I.11Классификация, ранжирование и сопоставление

Модель emotion-sphobert разработана на основе vinai/phobert-base-v2 и дообучена для распознавания эмоций во вьетнамских текстах. Это RoBERTa-энкодер с классификационной головой и mean pooling, содержащий 162,4 млн параметров; для классификации текста модель принимает последовательности длиной до 258 токенов и относит их к одному из семи классов: радость, грусть, гнев, страх, отвращение, удивление или нейтральная и прочая эмоция. Модель предназначена для анализа эмоциональной окраски коротких сообщений вьетнамских социальных сетей, в том числе для сортировки и мониторинга пользовательских публикаций. Она обучена на наборе VSMEC из 6 927 размеченных примеров и распространяется в формате safetensors по лицензии Apache-2.0. В README указаны нулевые Accuracy, Macro-F1, Precision и Recall, поэтому заявленные результаты не подтверждают пригодность модели для практического применения без дополнительной проверки.

Idan/fga-ndcg — модель Factor Graph Attention, разработанная на основе подхода FGA из работы CVPR 2019 и дообученная автором на плотных оценках релевантности для визуального диалога. Она принимает изображение и историю диалога с вопросом, а затем ранжирует 100 предложенных ответов; обучение оптимизирует NDCG, учитывая градации релевантности, выставленные пятью аннотаторами. Модель основана на архитектуре FGA для визуального диалога и рассчитана на набор VisDial v1.0. На валидационной выборке автор сообщает NDCG 69,07; компромисс этой настройки — MRR 49,03, ниже, чем у варианта, обученного на разреженных метках. Репозиторий содержит веса Safetensors и указывает библиотеку Transformers. Лицензия — MIT.

GreenTruth Claim Detector — англоязычный бинарный классификатор предложений, разработанный как текстовый этап системы GreenTruth для анализа экологических заявлений. Он помогает находить проверяемые заявления в корпоративных раскрытиях перед последующей проверкой по данным наблюдений Земли; классификация не оценивает истинность заявления и не определяет, вводит ли компания в заблуждение. Модель основана на RoBERTa, дообученной на ClimateBERT DistilRoBERTa для экологических текстов. Она содержит 95,4 млн параметров, принимает текст и выдаёт метку класса; максимальная длина на обучении составляла 256 токенов, а контекст модели — 514 токенов. Обучение проводилось три эпохи на наборе environmental_claims. Для сопоставимых моделей статья сообщает macro-F1 около 85%, но это не отдельная оценка данного чекпойнта. Модель предназначена для английских текстов публичной отчётности компаний. Возможен сдвиг качества на других типах текстов и в других областях; результат следует использовать для отбора заявлений на проверку, а не как вывод об их достоверности или намерениях компании. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях некоммерческого распространения с сохранением лицензии.

AuricErgeson/hate-speech-detector — классификатор текста на базе RoBERTa, дообученный разработчиком на более чем 110 тыс. примерах из четырёх открытых наборов данных по языку ненависти и оскорблениям. Модель относит текст к одному из трёх классов: нейтральный, оскорбительный или содержащий язык ненависти. Она предназначена для модерации англоязычных публикаций в социальных сетях, предварительной разметки данных и исследовательских задач. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors по лицензии MIT. В README указаны точность 0,843 на тестовой выборке и F1 0,697 для класса языка ненависти; это указывает на необходимость проверки предсказаний человеком, особенно при модерации. Модель хуже работает на коротких фрагментах, может ошибочно реагировать на цитирование и обсуждение оскорбительных выражений, не распознаёт некоторые коды без контекста и может пропускать новые после 2022 года выражения. Поддерживается только английский язык.

HER-RM-32B — генеративная reward-модель для оценки ответов в ролевых диалогах, разработанная авторами проекта HER. Вместо единой числовой оценки она формулирует принципы оценки с учётом контекста диалога, сравнивает два варианта ответа и выдаёт разбор с обоснованием. Модель основана на дообученной плотной авторегрессионной архитектуре Qwen3 с 29,7 млрд параметров и контекстным окном до 131 072 токенов. Модель предназначена для попарного ранжирования ролевых ответов и анализа качества персонажей по 12 измерениям, включая соответствие характеру, естественность взаимодействия и развитие сюжета, а также противоречия контексту, повторы и нарушения логики. По карточке, обучение включало более 300 тысяч пар предпочтений и 107 оценочных принципов. Указаны китайский и английский языки; модель распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Это специализированная модель оценки и сравнения ответов, а не универсальная модель для генерации ролевых реплик; её выводы следует рассматривать как оценку предпочтений, а не как объективную гарантию качества.

paranroman/indobert-ekman-emotion — модель классификации эмоций в тексте на индонезийском языке, разработанная на основе IndoBERT. Она дообучена на датасете диалогов на индонезийском языке, стилизованных под общение глухих, и предсказывает одну из семи меток: отвращение, удивление, гнев, нейтральное состояние, грусть, радость или страх. Модель построена на архитектуре BERT с классификационной головой, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для определения эмоциональной окраски индонезийских высказываний и анализа диалогов. Она распространяется под лицензией MIT. Её классификация ограничена перечисленными семью категориями, а обучение на специфическом корпусе диалогов может влиять на качество при обработке других стилей и жанров текста.

lupobricco/irony_classification_ita_base — дообученная модель классификации текста на архитектуре CamemBERT, основанная на Musixmatch/umberto-commoncrawl-cased-v1. Она предназначена для определения иронии в тексте. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: F1 — 0,7035, ROC AUC — 0,7635 и точность — 0,6124. Обучающий набор данных и подробности предполагаемого применения не описаны. Базовая модель предназначена для итальянского языка, поэтому итальянский — основной язык для этой модели. Репозиторий содержит веса в формате Safetensors; сведения о лицензии отсутствуют в предоставленных данных.

circulus/koelectra-polite-v1 — корейская модель классификации текста от circulus, созданная на базе KoELECTRA-Base-v3 от monologg. По названию репозитория она предназначена для классификации вежливости корейских высказываний; модель использует архитектуру ELECTRA для классификации последовательностей, содержит около 140,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для определения уровня вежливости в корейском тексте. KoELECTRA разработана для корейского языка, а её базовая архитектура включает 12 слоёв, скрытый размер 768 и 12 голов внимания. В карточке модели не обнаружены сведения о метках классов и результатах оценки качества, поэтому конкретную схему классификации и точность нельзя подтвердить. Репозиторий использует формат PyTorch. Лицензия этой производной модели в доступных источниках не подтверждена; лицензия базовой KoELECTRA — Apache-2.0, но её условия нельзя автоматически приписать этому чекпойнту.

Lawma 8B — языковая модель для классификации юридических вопросов, созданная дообучением Llama 3 8B Instruct. Разработчики обучили её на более чем 500 тысячах примеров и примерно 2 млрд токенов для 260 задач классификации по данным Верховного суда США и апелляционных судов Songer. Модель имеет плотную архитектуру Llama с 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Модель предназначена прежде всего для ответов на обученные юридические задачи с выбором варианта: обычно она возвращает букву или число, а не развёрнутое объяснение. В оценке авторов Lawma 8B превзошла GPT-4 в среднем по рассмотренным задачам, однако разработчики рекомендуют применять её только к близким юридическим классификациям и дообучать на примерах целевого сценария. Модель распространяется по лицензии MIT.

MindNano Ling3 Compass — экспериментальная схема рассуждений по базе знаний на основе Ling-3.0-tiny, опубликованная Sariel00. Репозиторий содержит веса Ling3 в форматах BF16 GGUF и safetensors, движок на C++, интерфейс базы знаний SQLite и компоненты H1/H2. Базовые веса Ling3 не дообучались; H1 и H2 используют отдельные обученные головы. Лицензия — Apache-2.0. Система предназначена для ответов на вопросы по зарегистрированным документам. При создании базы она сохраняет исходный текст, эмбеддинги Qwen3-Embedding-0.6B и состояния Ling3. При запросе H1 использует скрытые представления обычного прохода вопроса для поиска, H2 оценивает наличие подходящего свидетельства и может отказаться отвечать, а H3 формирует ответ по выбранному пакету материалов. Поддерживаются текстовый RAG и режимы с полными или сжатыми состояниями KV; это решение с движком и дополнительными компонентами, а не только самостоятельная языковая модель. В описанных испытаниях использовались короткие пакеты документов и вопросы на китайском, английском и японском. Сжатие activation960 уменьшало медианный размер файла состояния примерно в 22 раза относительно полного KV, но снижало точность: в парной проверке строгие ответы с EOS составили 84,4% против 88,5% у полного KV. Проверки ограничены указанными наборами и условиями, не устанавливают превосходство над специализированными реранкерами и не подтверждают качество режима Think. Репозиторий обозначен как экспериментальный; опубликованная лицензия Apache-2.0.

MiniLM Tekla Attribute Embeddings v1 — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория teknovizier на базе sentence-transformers/all-MiniLM-L12-v2. Она сопоставляет запросы на естественном языке с именами атрибутов Tekla Structures, кодируя тексты в векторы для семантического поиска и сравнения по косинусному сходству. Модель использует архитектуру BERT, содержит 40 млн параметров и выдаёт эмбеддинги размерностью 384. Метаданные указывают контекст до 512 токенов, а карточка модели рекомендует ограничивать последовательность 128 токенами. Обучение проводилось на 35 590 синтетических парах запросов и атрибутов Tekla Structures 2025; для сопоставления рекомендуется привести запросы и названия атрибутов к нижнему регистру, заменив подчёркивания и дефисы пробелами. Модель предназначена для поиска и сопоставления атрибутов Tekla Structures, например для преобразования запроса «bolt name from catalog» в подходящее имя атрибута. На других BIM- и инженерных системах и в задачах общего понимания языка она может работать хуже. Качество на реальных запросах может отличаться от качества на синтетических обучающих примерах. Лицензия — GNU GPL v3.0.

moralBERT-predict-degradation-in-text — модель классификации текста, опубликованная пользователем vjosap (Vjosa Preniqi) на Hugging Face. По названию модель предназначена для определения в тексте признака degradation — моральной деградации или обесценивания; карточка относит её к задаче text-classification. Репозиторий содержит около 0,1 млрд параметров в формате Safetensors с тензорами F32. Модель принимает текст и выдаёт результат классификации. Данные карточки не раскрывают базовую архитектуру, обучающие данные, поддерживаемые языки, длину контекста или показатели качества, поэтому нельзя надёжно уточнить область применимости и точность. Лицензия репозитория — MIT.

Morality_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста. Она оценивает текст по непрерывной шкале, связанной с моральностью; в карточке приведены результаты оценки на тестовом наборе: RMSE 0,2227, MAE 0,1695 и корреляция 0,4437. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт оценку для входного текста. Модель может применяться для автоматической оценки моральной окраски текста и анализа таких оценок в исследовательских или прикладных системах. Карточка не раскрывает сведения о разметке и датасете, поэтому интерпретация шкалы и переносимость результатов на другие данные требуют отдельной проверки. Лицензия — MIT.

julian-schelb/multilingual-e5-large-emb-lat-intertext-v2 — модель эмбеддингов Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large для поиска интертекстуальных связей между текстами классических латинских авторов. Она предназначена для формирования векторных представлений латинских текстов и их сравнения в сценариях семантического поиска и выявления параллелей. Модель обучена с online contrastive loss на одном из пяти разбиений датасета бенчмарка Loci Similes с экспертно проверенными связями; README указывает на использование с API пакета LociSimiles. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Она рассчитана на латинский язык и выдаёт текстовые эмбеддинги. Для сохранения качества поиска необходимо использовать соответствующие обучению prompt prefixes и имена prompts. Лицензия — Apache 2.0.

Orca-4B-flash-max — репозиторий конфигурации и документации концептуальной модели System One от владельца rosokosmos19; README описывает её как Qwen3.5-based модель для быстрых калиброванных решений и агентных сценариев. В метаданных архитектура указана как плотная Qwen3 с классом Qwen3ForCausalLM, размером 2,9 млрд параметров и контекстом 32 768 токенов; модель использует Transformers и предназначена для генерации текста в чате. Модель задумана для обработки неструктурированного состояния и типизированных вопросов с ответами выбора или оценки и вероятностями уверенности, параллельной оценки вопросов, маршрутизации, планирования и многошагового использования инструментов. README заявляет низкую задержку для принятия решений и усиленные агентные возможности, однако фактическое качество калибровки и агентного поведения зависит от обученного чекпойнта. В репозитории нет файлов весов, поэтому описанные возможности нельзя проверить запуском этой версии. README называет английский сильнейшим языком; метаданные также отмечают китайский, немецкий, французский, испанский и итальянский. Указана лицензия Apache 2.0.

PatriLaSE — модель Sentence Transformers, дообученная TdelaSelle на основе bowphs/LaBerta для получения эмбеддингов предложений и абзацев на латинском языке. Она преобразует текст в плотные векторы размерности 768, использует RoBERTa с CLS-пулингом и косинусную функцию сходства. Максимальная длина входа — 512 токенов. Модель предназначена для поиска семантически близких фрагментов в текстах патристической латыни, включая выявление цитат и аллюзий, а также для информационного поиска. Прикладная область — классическая филология. Модель распространяется по лицензии CC BY 4.0. Ее обучение проводилось на корпусе предложений патристической латыни; качество для других языков и текстовых жанров не описано.

RampPublic разработала PorTAL refit for Inkling — артефакт адаптации сгенерированных LoRA-адаптеров для мультимодальной модели Inkling. PorTAL использует таблицу латентных представлений 14 задач и ядро генерации LoRA, совместно обученные на Qwen3-1.7B и Qwen3-4B и замороженные при переносе; обучалась только новая настройка для Inkling. Артефакт содержит 132 целевых q/v-проекции декодера языковой модели и генерирует для них LoRA ранга 8. Inkling запускается через мультимодальную оболочку в текстовом режиме. Модель предназначена для задач multiple-choice: выбора ответа по продолжению и оценки вариантов по нормированной логарифмической вероятности. На указанном наборе из 14 задач PorTAL-адаптированная модель показала macro acc_norm 0,8692 против 0,6767 у замороженной Inkling; результат относится к конкретному протоколу и не гарантирует такого качества в других сценариях. Это производная модель на базе thinkingmachines/Inkling, доступная в формате safetensors через portallib. Лицензия — Apache-2.0.

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

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

moranmiz/recipe-sbert-model — англоязычная Sentence Transformer на базе DistilRoBERTa, дообученная для оценки сходства кулинарных рецептов. Модель преобразует текст рецепта в плотный эмбеддинг размерностью 768 и рассчитана на последовательности до 514 токенов по метаданным; в README указан лимит 512 токенов. Архитектура использует RobertaModel, усреднение токенных представлений и нормализацию, а близость эмбеддингов можно оценивать косинусным сходством. Модель обучена на 30 тысячах пар рецептов с оценками, учитывающими как сходство текста, так и сходство списков ингредиентов. Её можно применять для семантического поиска и сравнения рецептов, а также для кластеризации и классификации текстов в кулинарных каталогах. Модель дообучена на sentence-transformers/all-distilroberta-v1 и распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Описание и приведённые метрики относятся к сходству рецептов; перенос качества на другие типы текстов не подтверждён.

Quanfire AI разработала специализированный многоязычный кросс-энкодер для повторного ранжирования результатов поиска по правительственным пресс-релизам Индии. Модель принимает пару из запроса и текста-кандидата и оценивает их релевантность; она предназначена для второго этапа поиска после получения короткого списка документов, например с помощью `embed-gov-indic`. Запрос и документ подаются без префиксов. Модель основана на BERT и дообучена от `intfloat/multilingual-e5-small`; содержит 124,3 млн параметров, работает через Sentence Transformers и имеет контекст длиной до 512 токенов. В карточке заявлена работа с 16 индийскими языками, а метаданные перечисляют английский, хинди, урду, тамильский и бенгальский. Для опубликованного чекпойнта README сообщает Recall@1 0,118 на оценке кросс-языкового поиска по пресс-релизам, но предупреждает, что общая точность пайплайна невысока и результаты не следует переносить на другие домены. Модель не предназначена для самостоятельного поиска или создания эмбеддингов: она только переупорядочивает переданный список и не может найти документ, отсутствующий в нём. Проверка ограничена государственными пресс-релизами; для других областей и для низкоресурсных языков качество не подтверждено. Лицензия — Apache-2.0.

Это модель семейства Sentence-Transformers, разработанная для преобразования предложений и абзацев в 768-мерные векторы. Она основана на MPNet с 136,7 млн параметров и дообучена на парах предложений с библейской тематикой из набора odunola/bible-reference-sentence-pair; обучение с MultipleNegativesRankingLoss настроено на косинусное сходство. Модель предназначена для поиска смысловых соответствий между библейскими текстами и обсуждениями, даже если формулировки различаются. Векторы можно использовать для сравнения предложений, семантического поиска и группировки похожих фрагментов. Репозиторий содержит веса PyTorch, контекст модели — 514 токенов. Лицензия Apache-2.0.

Twroberta-baseB_5epoch — дообученная модель на базе Cardiff NLP twitter-roberta-base-irony, предназначенная для классификации текста. В метаданных указана архитектура RoBERTa для классификации последовательностей, 151,8 млн параметров и контекст до 514 токенов. README сообщает о дообучении на датасете, который не описан, и приводит результаты оценки: accuracy 0,7793, F1 0,2545; для класса сарказма F1 составляет 0,3591. Эти показатели дают ориентир по конкретной оценочной выборке, но без сведений о данных и разметке переносить их на другие тексты нельзя. Карточка не указывает лицензию модели.

PauAnd29/xlm-roberta-sarcasmo-bs16-ep6 — модель классификации текста на основе XLM-RoBERTa Large, дообученная разработчиком PauAnd29 на неизвестном наборе данных. Она предназначена для определения сарказма в тексте. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors под лицензией MIT. В README приведены результаты на оценочной выборке: macro F1 0,9336, weighted F1 0,9369 и accuracy 0,9372. Эти показатели относятся к неизвестному набору данных, поэтому не позволяют оценить качество на других текстах или языках. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей; сведения о языках обучения и поддерживаемых языках отсутствуют.

m3hrdadfi/albert-fa-base-v2 — базовая языковая модель ALBERT-Persian, разработанная как первая попытка применить ALBERT для персидского языка. Она обучена на персидских корпусах, включая дампы Википедии, MirasText и тексты с сайтов разных тематик; автор сообщает о более чем 3,9 млн документов, 73 млн предложений и 1,3 млрд слов. Модель имеет архитектуру AlbertForMaskedLM, содержит 174,7 млн параметров и принимает последовательности длиной до 512 токенов. Основная задача модели — предсказание скрытых токенов в персидском тексте. Её можно использовать для заполнения пропусков и как основу для дообучения под прикладные задачи, например анализ тональности, классификацию текстов и распознавание именованных сущностей. В README приведены результаты оценки таких дообученных вариантов, но они не означают, что эта базовая модель напрямую выполняет все перечисленные задачи. Модель работает с текстом на персидском языке и опубликована в формате PyTorch. Для использования ALBERT README рекомендует установить SentencePiece. Лицензия — Apache-2.0. Показатели в README относятся к конкретным наборам данных и не гарантируют аналогичного качества на других текстах.

AICodexLab дообучила ModernBERT-base для классификации текста как созданного ИИ или написанного человеком. Модель предназначена для проверки текстов на признаки генерации ChatGPT, DeepSeek, Claude и других языковых моделей, а также для исследовательских и образовательных сценариев обнаружения ИИ-контента. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает текст с контекстом до 8192 токенов. Для обучения использовались 35 894 примера, а для проверки — 8 974 примера из DAIGT V2 Train Dataset; в данных были тексты ИИ и людей из Википедии, книг и статей. Карточка сообщает validation loss 0,0036, но не приводит дополнительные метрики качества. Предсказания не безошибочны: тексты ИИ могут быть похожи на человеческие, и наоборот; качество может снижаться на текстах вне обучающего набора, а возможные смещения данных могут влиять на результат. Базовая модель описана как англоязычная, поэтому не следует считать детекцию надёжной для других языков без отдельной проверки. Лицензия — Apache-2.0.

CMB-ClimateModernBERT/A_S_CX_LRD — англоязычная encoder-only модель семейства ModernBERT, разработанная в рамках проекта ClimateModernBERT. Это чекпойнт masked language model на 149 млн параметров, полученный продолжением предобучения answerdotai/ModernBERT-base на академических и синтетических климатических текстах. Модель поддерживает контекст до 8192 токенов и распространяется в формате Safetensors для Transformers. Модель предназначена для исследований в области NLP о климате: кодирования текстов, а также дообучения под классификацию, многометочную разметку и поиск по корпоративной климатической отчётности, политическим документам, научным публикациям и новостям. В README сообщается средний F1 74,5 на девяти климатических бенчмарках; оценка проводилась после дообучения для отдельных задач. Для общего применения авторы рекомендуют другую, объединённую модель семейства с более высоким результатом. Модель принимает текст и предсказывает замаскированные токены; сама по себе она не является чат-ботом и не следует инструкциям. Она рассчитана только на английский язык. Оценки не гарантируют фактическую точность климатических утверждений, а влияние синтетических данных зависит от задачи. Условия лицензии в предоставленных сведениях не описаны.

Это модель классификации текста, созданная с помощью AutoTrain на основе Luciano/bertimbau-base-finetuned-brazilian_court_decisions. Она предназначена для отнесения текстов к категориям; исходная модель специализируется на классификации решений бразильских судов на португальском языке, однако карточка этой версии не уточняет набор меток и целевую область. Архитектура — BERT для классификации последовательностей, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. В README приведены метрики на валидации: accuracy и micro-F1 около 0,61, macro-F1 около 0,55. Эти результаты указывают на умеренное качество и сами по себе не подтверждают пригодность для конкретного набора данных или рабочего процесса. Модель сохранена в формате safetensors. Лицензия в доступных сведениях не указана.

sercetexam9/cs221-deberta-v3-base-finetuned — модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная для классификации последовательностей. В репозитории указаны результаты оценки: F1 0,7829, ROC AUC 0,8382, точность 0,5054 и loss 0,3618; название набора данных в карточке не раскрывает задачу подробнее. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. Она распространяется в формате Safetensors по лицензии MIT. Карточка не описывает целевые классы, обучающие данные или предполагаемые сценарии, поэтому применимость метрик к конкретной задаче оценить нельзя.

Это модель XLM-RoBERTa Large, дообученная sercetexam9 на базе Davlan/xlm-roberta-large-finetuned-amharic для классификации текста. Репозиторий указывает обучение в течение 10 эпох на наборе данных, название которого не приведено. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: F1 — 0,7601, ROC AUC — 0,8433, accuracy — 0,5357 и loss — 0,3308. Конкретные классы, область применения и языки целевой задачи не описаны; базовая модель предназначена для текстов на амхарском. Лицензия — MIT.