I.11Классификация, ранжирование и сопоставление

AtmicQuoterv1 — дообученная SriRamanaAtmic модель на базе BAAI/bge-small-en-v1.5 для преобразования предложений и абзацев в плотные векторы размерностью 384, пригодные для поиска релевантных текстов и сравнения по косинусному сходству. Архитектура Sentence Transformer использует BERT, CLS-пулинг и нормализацию; библиотека модели — Sentence Transformers. По примерам обучающих данных модель ориентирована на поиск цитат и фрагментов, связанных с учением Раманы Махарши. Контекст ограничен 512 токенами по метаданным; README указывает максимальную длину последовательности 128 токенов. На наборе atmic-val приведены метрики cosine_accuracy@1 0,6785, @3 0,8372 и @5 0,8841. Это англоязычная модель; лицензия в предоставленных данных не указана.

AtmicReRanker — англоязычный BERT-large cross-encoder для переранжирования результатов поиска по вопросам и ответам о Рамане Махарши. Модель разработала SriRamanaAtmic: это дообученная версия castorini/monobert-large-msmarco с 433,9 млн параметров, представленная в формате safetensors и использующая классификационную голову BertForSequenceClassification с двумя метками. Контекст ограничен 512 токенами. Модель оценивает пары «запрос — фрагмент текста» и предназначена для повторной сортировки кандидатов, уже найденных поисковым этапом. Дообучение выполнено на 7 328 обучающих и 1 280 валидационных запросах из набора вопросов и ответов о Рамане Махарши. На указанном в README закрытом валидационном тесте она превзошла базовую MonoBERT по recall@1, recall@5 и mrr@10 при использовании SriRamanaAtmic/AtmicEmbeddingv3 для начального поиска. Для загрузки требуется совместимость с форматом MonoBERT/PyGaggle; README предупреждает, что этот чекпойнт не загружается через sentence-transformers CrossEncoder. Лицензия — MIT. Результаты бенчмарка относятся к указанному корпусу и валидационной выборке; перенос качества на другие коллекции не подтверждён.

moddells/babylm1 — кандидат Chinese BabyLM для задач понимания китайского языка, сохранённый в виде весов продолженного обучения модели с маскированным языковым моделированием. README приводит локальные результаты на наборах ZhoBLiMP, AFQMC, OCNLI, TNEWS и CLUEWSC2020, включая среднюю оценку NLU 67,9199. Модель построена на архитектуре BERT, содержит 119,4 млн параметров и принимает текст для предсказания замаскированных фрагментов; длина контекста — 258 токенов. Модель подходит для заполнения пропусков в китайском тексте и экспериментов с пониманием китайского языка. README называет её кандидатом и описывает локальные оценки, поэтому результаты отражают конкретный набор тестов, а не универсальную гарантию качества. Лицензия — Apache-2.0.

alter-wang/bert-base-japanese-emotion-lily — модель на архитектуре BERT Base, разработанная на основе tohoku-nlp/bert-base-japanese и дообученная для распознавания эмоций в японском тексте. Она классифицирует текст по десяти категориям: удивление, гнев, неприязнь, возбуждение, страх, радость, симпатия, облегчение, грусть и стыд. Модель предназначена для классификации японских предложений, в частности эмоциональных записей в блогах. Дообучение проводилось на наборе примерно из 1 000 предложений, около 100 на каждую категорию. Модель содержит 137,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Небольшой и сбалансированный по категориям обучающий набор ограничивает надёжность обобщения на другие жанры, формулировки и распределения эмоций; README не приводит метрик качества. Лицензия в предоставленных данных не указана.

gueleilo/bert-base-uncased-finetuned-swag — модель BERT, дообученная на наборе данных SWAG для выбора наиболее подходящего варианта продолжения ситуации из нескольких предложений. Она содержит 136,7 млн параметров, принимает текстовые варианты и выдаёт оценку для выбора ответа; максимальная длина контекста — 512 токенов. На оценочном наборе SWAG указаны loss 1,0294 и accuracy 0,7865. Модель распространяется под лицензией Apache-2.0. README не содержит подробностей о сценариях применения и ограничениях.

boltuix/bert-micro — компактная англоязычная модель семейства BERT, разработанная BoltUIX и представленная на Hugging Face. Это трансформер для masked language modeling с архитектурой BertForMaskedLM, дообученный на основе google/bert-base-uncased; в метаданных указаны 4,4 млн параметров, контекст до 512 токенов и формат safetensors. Модель использует uncased-токенизацию и обучалась на BookCorpus и English Wikipedia с целями MLM и предсказания следующего предложения. Основное применение — восстановление пропущенных слов. Модель также можно дообучать для лёгкой классификации последовательностей и токенов, например анализа тональности, распознавания именованных сущностей и простого извлечения ответов на вопросы. Компактность позволяет использовать её в средах с ограниченными ресурсами, но точность и способность решать сложные задачи ограничены; модель не предназначена для генерации текста и без существенного дообучения — для неанглоязычных задач. Карточка сообщает о возможных предубеждениях, унаследованных от обучающих данных. Лицензия — MIT.

BioDecision-4B — дообученная модель lighteternal на базе Qwen3.5-4B для принятия решений в биомедицине, фармакологии и клинических исследованиях. Она получает источник, вопрос и набор вариантов ответа, после чего за один проход выдаёт вероятность для каждого варианта. Поддерживаются задачи выбора из нескольких вариантов, ответы «да/нет» и оценка по упорядоченным уровням; запросы используют формат Jev / TypeSafe systemone. Модель предназначена для прогнозирования исходов клинических испытаний, сопоставления пациентов с исследованиями, биомедицинских вопросов и проверки ответов на соответствие источнику. В карточке сообщается о 4,66 млрд параметров, объединённых LoRA-весах и формате safetensors. По заявленным оценкам, она превосходит базовую Qwen3.5-4B на ряде биомедицинских тестов; при этом модель выдаёт оценки вариантов без объяснений и не выполняет поиск источников. Карточка указывает лицензию «other» и рекомендует исследовательское применение; модель не валидирована для помощи при лечении пациентов. Некоторые обучающие источники имеют некоммерческие ограничения, поэтому условия использования следует сверять с лицензиями датасетов и полной карточкой модели.

CoT-llama-2k-7b — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Kyujin Han в рамках консорциума корейских компаний Media Group Saramgwa Forest и Marker. Модель содержит 6,7 млрд параметров, принимает текст и генерирует текст; длина контекста — 2048 токенов. Модель дообучена на корейском наборе KoCoT_2000, созданном с использованием переводов материалов KAIST-CoT. Она предназначена для генерации текста с пошаговыми рассуждениями и может применяться к корейским задачам вопросов и ответов, вывода и классификации. В README приведены результаты оценок на COPA, HellaSwag, BoolQ и SentiNeg, однако таблицы сравнивают другие модели и не позволяют установить показатели этой модели. Лицензия — CC BY-NC-SA 4.0: использование и распространение требуют соблюдения условий атрибуции, распространения на тех же условиях и некоммерческого применения. Результаты для конкретных задач могут зависеть от промпта и качества генерации.

Deductive-Reasoning-Qwen-14B — языковая модель OpenPipe, дообученная с подкреплением на базе Qwen2.5-14B-Instruct для решения сложных задач на дедукцию из набора Temporal Clue. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов и языки, обозначенные в метаданных: китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Модель подходит для решения логических головоломок и задач, где нужно вывести ответ из набора условий. Она доступна в формате safetensors и распространяется по лицензии MIT. Поскольку обучение было ориентировано на Temporal Clue, качество на других видах рассуждений и общих задачах может отличаться; README не приводит результатов сравнительной оценки.

Gender-Classification — модель классификации текста на основе DistilBERT, дообученная из distilbert-base-uncased. Она предназначена для отнесения текстовых входов к категориям, связанным с полом; сведения о метках классов и целевых сценариях в карточке отсутствуют. Модель принимает текст с контекстом до 512 токенов и выдаёт метку классификации. В README приведены accuracy 1.0 и loss 0.0000 на оценочном наборе, однако без описания датасета и методики эти показатели нельзя интерпретировать как оценку качества на новых данных. Лицензия — Apache-2.0.

julian-schelb/granite-embedding-278m-emb-lat-intertext-v2 — дообученная модель эмбеддингов на базе ibm-granite/granite-embedding-278m-multilingual, разработанная для поиска интертекстуальных связей между произведениями классических авторов на латинском языке. Она входит в бенчмарк Loci Similes и обучена с online contrastive loss на одном из пяти разбиений его данных, включая экспертно проверенные связи. Модель построена на архитектуре XLM-RoBERTa и представлена как Sentence Transformer; содержит 305,2 млн параметров, принимает текст и формирует векторные представления. Нативный контекст составляет 514 токенов. Модель подходит для поиска вероятных параллелей между латинскими текстами и ранжирования кандидатов на интертекстуальные совпадения. Для сохранения качества поиска при использовании нужны соответствующие обучению prompt prefixes. Версия v2 заменяет v1 для текущей версии набора данных; v1 остаётся для воспроизведения прежних результатов. Лицензия — Apache 2.0.

UGARIT/grc-alignment — модель на архитектуре XLM-RoBERTa, разработанная для автоматического выравнивания слов в параллельных текстах на древнегреческом и других языках. Модель обучали на 12 млн токенов древнегреческого текста с задачей masked language modeling, затем дообучили на 45 тыс. параллельных предложений, преимущественно на древнегреческом и английском, латинском и грузинском языках. Модель предназначена для сопоставления слов между переводом и оригиналом в корпусах древних текстов. В описанных оценках показатель Alignment Error Rate составил 19,73% для пары древнегреческий—английский, 23,91% для древнегреческий—португальский и 10,60% для древнегреческий—латинский. Архитектура содержит около 305 млн параметров и поддерживает контекст до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — CC BY 4.0.

KUCIecareCRABxlmrobertaBaseFinetuned — модель XLM-RoBERTa, дообученная Ariffiq99 на основе Ariffiq99/e_care_CRAB_COPA_xlm_roberta_base_finetuned для задач с выбором одного из нескольких вариантов. В карточке указаны результаты оценки: loss 1,0274 и F1 0,7715; обучающий датасет не раскрыт. Модель имеет плотную архитектуру XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — MIT. Карточка не описывает целевую область, языковой охват, ограничения или рекомендуемые сценарии применения.

ClimateModernBERT Soup — англоязычный encoder-only чекпойнт семейства ModernBERT, созданный авторами проекта ClimateModernBERT продолжительным предобучением ModernBERT-Base на климатических текстах и усреднением трёх чекпойнтов Phase 2. Модель содержит 149 млн параметров, использует архитектуру ModernBertForMaskedLM и принимает последовательности длиной до 8192 токенов. Основная задача — заполнение пропусков в тексте; представления модели также предназначены для последующего дообучения на классификацию, многометочную разметку и поиск. Модель предназначена для исследований и прикладных NLP-сценариев в климатической тематике: анализа корпоративной отчётности, политических документов, научной литературы и новостей. В статье сообщается средний F1 76,3 на девяти климатических бенчмарках. Модель рассчитана только на английский язык; это masked language model, а не система, следующая инструкциям, и её ответы не дают гарантии фактической достоверности. Лицензия в предоставленных данных не указана.

Модель leomaurodesenv/nli-MiniLM2-L6-H768-disaster-tweet-jailbreaking-augmented — дообученный классификатор последовательностей на базе cross-encoder/nli-MiniLM2-L6-H768. Она использует архитектуру RoBERTa, содержит 95,2 млн параметров и принимает текст с контекстом до 514 токенов. Для модели приведены результаты оценки: accuracy 0,9661 и loss 0,2165; набор данных и подробности оценки не раскрыты. Модель предназначена для классификации текста. Название указывает на связь с твитами о катастрофах и jailbreaking, однако карточка не уточняет метки классов и конкретные сценарии применения, поэтому эти назначения нельзя считать подтверждёнными. Базовая модель — англоязычный cross-encoder для определения логического отношения между парами предложений и zero-shot-классификации; это не подтверждает автоматически те же возможности у данного дообученного чекпойнта. Лицензия — Apache-2.0.

Модель Sentence-BERT на базе MPNet, разработанная R. Michael Alvarez и Jacob Morrier. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и дообучена на 2 917 парах вопросов и ответов из периода вопросов в Палате общин Канады с 2006 по 2021 год. Модель предназначена для семантического поиска релевантных ответов и оценки качества ответов на политические вопросы, в том числе парламентские. Её можно применять для сопоставления вопросов с ответами и ранжирования кандидатных ответов по косинусному сходству. Модель рассчитана на английский язык; контекст составляет до 514 токенов. Лицензия — MIT. Качество и надёжность могут снижаться при использовании вне исходного парламентского контекста из-за сдвига предметной области. При оценке политических ответов следует учитывать описанные авторами риски и смещения.

RampPublic разработала PorTAL refit для Qwen3-8B — артефакт portallib, который генерирует LoRA-адаптеры ранга 8 для проекций query и value во всех слоях декодера. Таблица латентных представлений 14 задач и ядро генерации LoRA были совместно обучены на Qwen3-1.7B и Qwen3-4B, заморожены, а при переносе обучалось только выравнивание с Qwen3-8B. Модель предназначена для выбора ответа в задачах multiple choice; README сообщает о проверке на наборе из 14 задач и улучшении макро-метрики acc_norm относительно исходной Qwen3-8B по описанной методике. Это результат одного запуска и конкретного протокола, а не гарантия качества на иных данных. Модель основана на Qwen/Qwen3-8B и распространяется под лицензией Apache-2.0.

RT-PluRel — чекпойнт Relational Transformer, опубликованный командой Stanford STAR. Модель предварительно обучена только на синтетических базах данных PluRel и предназначена для классификации табличных данных с учётом связей между таблицами и записей. В карточке сообщается, что модель заняла первое место в объединённом рейтинге RelArena-alpha на момент подачи результатов. Модель содержит 85 млн параметров, 12 блоков, размерность модели 512, 8 голов внимания и размерность FFN 2048. Текстовые столбцы встраиваются с помощью all-MiniLM-L12-v2; веса доступны в формате safetensors. README указывает, что rt-j использует ту же архитектуру и структуру файлов, но является более сильной моделью, поскольку дополнительно обучен с использованием RT-PluRel как начальной точки. Модель применима к задачам классификации реляционных и табличных данных, в том числе в сценариях обучения в контексте. Лицензия — Apache-2.0. Обучение только на синтетических базах PluRel может ограничивать перенос на реальные данные; README также отмечает, что существует более сильная модель rt-j.

julian-schelb/SPhilBerta-emb-lat-intertext-v1 — модель Sentence Transformer, дообученная Julian Schelb на основе bowphs/SPhilBerta для получения эмбеддингов латинских текстов и поиска межтекстовых параллелей между авторами античности. Она связана с бенчмарком Loci Similes и оценивалась на подтверждённых экспертами связях между текстами; для обучения применялась схема с одним положительным и десятью отрицательными примерами. Модель построена на архитектуре RoBERTa, содержит 162,4 млн параметров и принимает текст, выдавая векторные представления для сравнения предложений и фрагментов. Указанное окно контекста — 514 токенов. Модель предназначена прежде всего для латинского языка. Распространяется по лицензии Apache 2.0.

Sundanese BERT Base Emotion Classifier — модель классификации эмоций в текстах на сунданском языке, разработанная Уилсоном Вонгсо. Она основана на предварительно обученной модели Sundanese BERT Base Uncased от luche и дообучена на сунданских публикациях из Twitter. Архитектура — BERT для классификации последовательностей; модель содержит около 136,7 млн параметров и принимает тексты длиной до 512 токенов. Модель предназначена для определения эмоциональной окраски сунданских сообщений, в том числе публикаций в социальных сетях. В README для оценки на отложенной части датасета указаны accuracy 96,82% и macro-F1 96,75%; качество на других жанрах и источниках может отличаться. Результаты могут наследовать смещения исходной модели и обучающего набора. Лицензия — MIT.

Zabihin/Symptom_to_Diagnosis — модель классификации текста, дообученная автором на базе bert-base-cased для определения возможного диагноза по текстовому описанию симптомов. Она присваивает описанию одну из 22 диагностических меток и предназначена для классификации англоязычных описаний симптомов. Модель использует архитектуру BERT для классификации последовательностей, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Для обучения использован набор Gretel symptom_to_diagnosis, содержащий 1 065 англоязычных примеров. Модель распространяется под лицензией Apache-2.0.

Trust_binary — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Она использует архитектуру DeBERTa V2 и содержит 211,6 млн параметров; модель принимает текст и относит его к классам, однако README не раскрывает значения классов и целевой сценарий классификации. Длина контекста — 512 токенов. На указанном наборе оценки модель получила accuracy 0,6413 и F1 0,6720. Эти результаты относятся только к описанной в карточке оценке и не позволяют судить о качестве на других данных. Модель распространяется по лицензии MIT.

Модель ai-text-detector-v-n4.0 разработана для классификации текста как написанного человеком или сгенерированного ИИ. Это дообученная Microsoft DeBERTa-v3-large с архитектурой DebertaV2ForSequenceClassification и 533,8 млн параметров; она принимает текст и возвращает один из двух классов. Модель рассчитана прежде всего на англоязычные тексты, а максимальная длина контекста составляет 512 токенов. В карточке заявлены обучение на пользовательском наборе данных из более чем 10 000 примеров и значения accuracy и F1 около 0,97. Модель может помогать при проверке авторства текстов, модерации и анализе учебных работ, а также служить основой для дообучения на специализированных корпусах. Эти результаты приведены в карточке модели и не гарантируют точность на других данных или для иных языков. Модель распространяется по лицензии MIT. Она может ошибочно распознавать перефразированный ИИ-текст или человеческий текст с механистичным стилем; для важных решений требуется проверка человеком.

zondaxyz/babyconceptLM-Multilingual-matched — замороженный многоязычный чекпойнт BabyConceptLM, разработанный как контрольная модель со стороны концептов для сопоставительного эксперимента в исследовании BabyLM. Это архивный эксперимент multi1_583_full_dwa, а не публичная финальная мультиязычная версия модели. Модель имеет плотную архитектуру concept_dominant_gptbert: 5 слоёв токенного энкодера, 8 слоёв концептуального бэкбона и 3 слоя считывания; всего около 195 млн параметров. Контекст — 512 токенов. Репозиторий содержит веса PyTorch, токенизатор, конфигурацию и код для загрузки через Transformers. Модель предназначена для воспроизводимости анализа замороженных мультиязычных контрольных моделей и генерации текста. Метаданные также указывают задачи заполнения маски и классификации текста. Для загрузки требуется включить пользовательский код репозитория через trust_remote_code, поэтому перед использованием в чувствительной к безопасности среде README рекомендует проверить закреплённую ревизию. Чекпойнт не следует подменять им zondaxyz/babyconceptLM-multi: у них различаются веса, токенизаторы и смеси корпусов. Лицензия в предоставленных данных не указана.

M-FAC/BERT-mini-finetuned-mnli — модель на базе компактного BERT-mini, дообученная на наборе MNLI с оптимизатором второго порядка M-FAC. Разработчики сравнивают её с вариантом обучения на Adam и приводят точность на валидационных поднаборах MNLI: 74,59% на matched и 75,95% на mismatched; указаны также средние результаты пяти запусков. Модель предназначена для классификации пар текстов по задаче естественного языкового вывода: оценки того, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Она содержит около 12 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает контекст до 512 токенов. В метаданных указаны PyTorch и задача text-classification. Карточка не указывает отдельную лицензию. Результаты приведены для MNLI; перенос качества на другие задачи и домены не подтверждён. Это экспериментальный чекпойнт для сравнения оптимизатора M-FAC с Adam, а не универсальная модель классификации.

Peppizza/deberta_v3_finetune_hellaswag — модель Peppizza на базе DeBERTa-v3-base от Microsoft, дообученная на датасете HellaSwag для выбора наиболее подходящего продолжения ситуации из нескольких вариантов. Она использует архитектуру DeBERTa-v2 для задачи multiple-choice, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. В README указаны результаты на evaluation set: loss 0,3999 и accuracy 0,8765. Модель предназначена для оценки правдоподобия повседневных сценариев и выбора подходящего продолжения на английском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит дополнительных сведений об ограничениях или обучении.

rogelioplatt/distilbert-base-multilingual-cased-Actitud_de_tener_la_razon_Esp — модель классификации текста на базе DistilBERT, дообученная разработчиком rogelioplatt на наборе данных, который в карточке обозначен как None. Модель предназначена для классификации последовательностей; название указывает на задачу, связанную с установкой «быть правым», и испанским языком, но карточка не уточняет метки классов или точный сценарий применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и поддерживает контекст до 512 токенов. В README приведены результаты оценки: точность 0,8849 и loss 0,2706. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

veriga/distilbert-base-uncased-finetuned-cola — модель классификации последовательностей на архитектуре BERT, дообученная разработчиком veriga на неизвестном наборе данных. Репозиторий содержит веса в формате safetensors; метаданные указывают 138,8 млн параметров и контекст до 1024 токенов. Модель предназначена для классификации текста, однако карточка не уточняет метки и сценарий применения. В README приведены результаты оценки: accuracy 0,9556 и F1 0,0017. Назначение набора данных и методика оценки не описаны, поэтому эти показатели не позволяют надёжно судить о качестве модели. Лицензия — Apache-2.0.

Модель barmyman/distilrubert-ai-detector разработана на базе DeepPavlov/distilrubert-base-cased-conversational и предназначена для бинарной классификации русскоязычного текста: она определяет, написан ли текст человеком или сгенерирован ИИ. Архитектура — DistilBERT для классификации последовательностей, веса представлены в формате safetensors, контекст — до 512 токенов. Модель подходит для предварительной проверки текстов на признаки машинной генерации, например для модерации пользовательских материалов или анализа учебных и редакционных текстов. В README заявлено, что она обучена на чистых текстах без артефактов разметки и ориентируется на стилистические признаки, канцелярит и типичные ИИ-штампы. Эти заявления не сопровождаются метриками или описанием тестового набора. Лицензия в предоставленных данных не указана.

Модель e_care_CRAB_COPA_albert_base_finetuned — дообученная версия Ariffiq99/CRAB_COPA_albert_base_finetuned на архитектуре ALBERT с 136,3 млн параметров. Она предназначена для задачи multiple-choice: модель оценивает варианты ответа и помогает выбрать наиболее подходящий. Контекст составляет 512 токенов. В README приведены результаты оценки: loss 0,7816 и F1 0,6645. Датасет дообучения не уточнён. Модель распространяется в формате safetensors по лицензии Apache-2.0.