I.11Классификация, ранжирование и сопоставление

med-ruri-v3-70m — genshiai-daichi разработала модель эмбеддингов предложений для поиска по японским медицинским текстам. Это дообученная на медицинских задачах поиска модель cl-nagoya/ruri-v3-70m на архитектуре ModernBERT; она содержит 70 млн параметров, формирует плотные векторы размерности 768 и поддерживает контекст до 8192 токенов. Модель принимает текст и предназначена для семантического поиска, извлечения релевантных фрагментов для медицинских RAG-систем, сравнения и кластеризации текстов. В описанной авторами проверке на 2000 отложенных синтетических запросах по медицинской тематике nDCG@10 вырос с 0,305 у базовой модели до 0,424. Для запросов и документов необходимо добавлять префиксы «検索クエリ: » и «検索文書: » соответственно; в Sentence Transformers их можно назначить через prompt_name. Модель специализирована на японском языке и медицине, поэтому для других языков и общих текстов преимущество дообучения может быть невелико. Результаты синтетической оценки не гарантируют качество в конкретной системе. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

CMB-ClimateModernBERT Merge_TIES_D05_LRD — англоязычная модель-энкодер семейства ModernBERT, разработанная авторами проекта ClimateModernBERT для обработки климатических текстов. Она получена продолжением предобучения ModernBERT-Base на академических материалах, синтетических текстах и климатически релевантных веб-данных; затем веса опубликованы под названием, согласованным с нотацией статьи. Архитектура — ModernBertForMaskedLM, размер — 149 млн параметров, контекст — до 8192 токенов. Основная задача модели — заполнение маскированных пропусков; её также можно дообучать для классификации, многометочной разметки и поиска по климатическим документам. Модель предназначена для исследований NLP в климатической тематике: работы с научной литературой, корпоративной климатической отчётностью, политическими документами и новостями. В описанных авторами оценках она набрала в среднем 75,4 F1 на девяти климатических бенчмарках; для общего применения авторы рекомендуют другой чекпойнт семейства, Merge_Soup_LRD. Модель не является инструкционной и не даёт гарантированных фактических ответов. README указывает, что статья находится на рассмотрении, а лицензия модели отдельно не приводится в предоставленных данных.

KGESH/nsfw-bge-m3 — дообученная на базе BAAI/bge-m3 модель эмбеддингов для NSFW-ключевых слов. Она предназначена для построения текстовых представлений и сравнения семантической близости, в том числе для различения многозначных слов и отделения NSFW-запросов от общих. Архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, длина контекста — 8194 токена. Доступны веса в форматах Safetensors и GGUF. В README рекомендуются версии v1 и v4: для v4 указано усиление обучения на сложных отрицательных примерах и исправление коллапса эмбеддингов; v3 помечена как непригодная, поскольку почти все слова получали одинаковую близость. Для практического применения следует выбирать рекомендованные версии. Модель ориентирована на английский, корейский и японский языки. Условия лицензии в предоставленных данных не указаны.

NSFW BGE-M3 v1 — дообученная KGESH модель эмбеддингов на основе BAAI/bge-m3. Она предназначена для семантического представления и сопоставления текстовых запросов и ключевых слов для контента NSFW. В частности, модель обучена различать взрослые и обычные значения многозначных терминов, например сексуальное значение слова creampie и название десерта. Модель использует архитектуру XLM-RoBERTa с плотными эмбеддингами, содержит 658,7 млн параметров и принимает текст длиной до 8194 токенов. В карточке заявлена поддержка корейского, японского и английского языков; обучение проводилось на 10 008 положительных парах с MultipleNegativesRankingLoss в течение пяти эпох. Для оценки автор приводит корреляции Pearson 0,9075 и Spearman 0,8496 и прохождение 20 тестовых случаев. Модель подходит для семантического поиска и сопоставления NSFW-запросов с текстами. Результаты оценки приведены автором, но подробности тестового набора и независимой проверки не описаны. Доступны форматы Safetensors и GGUF. Условия лицензии в предоставленных данных не приведены.

KGESH/nsfw-bge-m3-v6d — текстовая модель Sentence Transformer на архитектуре XLM-RoBERTa, дообученная для построения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 1024 и поддерживает сравнение по косинусному сходству; заявленная максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и извлечения релевантных текстов. По примерам обучающей выборки модель различает близкие по смыслу формулировки сексуального характера и обычные значения похожих слов. Данные включают 170 пар предложений с оценками сходства, а обучение проводилось с OnlineContrastiveLoss. Это специализированный небольшой набор, поэтому качество за пределами подобных сопоставлений не подтверждено. В метаданных указана лицензия? No. Avoid. Разработчик не описан в карточке; модель опубликована под идентификатором KGESH/nsfw-bge-m3-v6d. Условия лицензирования в предоставленных данных не приведены.

Orderliness_continuous — дообученная модель ajrayman на базе Microsoft DeBERTa-v3-base для классификации текста. Судя по названию и приведённым метрикам RMSE, MAE и корреляции, модель предназначена для непрерывной оценки упорядоченности текста, однако README не поясняет шкалу и смысл целевой оценки. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. В README указаны результаты на оценочной выборке: loss 0,0543, RMSE 0,2331, MAE 0,1876 и корреляция 0,2457. Датасет и ограничения применения не описаны. Лицензия — MIT.

Карточка модели nityaak/qwen3-4b-stance-matrix-mtcsd-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.

RADAR-Vicuna-7B — классификатор TrustSafeAI для выявления текста, сгенерированного языковыми моделями. Это энкодерная модель на архитектуре RoBERTa, дообученная с помощью состязательного обучения детектора и перефразировщика на человеческих текстах OpenWebText и текстах, созданных Vicuna-7B-v1.1. По метаданным, модель содержит 454,1 млн параметров и имеет контекстное окно 514 токенов. Модель принимает текст и классифицирует его как написанный человеком или сгенерированный ИИ. Её можно применять для предварительной проверки материалов и поддержки модерации или анализа контента. Обучение на генерациях Vicuna-7B-v1.1 может ограничивать надёжность распознавания текстов от других моделей и перефразированных текстов. Результат не следует использовать как единственное доказательство авторства: README рекомендует дополнительную проверку. Лицензия унаследована от Vicuna-7B-v1.1 и допускает только некоммерческое использование.

Quanfire AI разработала англоязычный cross-encoder-реранкер для поиска по центральным законам Англии. Это дообученная модель BERT на базе intfloat/multilingual-e5-small с 124,3 млн параметров; она оценивает пары «запрос — фрагмент закона», чтобы переставить по релевантности короткий список, полученный первичным поисковиком. Модель рассчитана на второй этап поиска, а не на самостоятельное извлечение документов. На отложенной выборке из 1 494 запросов и пула из 1 205 фрагментов законов опубликованный запуск повысил Recall@1 с 0,0723 до 0,1111. В четырёх запусках процедуры прирост составил от 36% до 77%, что показывает заметную вариативность между случайными инициализациями. Контекст модели — 512 токенов, формат весов — safetensors, лицензия — Apache-2.0. Проверялась только переоценка результатов поиска по англоязычным текстам центральных законов. Модель не валидировалась на судебных решениях, региональном или подзаконном законодательстве, других языках и иных корпусах; перенос на них не подтверждён. Эффективность зависит от качества первичного поиска, а значительная часть релевантных фрагментов может оставаться за пределами его выдачи.

sanskritgemma-256 — статическая модель эмбеддингов Model2Vec, созданная дистилляцией Ganaraj/rgveda-embedding-gemma, варианта embeddinggemma, настроенного на ведийском санскрите. Она предназначена для поиска похожих предложений и межъязыкового семантического поиска по санскритским текстам, в том числе по запросам в транслитерации IAST и английским переводам. В README приведены результаты оценки на стихах «Бхагавадгиты». Модель содержит таблицу статических векторов размерности 256; эмбеддинги получаются через mean pooling, PCA и нормализацию. При инференсе трансформер не запускается, что ускоряет кодирование на CPU, но модель не учитывает порядок слов и контекст. Репозиторий использует safetensors и библиотеку model2vec; заявленная лицензия — MIT, при этом для распространения производной модели нужно учитывать условия Gemma, унаследованные от базовой модели.

aryanbabar170205/smart-mcq-roberta-base — модель на базе RoBERTa-base, дообученная для выбора правильного ответа в заданиях с несколькими вариантами. Она использует архитектуру cross-encoder: отдельно оценивает каждую пару «вопрос — вариант ответа» общим энкодером и ранжирует варианты по оценкам. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для решения тестов с множественным выбором в формате из пяти вариантов. Она обучена на 2 000 примерах набора Smart MCQ Solver Challenge в течение шести эпох; указанная точность на обучающей выборке составляет 100%, что не характеризует качество на новых данных. Опубликована в формате safetensors под лицензией MIT.

SPECTER-finetuned-DAGPap22 — модель классификации текста на основе BERT, полученная дообучением allenai/specter. Она предназначена для классификации текстовых последовательностей; README сообщает о результатах на тестовом наборе: accuracy 0,9993 и F1 0,9995, однако датасет и условия оценки не раскрыты. Модель содержит 137,1 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не уточняет целевые классы, языки, обучающие данные и сценарии применения, поэтому приведённые метрики нельзя считать гарантией качества на других данных.

plantdoctor/swin-tiny-patch4-window7-224-plant-doctor — модель классификации изображений на архитектуре Swin Transformer Tiny, разработанная путём дообучения microsoft/swin-tiny-patch4-window7-224 на наборе данных image_folder. В репозитории указано 33 млн параметров; модель предназначена для отнесения изображений к классам, связанным с растениями и их здоровьем. В README приведены результаты на evaluation set: accuracy 0,9983 и loss 0,0043. Эти значения относятся к указанному набору оценки и сами по себе не гарантируют такую же точность на других изображениях. Модель принимает изображения и выдаёт метки классов. Весы опубликованы в формате PyTorch по лицензии Apache-2.0.

Trust_continuous — дообученная AJ Rayman модель на базе microsoft/deberta-v3-base для классификации текста. Чекпойнт содержит около 211,6 млн параметров и использует архитектуру DeBERTa v2 с головой классификации последовательностей; исходная модель рассчитана на английский язык. Максимальная длина контекста — 512 токенов. В карточке приведены метрики на оценочном наборе: loss 0,0731, RMSE 0,2703, MAE 0,2142 и корреляция 0,2905. Датасет обозначен как None, а назначение, метки и ограничения подробно не описаны, поэтому конкретную область классификации установить нельзя. Модель распространяется по лицензии MIT.

cardiffnlp/twitter-roberta-base-dec2021 — языковая модель RoBERTa-base, обученная на 123,86 млн твитов, опубликованных до конца декабря 2021 года. Она разработана Cardiff NLP и предназначена для работы с текстом Twitter; архитектура — RoBERTa для предсказания замаскированных токенов, размер по метаданным — 151,8 млн параметров, контекст — до 514 токенов. Модель принимает английский текст и может заполнять пропуски в тексте, а также использоваться для получения представлений твитов. Для предобработки авторы рекомендуют заменять имена пользователей на «@user», а ссылки — на «http». Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на твитах до декабря 2021 года означает, что модель отражает язык и знания этого временного периода; она не предназначена для генерации развернутых ответов или актуальных сведений.

ValueLlama — языковая модель, разработанная Value4AI и дообученная на базе meta-llama/Meta-Llama-3-8B-Instruct. Она измеряет ценности по восприятию в открытом пространстве ценностей: определяет, относится ли восприятие к заданной ценности, и классифицирует его отношение как поддерживающее, противодействующее или нейтральное с учётом контекста. Обе задачи решаются генерацией метки по паре «ценность — восприятие». Модель предназначена для исследовательского анализа ценностей людей и ИИ. Это плотная Llama-модель с 7,5 млрд параметров, контекстом до 8192 токенов и разговорными возможностями; она принимает и выдаёт текст на английском языке. Доступна в формате safetensors для Transformers. Лицензия — Llama 3 Community License.

Visocial-T5-base — модель семейства mT5, разработанная 5CD-AI для анализа текстов из вьетнамских социальных сетей. Это продолжительно предобученная версия google/mt5-base: словарь сокращён до 50 589 токенов, а обучение продолжено на объединённом корпусе объёмом 20 ГБ, включающем публикации и комментарии Facebook, материалы UIT, данные электронной коммерции и отзывы Amazon, переведённые на вьетнамский язык. Модель содержит 137,9 млн параметров и распространяется в формате safetensors. В README описана оценка на задачах выявления языка вражды, токсичных высказываний и фрагментов с языком вражды во вьетнамских текстах. Метаданные указывают задачу fill-mask; конкретные результаты сравнительных таблиц в доступном README опущены. Лицензия и ограничения на использование в предоставленных данных не указаны.

jalaluddin94/xlmr-nli-indoindo — модель классификации текста на базе XLM-RoBERTa Base, дообученная разработчиком jalaluddin94 на неизвестном наборе данных. Она содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy и precision 0,7701, recall 0,7701, F1 0,7693 и loss 0,6699. Название предполагает связь с NLI для индонезийского языка, но карточка не описывает метки классов, набор данных и целевые языки, поэтому это назначение нельзя подтвердить. Модель опубликована в формате PyTorch под лицензией MIT. Качество и применимость за пределами указанной оценки не установлены; назначение набора меток и языковая область требуют проверки перед использованием.

Модель yaya36095/xlm-roberta-text-detector предназначена для классификации текста и определения, написан ли он человеком или сгенерирован искусственным интеллектом. Она создана на архитектуре XLM-RoBERTa и рассчитана на многоязычную классификацию. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и выдаёт метку классификации. Её можно применять для предварительной проверки текстов, например при модерации пользовательских публикаций или анализе учебных работ. Модель распространяется под лицензией MIT. Точность для отдельных языков, жанров и типов генераторов в карточке не приведена. Результат детектора следует рассматривать как оценку, а не как доказательство авторства.

ADI-NADI-2023 — модель классификации текста на основе BERT, дообученная на обучающей выборке NADI 2023 для одноярлыковой идентификации арабских диалектов. Она предназначена для определения диалекта по арабскому тексту и использовалась в исследовании об ограничениях одноярлыковой классификации диалектов. Модель основана на MarBERT; архитектура — CustomBertForSequenceClassification, размер — 190 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на арабском языке и выдаёт метку класса диалекта. Карточка не сообщает точный набор меток и не приводит результаты качества. Доступны веса в формате PyTorch. Условия лицензии в предоставленных данных не указаны.

nawaf11570/arabic-ai-arabert — модель классификации текста на базе AraBERTv0.2-base, дообученная для бинарного определения арабского текста как написанного человеком или сгенерированного ИИ. Разработчик обучил её на сбалансированном наборе арабских новостных статей и комментариев из социальных сетей и YouTube, сопоставленных с перефразированными Gemini версиями. Модель использует архитектуру BERT с классификационной головой, содержит 162,4 млн параметров и принимает текст длиной до 512 токенов. Модель подходит для предварительной проверки происхождения арабских текстов и анализа материалов из новостей и социальных сетей. В карточке указана точность 85,23% на внутреннем тестовом наборе; она ниже показателя сопровождающей гибридной модели проекта, который составляет 93,16%. Это результаты внутренней оценки, а не гарантия качества на других данных. Лицензия — Apache-2.0.

taishi-i разработал эту модель-классификатор как базовый чекпойнт для набора данных awesome-japanese-nlp-classification-dataset. Это плотная модель семейства BERT с головой BertForSequenceClassification, обученная на этом наборе данных и сохранённая по результатам на валидационной части. Она предназначена для классификации японских текстов по меткам набора данных. В README приведены результаты на тестовой выборке: точность 0,97; для метки 0 F1 составляет 0,98, для метки 1 — 0,74. Дисбаланс поддержки меток (796 примеров для метки 0 и 60 для метки 1) указывает на заметно более слабое распознавание класса 1. Модель содержит 205,1 млн параметров, работает с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors через Transformers. Лицензия указана как other, без уточнения условий в предоставленных данных.

Модель Biblical-Embedding-PTBR разработана PLVictor для семантического поиска библейских стихов по запросам на бразильском португальском языке. Она кодирует запросы и тексты в векторы, чтобы находить стихи по эмоциональному и духовному смыслу, даже когда формулировки запроса не совпадают с текстом стиха по ключевым словам. Это дообученная модель Sentence Transformers на архитектуре BERT с 124,3 млн параметров и контекстом до 512 токенов. По README, обучение проводилось на примерно 9 000 парах «запрос — стих» на португальском языке с использованием MultipleNegativesRankingLoss. Модель предназначена для семантического поиска и сопоставления предложений; лицензия — Apache 2.0. README также упоминает оптимизированный файл RKNN для запуска на NPU RK3588, однако метаданные описывают основной репозиторий в формате safetensors. Модель не возвращает готовый стих или теологическое объяснение сама по себе: для этого README предлагает отдельный API. Результаты поиска зависят от текстов стихов и способа ранжирования, используемых приложением.

ZX9966/bwx-7B-hf — экспериментальная языковая модель, разработанная yjf9966 и дообученная на Chinese-LLaMA-Alpaca. Это плотная модель семейства LLaMA с 6,6 млрд параметров и расширенным токенизатором на 49 954 токена; она использует Transformers и формат PyTorch. Модель ориентирована на китайский язык, обучалась на данных BAAI/COIG-PC, а длина контекста составляет 2 048 токенов. Модель генерирует текст и может применяться для предсказания следующего предложения, а также как основа для дообучения под классификацию последовательностей и токенов или ответы на вопросы. В карточке она описана как экспериментальный продукт, преимущественно предназначенный для адаптации к последующим задачам. Лицензия — Apache-2.0. Возможны смещения в предсказаниях, унаследованные от обучающих данных и базовой модели.

Hello-SimpleAI разработала классификатор на базе RoBERTa для определения, был ли текст ответа создан ChatGPT. Модель дообучена на ответах из набора Hello-SimpleAI/HC3: использовались как полные тексты, так и отдельные предложения; обучение длилось одну эпоху. Модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Она предназначена для классификации англоязычных текстов и может применяться для анализа ответов и изучения различий между текстами, созданными ChatGPT и людьми. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Hello-SimpleAI разработала китайскоязычную модель классификации текста для определения, был ли ответ написан ChatGPT или человеком. Это дообученный классификатор на архитектуре BERT, основанный на чекпойнте hfl/chinese-roberta-wwm-ext; при обучении использовались полные ответы и отдельные предложения из набора Hello-SimpleAI/HC3-Chinese, обучение длилось два эпоха. Модель подходит для анализа китайских ответов и оценки их происхождения в задачах сравнения текстов, модерации или исследовательского анализа генерации ИИ. Она принимает текст и выдаёт метку классификации. Размер составляет 129,5 млн параметров, контекст — до 512 токенов. Модель обучена на всех данных HC3-Chinese без отложенной выборки, поэтому результаты могут хуже переноситься на другие источники текстов и жанры. Формат весов — PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

COPA_Bert_Base_Uncased_Finetuned — англоязычная модель на базе google-bert/bert-base-uncased, дообученная для задачи multiple-choice: выбора наиболее подходящего варианта ответа. Она содержит 136,7 млн параметров, использует архитектуру BERT с головой BertForMultipleChoice и принимает последовательности длиной до 512 токенов. Модель можно применять для решения заданий с несколькими вариантами ответа и оценки кандидатов в рамках такой постановки. В README приведены результаты на оценочной выборке: loss 0,5670 и F1 0,7384; обучающий датасет не назван. Модель распространяется в формате safetensors по лицензии Apache-2.0. Оценочные показатели сами по себе не гарантируют качество на других данных; карточка не описывает дополнительные сценарии и ограничения.

domenicrosati/deberta-v3-xsmall-finetuned-DAGPap22 — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-xsmall, опубликованная Domenic Rosati. Она предназначена для отнесения входного текста к классам; набор данных и целевые категории в карточке не раскрыты. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa-v2 и принимает текстовые последовательности длиной до 512 токенов. В карточке приведены результаты на оценочной выборке: accuracy 0,9907 и F1 0,9934. Эти показатели относятся к неизвестному датасету и не позволяют судить о качестве на других задачах. Веса доступны в формате PyTorch; лицензия — MIT.

Модель leomaurodesenv/distilbert-base-uncased-answerable-or-not-augmented — дообученная на неизвестном наборе данных англоязычная DistilBERT для классификации текста. По названию можно предположить, что она определяет, является ли вопрос ответимым, однако README не описывает метки и сценарий применения, поэтому это назначение нельзя считать подтверждённым. В оценке на тестовом наборе указаны accuracy 0,9085 и loss 0,3136. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст с контекстом до 512 токенов. Репозиторий содержит веса в формате safetensors; модель работает с библиотекой Transformers. Лицензия — Apache-2.0. Набор данных, ограничения и подробности оценки не описаны.

ElhBERTeu-medium — среднеразмерная монолингвальная модель BERT для баскского языка, представленная в работе BasqueGLUE. Она разработана авторами BasqueGLUE и обучена на корпусе примерно из 575 млн токенов: новостях, Википедии, научных текстах, литературе и субтитрах. Модель использует регистрозависимый словарь размером 50 тыс. токенов; архитектура включает 8 слоёв и скрытое представление размерности 512. В README указано 51 млн параметров, а метаданные Hugging Face — 59,2 млн; доступный контекст составляет до 512 токенов. Модель предназначена для получения контекстных представлений баскского текста, которые можно использовать в задачах понимания естественного языка и как основу для последующей классификации или других downstream-задач. В карточке Hugging Face основная задача обозначена как feature-extraction. Модель распространяется по лицензии CC BY 4.0. Ее область применения ограничена баскским языком; сведения о результатах на конкретных downstream-задачах в карточке не приведены.