежуточных шагов рассуждения. В карточке указаны результаты сравнительных тестов по математическому и логическому рассуждению, а также здравому смыслу; отдельные численные результаты для полной таблицы не приведены. Метаданные описывают модель как плотную архитектуру BERT (`BertModel`) в формате PyTorch. Задача Hugging Face — извлечение признаков, поэтому модель подходит для получения представлений текста в математических и логических сценариях. README также заявляет о сильных результатах в задачах рассуждения и генерации, но не содержит сведений о способе локального запуска, размере модели, длине контекста или поддерживаемых языках. Лицензия — MIT.

Trait2Vec — англоязычная модель Sentence Transformer, разработанная Juan Garcia, Soumyashree Kar, Jim Balhoff и Hilmar Lapp для Imageomics. Она дообучена на датасете Character Similarity Dataset от sentence-transformers/all-mpnet-base-v2 и кодирует текстовые описания биологических признаков организмов в плотные векторы. Косинусное сходство этих векторов качественно отражает семантическое сходство признаков и сохраняет часть ранжирования, заданного онтологической метрикой SimGIC. Модель подходит для получения векторных представлений признаков организмов, их семантического сравнения, поиска и группировки. Архитектура основана на MPNet и содержит 136,7 млн параметров; максимальная длина контекста — 514 токенов. Модель принимает текст на английском языке и выдаёт векторы для сравнения и анализа сходства. Лицензия MIT. Результаты наследуют смещения базовой модели, датасета, метрики сходства и использованной онтологии; полнота покрытия и определения признаков могут отличаться при выборе других метрик или онтологий. Оценка описана как качественная, поэтому в README нет оснований считать близость векторов универсальной мерой биологического сходства.

Модель tiantiaf/voxlect-spanish-dialect-whisper-large-v3 разработана Тяньтянь Фэн и предназначена для классификации испанских речевых диалектов. Она дообучена на базе openai/whisper-large-v3 и принимает аудио, а на выходе определяет один из шести региональных вариантов: Andino-Pacífico, Caribe and Central, Chileno, Mexican, Penisular или Rioplatense. В метаданных указан датасет Mozilla Common Voice 11.0 и формат safetensors. Модель подходит для анализа региональных различий в испанской речи и экспериментов с классификацией диалектов. README исключает клиническое применение, наблюдение и использование с нарушением приватности; также запрещено коммерческое использование. Лицензия указана как OpenRAIL.

mo-thecreator/wav2vec2-base-finetuned — дообученная на основе facebook/wav2vec2-base модель для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. В README указаны accuracy 0,9997 и loss 0,0015 на оценочном наборе, но название и состав набора данных не приведены. Модель принимает аудио и выдаёт классовую оценку; метаданные также отмечают поддержку классификации текста, однако описание обучения и назначения классов отсутствует. Базовая wav2vec 2.0 предварительно обучена на речевом аудио. Модель распространяется по лицензии Apache-2.0.

XLMIndic Base Uniscript — модель семейства ALBERT, разработанная для предобучения на 14 индоарийских языках. Она обучена на подмножестве корпуса OSCAR и предназначена для последующей адаптации к задачам обработки текста на этих языках. Модель имеет 12 повторяющихся слоёв, 12 голов внимания и контекст до 512 токенов; конфигурация соответствует ALBERT Base v2. В метаданных указано 151,6 млн параметров. Перед подачей текст необходимо транслитерировать в латиницу по стандарту ISO-15919 с помощью библиотеки Aksharamukha. Общая письменность помогает модели формировать межъязыковые представления для языков, обычно записываемых разными индийскими письменностями. Основной сценарий использования — заполнение маски и дальнейшая тонкая настройка для классификации последовательностей и токенов или ответов на вопросы. Модель принимает и выдаёт текст. Модель охватывает ассамский, бенгальский, бихарские языки, бишнуприя-манипури, гоанский конкани, гуджарати, хинди, майтхили, маратхи, непальский, ория, панджаби, санскрит и сингальский. README также допускает потенциальное применение к некоторым дравидийским языкам после транслитерации, но заявленная область предобучения — индоарийские языки. Лицензия — Apache-2.0. Модель может унаследовать гендерные, этнические и политические предубеждения корпуса; для прикладных задач обычно требуется тонкая настройка.

Модель Jzuluaga/accent-id-commonaccent_ecapa предназначена для определения акцента в коротких аудиозаписях английской речи. Она разработана с использованием SpeechBrain и обучена на наборе CommonAccent; архитектура включает ECAPA-TDNN, статистический pooling и классификатор. Модель распознаёт 16 категорий акцента, включая американский, английский, индийский, австралийский и канадский варианты английского. Для обучения использован звук с частотой 16 кГц и одним каналом; при классификации файла система может автоматически привести аудио к нужному формату. В README указана точность 87% на тестовом наборе. Авторы отмечают, что ошибки часто возникают между похожими акцентами, например американским и канадским. Модель распространяется по лицензии MIT; качество на данных, отличающихся от обучающего набора, не гарантируется.

Модель sercetexam9/afro-xlmr-base-ary-finetuned-augmentation-LUNAR — дообученная версия Davlan/afro-xlmr-base для классификации текста. Она построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; базовая AfroXLMR предназначена для работы с текстами на африканских языках. Заявленная задача модели — отнесение текста к классам. В карточке приведены результаты оценки: loss 0,3039, F1 0,5359, ROC AUC 0,7304 и accuracy 0,5105. Название датасета указано как None, а сведения о целевых классах, языках дообучения и сценариях применения отсутствуют, поэтому результаты не позволяют судить о пригодности модели для конкретной предметной области. Лицензия — MIT.

VSAsteroid/ai-text-detector-hc3 — модель классификации текста, дообученная автором репозитория на базе DistilBERT для различения текстов, написанных человеком, и текстов, созданных ИИ. Она построена на DistilBertForSequenceClassification и обучена на наборе HC3 (Human ChatGPT Comparison Corpus) с использованием PyTorch и Transformers. Модель принимает текст и присваивает ему одну из двух меток: «написан человеком» или «создан ИИ». Её можно применять для проверки происхождения текстов, похожих на материалы из обучающего набора. Контекст модели составляет 512 токенов; в метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Заявленная точность относится прежде всего к типам текстов, представленным в HC3. Качество может снижаться на других жанрах и текстах от незнакомых моделей; короткие фрагменты классифицировать сложнее. README не приводит численных метрик качества.

AraGenre E5-Large MNRL X-GENRE — Multi-Seed (Seed 42) — это дообученная модель Hassan Barmandah и соавторов из NAMAA Community и Университета Умм-эль-Кура. Она основана на multilingual-e5-large и создаёт текстовые эмбеддинги для иерархической классификации жанров арабских текстов; в карточке также указана задача сравнения предложений. Архитектура — плотный энкодер XLM-RoBERTa, размер — 658,7 млн параметров, максимальный контекст — 514 токенов. Модель обучалась в два этапа на X-GENRE и AraGenre с MultipleNegativesRankingLoss; опубликован чекпойнт с seed 42. Чекпойнт предназначен прежде всего для воспроизведения экспериментов и изучения классификации жанров в AraGenre. Высокая оценка на небольшой выборке разработки не переносится на официальный скрытый тест: в README сообщается о снижении hierarchical F1 до 0,22–0,44 из-за несовпадения определений жанров и более широкой таксономии. Авторы отмечают, что это не модель отдельного победившего решения команды и не рекомендуют её как готовый классификатор для производства. Лицензия — Apache-2.0.

Модель allenai/aspire-contextualsentence-multim-compsci разработана исследователями Allen Institute for AI и представлена в работе о многовекторном моделировании сходства научных документов. Это модель на архитектуре BERT с 137,1 млн параметров и контекстом до 512 токенов. Она кодирует заголовок и аннотацию научной статьи, формируя контекстные векторы предложений, а затем сопоставляет документы по расстоянию Вассерштейна между их предложениями. Модель предназначена для поиска статей по всему документу или по выбранным предложениям запроса, с тонким сопоставлением аспектов между документами по компьютерным наукам. Модель обучена на парах социтируемых статей по компьютерным наукам с контрастивной целью и выравниванием предложений по контекстам цитирования. Для использования требуется вычислить векторы предложений и расстояние оптимального переноса; доступны веса PyTorch для библиотеки Transformers. Карточка приводит оценку на наборе CSFCube и сравнение с SPECTER и all-mpnet-base-v2. Apache-2.0 разрешает коммерческое и некоммерческое использование при соблюдении условий лицензии. Качество за пределами научных текстов по компьютерным наукам может быть ниже; для классификации предложений или документов потребуется дополнительная настройка.

sentence-transformers/bert-base-wikipedia-sections-mean-tokens — модель Sentence-Transformers, обученная командой Sentence Transformers на основе BERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель принимает текст и выдаёт эмбеддинги; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Авторы предупреждают, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендуют выбрать более новую модель для практических задач. Лицензия — Apache-2.0.

bondi/bert-semaphore-prediction-w4 — модель классификации текста на архитектуре BERT с головой BertForSequenceClassification. Согласно карточке, она обучена с нуля на наборе данных, обозначенном как None; назначение классов и область применения не описаны. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для задачи text-classification. Карточка не описывает конкретные сценарии использования, языки, данные оценки или ограничения качества. Доступный формат весов — PyTorch. Лицензия в предоставленных метаданных и README не указана.

maximuspowers/bias-type-classifier — англоязычный классификатор текстов, разработанный Maximuspowers и дообученный на базе google-bert/bert-base-uncased. Модель использует архитектуру BERT для классификации текста по типам предвзятости; среди меток указаны racial, religious и physical. Для одного текста возвращает метку и оценку, а параметр return_all_scores=True позволяет получить оценки по всем меткам. В README приведены средние F1 0,8998, точность 0,9213 и полнота 0,8807, а также результаты по отдельным категориям. Модель рассчитана на англоязычный текст, имеет контекст до 512 токенов и содержит 136,7 млн параметров. Обучена на датасете ethical-spectacle/biased-corpus; указана лицензия MIT. Качество на других данных и категориях предвзятости может отличаться от приведённых метрик.

BnLM-C — компактная предварительно обученная языковая модель для бенгальского языка из семейства BnLM, разработанного для задач NLP на малоресурсных языках. Модель содержит 66 млн параметров, использует архитектуру DistilBERT и обучена с нуля на корпусе B-CORE с помощью masked language modeling. Для токенизации применяется WordPiece-словарь на 30,5 тыс. токенов; длина контекста — 512 токенов. Модель предназначена для предсказания пропущенных слов и как компактный энкодер для последующей адаптации к downstream-задачам, например классификации текста. Её небольшой размер рассчитан на сценарии с ограниченными вычислительными ресурсами и требованиями к задержке. Карточка описывает BLUGE и бенчмарки для семейства BnLM в целом, поэтому заявления об их результатах не следует считать отдельной оценкой BnLM-C. Модель распространяется по лицензии CC BY 4.0.

COPA_albert_base_finetuned — дообученная модель на базе albert/albert-base-v2 для задачи multiple-choice: выбора одного ответа из нескольких вариантов. В метаданных указаны архитектура ALBERT с классом AlbertForMultipleChoice, 136,3 млн параметров и контекст до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены результаты оценки: loss 0,7959 и F1 0,72. Датасет обучения не установлен, поэтому эти метрики не позволяют судить о качестве на конкретных наборах вопросов или за пределами оценки. Карточка не описывает специальные сценарии применения и ограничения.

DermLIP ViT-B-16 — предварительно обученная CLIP-подобная модель зрения и языка для дерматологии, разработанная авторами Derm1M и обученная на наборе Derm1M с дерматологическими изображениями и текстами. Визуальный энкодер основан на ViT-B/16, текстовый — на GPT-2; изображения обрабатываются с разрешением 224×224 пикселя. Модель предназначена для классификации изображений кожи по текстовым меткам без примеров, обучения с небольшим числом примеров, поиска соответствий между изображениями и текстом, а также аннотирования и объяснения визуальных понятий. Она формирует совместные представления изображений и текста, пригодные для сравнения с описаниями или названиями классов. Карточка приводит медицинские сценарии, но не подтверждает пригодность модели для самостоятельной постановки диагноза. В метаданных указаны библиотека Transformers и форматы PyTorch и Safetensors. Лицензия в метаданных — CC-BY-NC-4.0, тогда как README указывает CC-BY-NC-ND-4.0; условия лицензирования следует сверить перед использованием, особенно для коммерческих и производных работ.

DistilBERT-base — классификатор, дообученный для определения, написан ли текст человеком или сгенерирован ИИ. Модель разработал Абдул Ханнан Мохаммед в рамках магистерской диссертации по искусственному интеллекту в Университете Западной Шотландии в 2025/26 учебном году; научный руководитель — доктор Тахир Махмуд. В основе лежит distilbert-base-uncased, дообученный на датасете HC3 для бинарной классификации. Модель принимает текст на английском языке и выдаёт метку класса. В карточке указано окно контекста 512 токенов. На тестовой выборке HC3 без изменений заявлены F1 0,9922 и точность 0,9948; устойчивость ниже при перефразировании: доля успешных атак составляет 5,2% для перефразирования Pegasus и 19% для атаки в стиле QuillBot. Лицензия — MIT.

DziriBERT — языковая модель на архитектуре BERT, разработанная для алжирского разговорного арабского языка. Она предобучена на примерно одном миллионе публикаций из Twitter и рассчитана на работу с текстом, записанным как арабскими, так и латинскими символами. Модель содержит 151,6 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. Основная задача модели — предсказывать пропущенные токены в тексте. Её также можно применять как основу для классификации алжирских текстов; авторы сообщают о результатах уровня state of the art на наборах данных для такой классификации. Модель выпущена под лицензией Apache-2.0. Поскольку предобучение основано на сообщениях из социальных сетей, модель может предлагать оскорбительные слова. Это следует учитывать при использовании её предсказаний в пользовательских приложениях.

Ties/gpt-business-complexity — дообученная языковая модель на архитектуре Llama, разработанная как сопутствующая модель к работе Bernard et al. (2026) «Using GPT to measure business complexity». Она предназначена для генерации текста в рамках оценки сложности бизнеса. В метаданных указаны 7,5 млрд параметров, контекст до 8192 токенов, поддержка диалога и английский язык. Модель основана на meta-llama/Meta-Llama-3-8B и распространяется в формате safetensors по лицензии Llama 3.

Gregariousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base и предназначенная для бинарной классификации текстовых последовательностей. Она построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. По результатам оценки точность составила 0,6289, F1 — 0,5605, а AUC — 0,6918. Назначение классов, обучающие данные и конкретные сценарии применения в карточке не раскрыты, поэтому интерпретацию предсказаний следует устанавливать отдельно. Модель распространяется по лицензии MIT.

trentmkelly/gte-tiny-llm-family-stylometry — дообученная модель SentenceTransformers на основе BERT/GTE Tiny, разработанная для исследовательского анализа стилистических сходств между английскими эссе. Она преобразует текст в векторы размерности 384 и сравнивает их косинусной близостью; предназначена для кластеризации наборов текстов, сравнения центроидов стилей семейств моделей и изучения изменений стиля письма. Модель содержит около 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель обучена на 60 000 триплетах и рассчитана прежде всего на эссе на английском языке. Разработчик сообщает результаты внутренней оценки на парах эссе, но порог для F1 и accuracy подбирался на той же оценке, поэтому эти показатели не подтверждают качество на независимом публичном тесте. Модель не предназначена для обнаружения ИИ-текста; сходство со стилем семейства не доказывает происхождение текста или идентичность модели. Короткие сообщения, код, другие языки и отредактированные документы могут давать ненадёжные результаты. Репозиторий не заявляет новую лицензию на веса, производные от TaylorAI/gte-tiny, поскольку у базовой модели лицензия в Hub не объявлена.

Imagination_binary — модель классификации текстов на базе DeBERTa-v3-base, дообученная разработчиком ajrayman для бинарной классификации. Она предназначена для отнесения текста к одному из двух классов; конкретная тематика классов и сценарий применения в карточке не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текст длиной до 512 токенов. Доступны веса в формате Safetensors, библиотека Transformers; лицензия — MIT. В карточке приведены результаты оценки: accuracy 0,6002, precision 0,6389, recall 0,4589, F1 0,5341 и AUC 0,6471. Эти показатели указывают на ограниченное качество и требуют проверки на данных целевого применения. Обучающий датасет не описан.

L24 PLS8 Support Reranker v1 — экспериментальный второй этап ранжирования доказательных фрагментов, разработанный автором araujota на основе активаций Qwen3-4B. Модель использует два состояния resid_pre размерности 2560 со слоя 24: для запроса вместе с кандидатом и для кандидата с отдельным промптом оценки априорной поддержки. После удаления мешающих компонент проекция формирует восемь PLS-признаков, которые объединяются с плотной оценкой и рангом кандидата. Артефакт сохранён в Safetensors и массивах NumPy. Модель предназначена для переранжирования органического списка из 100 кандидатов, полученного плотным поиском, прежде всего для поиска юридических и биомедицинских доказательств, а также научных, нормативных и технических документов. Это не самостоятельная текстовая модель: для извлечения признаков требуются соответствующий Qwen3-4B/RMT telemetry backbone, точный формат промптов, токенизатор и контрольная точка. Модель не генерирует ответы и не заменяет первый этап поиска. На LegalBench-RAG и R2MED автор сообщает о повышении качества относительно плотного поиска и Ettin в проверенных условиях. Эти результаты относятся к двум обучающим доменам и не доказывают общего превосходства над текстовыми реранкерами. Модель не может найти документы, отсутствующие в исходном списке; вычисление двух состояний на кандидата ресурсоёмко, оценки относительны списку, а смена контракта телеметрии нарушает калибровку. Контрольная точка распространяется по лицензии MIT.

MrZaper/LiteModel — компактная модель Sentence-Transformers, дообученная для семантического поиска и извлечения академических статей по кибербезопасности из журнала «Cybersecurity: Education, Science, Technology». Она кодирует запросы и фразы статей в плотные векторы размерностью 384 для поиска по сходству, кластеризации и семантического сопоставления. Для поиска в описанном сценарии запрос переводится на английский с помощью Google Translate, после чего вычисляется косинусное сходство с заранее рассчитанными эмбеддингами статей; результатом служат коды наиболее подходящих статей. Модель основана на BERT, содержит 25,9 млн параметров и имеет контекстное окно 512 токенов. README заявляет поддержку запросов на английском, украинском и других языках благодаря предварительному переводу на английский. Репозиторий также содержит предрассчитанные эмбеддинги статей и соответствующие коды. Лицензия — Apache-2.0. По описанию модель специализирована на одном журнале, поэтому её пригодность для других коллекций и предметных областей не подтверждена.