I.11Классификация, ранжирование и сопоставление

Erlangshen-MegatronBert-3.9B-Chinese — китайская языковая модель семейства MegatronBERT, разработанная командой Fengshenbang при IDEA-CCNL. Это плотная модель с архитектурой MegatronBertForMaskedLM и 5,1 млрд параметров по метаданным; она обучена на китайском корпусе WuDao объёмом 300 ГБ и предназначена для задач понимания китайского языка. Модель восстанавливает пропущенные токены в тексте, а также может служить основой для настройки на прикладные задачи NLU, например классификацию и определение логических отношений между предложениями. Модель поддерживает китайский язык, имеет контекст 512 токенов и представлена в формате PyTorch. В README приведены результаты на китайских задачах FewCLUE; указанная там таблица относится к версии 3.9B. Лицензия — Apache-2.0. Большой размер требует значительных ресурсов для загрузки и запуска, а базовый режим fill-mask сам по себе не является готовым решением для классификации или диалога.

ajrayman/Excitement_Seeking_continuous — модель классификации текста на основе Microsoft DeBERTa-v3-base. Она предназначена для оценки текстов по признаку поиска острых ощущений; архитектура использует DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель создана дообучением базовой модели и опубликована в формате safetensors. Модель подойдёт для автоматической оценки текстов по выраженности склонности к поиску острых ощущений, например для исследовательской разметки или анализа текстовых данных. Карточка не содержит сведений о обучающих данных, метриках качества, шкале выходных значений или подтверждённых языках. Лицензия — MIT.

Pinyin-Code Masked LM — модель masked language modeling на базе архитектуры BERT, опубликованная в репозитории timorobrecht/full_chinese_bert. Веса занимают 41,7 млн параметров, контекст — до 512 токенов; модель использует токенизацию pinyin-code для китайского текста, а в этой сборке включена сегментация jieba. Для загрузки применяется Transformers с trust_remote_code=True; для токенизации сырого китайского текста нужны pypinyin и sentencepiece. Модель предназначена для восстановления замаскированных токенов и оценки языковой правдоподобности китайских предложений, в том числе через pseudo-log-likelihood для сравнения пар предложений. Выходы скрытых слоёв также можно использовать для извлечения представлений. Репозиторий содержит веса safetensors и пользовательский код Transformers; лицензия в предоставленных данных не указана.

sigridjineth/fusellm-orion14b-korean — корейская модель семейства FuseLLM, созданная для изучения объединения знаний нескольких языковых моделей. Её основа — Orion с архитектурой Llama; при обучении объединялись представления Orion, OPEN-SOLAR-KO-10.7B и Yi-Ko-6B. Модель содержит 14,1 млрд параметров, использует библиотеку Transformers и принимает контекст до 4096 токенов. Модель предназначена для экспериментов с объединением языковых моделей и оценки их на корейских бенчмарках, включая KoBEST BoolQ, KoBEST HellaSwag, KorUns mile и NSMC. В метаданных указана задача text-classification, а классификатор каталога также отмечает text-generation; обе задачи включены в список поддерживаемых. Результаты в README показывают неодинаковое влияние объединения: на некоторых тестах показатели улучшились, на других оказались ниже базового Orion. README указывает на возможные смещения и зависимость качества от обучающих данных, а также отмечает необходимость дальнейшего анализа. Лицензия в предоставленных данных не приведена.

ideadet-qwen8b-1m-outline — классификатор для определения того, кому принадлежат идеи в документе: человеку или ИИ. Модель разработана на основе Qwen3.5-8B (7,94 млрд параметров) с головой классификации последовательностей и дообучена на корпусе из 1 млн примеров. Она анализирует не исходный текст, а его очищенный от утечек пересказанный план с обозначенными ролями. Модель предназначена для проверки происхождения идей в документах, в том числе когда формулировки были сгенерированы ИИ, но содержание принадлежит человеку. Выдаваемая оценка отражает вероятность метки «человек»; решение о срабатывании принимается ниже калиброванного порога. Пороговые значения не приложены, и оценки нельзя напрямую сравнивать между моделями или разными форматами входа. Модель опубликована под лицензией Apache-2.0. README указывает выбранный чекпойнт обучения — шаг 12056, эпоха 0,92; подробная документация и результаты оценки должны быть опубликованы отдельно.

India State Debt LLM — специализированная текстовая генеративная модель на базе GPT-2, дообученная на официальных финансовых данных Резервного банка Индии и бюджетов штатов. Она предназначена для анализа государственного долга 31 индийского штата и союзной территории: показателей долга к GSDP, долга на душу населения, рейтингов и динамики за 2020–2026 годы. Модель принимает текстовые запросы и формирует текстовые ответы со структурированными финансовыми показателями и кратким итогом. В карточке заявлен формат ответа из трёх этапов рассуждения; размер модели — 1 024 токена. Доступна в формате safetensors для Transformers и распространяется по лицензии MIT.

IteraTeR RoBERTa — модель классификации текста, разработанная авторами исследования «Understanding Iterative Revision from Human-Written Text». Она получена дообучением roberta-large на наборе IteraTeR-human-sent и предназначена для предсказания намерения правки по паре исходного и отредактированного предложений. Модель выдаёт вероятности классов намерений редактирования. Это модель RoBERTa для классификации последовательностей с 454,1 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса PyTorch; в карточке также указан датасет IteraTeR_full_sent. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Masinissa-31M — это 30,9-миллионная модель маскированного языкового моделирования для кабильского языка (Taqbaylit, код kab), разработанная AƔBALU и обученная с нуля на корпусе из примерно 3,04 млн предложений. Она использует двунаправленный энкодер архитектуры LTG-BERT / GPT-BERT с 12 слоями, скрытым размером 384 и шестью головами внимания; контекст — до 512 токенов. Модель предсказывает замаскированные фрагменты текста и формирует представления предложений и токенов. Модель предназначена для кабильского NLP: классификации токенов и последовательностей, извлечения представлений для поиска и кластеризации, а также последующего дообучения под конкретные задачи. На тестовой выборке UD_Kabyle-ADPT линейная голова поверх замороженного энкодера показала 90,51% точности POS-разметки по поверхностным токенам; устойчивость проверялась также на тексте с типичными подменами похожих символов. Репозиторий распространяется по лицензии Apache-2.0. Masinissa-31M не предназначена для генерации текста или перевода и не рассчитана на другие языки. Оценка ограничена одной POS-задачей и одним деревом зависимостей; модель переобучена на доступных уникальных текстах, испытывает трудности с представлением кабильской морфологической смены состояния и не прошла оценку безопасности или смещений.

Koichi Yasuoka разработал ModernBERT-base для японского языка, предварительно обученную на текстах 青空文庫. Модель содержит 160,2 млн параметров, использует архитектуру ModernBERT для masked language modeling и имеет контекстное окно до 8192 токенов. Модель предназначена для заполнения пропусков в японском тексте и как основа для дообучения под задачи разметки частей речи, синтаксического анализа зависимостей и другие задачи обработки японского языка. Для загрузки используются Transformers и PyTorch. Модель распространяется по лицензии Apache-2.0. Качество в перечисленных downstream-задачах зависит от дообучения; в README приведены сведения о предобучении на литературном корпусе, но нет оценок качества на прикладных тестах.

PolarisChat-TestRepo-r50 представлен в README как обновлённая версия разговорного ассистента PolarisChat, предназначенная для ответов на вопросы и решения задач, требующих рассуждений. В карточке заявлены улучшения в математике, программировании и логике, снижение числа галлюцинаций и поддержка вызова функций. Для теста AIME 2025 указана точность 87,5% против 70% у предыдущей версии; средний расход токенов на вопрос вырос с 12 тыс. до 23 тыс. Эти показатели приведены авторами README и не подтверждены здесь независимой оценкой. Метаданные Hugging Face классифицируют репозиторий как feature-extraction: модель семейства BERT, класс BertModel, библиотека Transformers, веса PyTorch. Это не согласуется с описанием чат-ассистента в README, поэтому возможности чата и рассуждений нельзя уверенно приписать именно опубликованным весам. Указана лицензия MIT. Размер модели, поддерживаемые языки и длина контекста в предоставленных данных не приведены.

LinkRur/Qwen_2.5_1.5B_Instruct_Vision — экспериментальная визуально-языковая модель на основе Qwen2.5-1.5B-Instruct, разработанная LinkRur. Визуальный энкодер DINOv2 ViT-S/14 преобразует изображение в признаки размерности 384, которые MLP-проекция переводит в пространство эмбеддингов Qwen размерности 1536. NSD нормализует визуальные и текстовые векторы на единичную гиперсферу, после чего визуальные признаки сопоставляются с ближайшими токенами словаря. Модель обучалась с контрастивной функцией InfoNCE: дообучались проекционный слой и последние четыре слоя DINOv2, а языковая часть Qwen оставалась замороженной. В README приведён результат 72,43% Top-1 на проверочной выборке tiny-imagenet-200 из 10 000 изображений. Метаданные указывают 1,5 млрд параметров, контекст до 131 072 токенов, поддержку английского и китайского, библиотеку Transformers и лицензию Apache-2.0. Модель ориентирована на экспериментальное сопоставление изображений с токенами; подтверждений широких возможностей диалога по изображениям в карточке нет.

Slop Detector BERT — модель классификации текста, дообученная разработчиком hiello67ello на базе google-bert/bert-base-cased для определения, написан ли текст человеком или сгенерирован ИИ. Она выдаёт метку Human или AI-generated. По карточке, точность на валидации составляет 96%; для обучения использовались абзацы Wikipedia и их переписанные ИИ варианты. Модель построена на архитектуре BERT и содержит 135,5 млн параметров. Она принимает текст, поддерживает английский язык и рассчитана на контекст до 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель подходит для предварительной проверки текстов, но результат классификатора не следует считать доказательством авторства: карточка не описывает состав и независимость валидационной выборки или устойчивость к новым стилям генерации.

SynLogic-32B — языковая модель MiniMaxAI для логических рассуждений, дообученная с помощью обучения с подкреплением на наборе SynLogic поверх Qwen2.5-32B-Base. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста; метаданные указывают контекст до 131 072 токенов. Модель обучалась на 35 задачах логического вывода, включая судоку, Game of 24, шифры и лабиринты со стрелками. Разработчик также сообщает о переносе навыков на математические задачи без специального обучения математике и приводит результаты на бенчмарках BBEH, KOR-Bench и BBH. Модель подходит для решения текстовых логических задач и проверки подходов к рассуждению; заявленные результаты относятся к оценкам разработчика. Модель опубликована в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT. Она принимает текст и генерирует текст; метаданные отмечают поддержку диалогового режима и интерфейса вызова инструментов.

ToxicLord v1 — русскоязычная модель классификации токсичности, разработанная на основе deepvk/deberta-v1-base и настроенная для модерации Telegram-чатов. Она относит короткие сообщения к классам «clean» и «toxic» и может помогать выявлять токсичные сообщения в потоке чата. Модель построена на DeBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 512 токенов. Для принятия решения можно использовать вероятность токсичного класса и настраивать порог под конкретное сообщество. Модель дообучена на смеси публичных русскоязычных датасетов токсичности и приватных модерационных разметок и исправлений. ToxicLord может ошибаться на сарказме, цитатах, шутках и мета-комментариях, а также на коротких оскорблениях без контекста. Она может хуже работать на формальных и длинных текстах и на других языках; её не следует использовать как единственное основание для необратимых наказаний. Лицензия — CC BY-NC-ND 4.0.

ZaraRerank — англоязычный кросс-энкодер-реранкер, разработанный Brigham Young University–Idaho для поиска по Стандартным трудам Церкви Иисуса Христа Святых последних дней. Модель принимает вопрос и текст кандидатного стиха вместе и оценивает их релевантность; её предполагаемый сценарий — перестановка результатов ZaraEmbed, обычно среди 100 кандидатов. Это дообученная ZaraBERTa на архитектуре RoBERTa с 24 слоями, размером 456,1 млн параметров и одним выходным логитом. Контекст модели — 514 токенов; в описанном авторами режиме использования вход ограничивается 128 токенами. В тестах авторов связка ZaraEmbed и ZaraRerank поставила правильный стих на первое место в 243 из 289 вопросов без имён и в 222 из 289 вопросов с именами и описаниями событий. Это результаты конкретных тестов, а не гарантия качества для любых запросов. Модель обучена на общедоступных текстах; заголовки глав, сноски и церковные учебные материалы не использовались. Она предназначена для исследований и как вспомогательное средство личного изучения Писания, но не является доктринальным авторитетом или официальной публикацией Церкви. Лицензия — MIT.

Модель sabaridsnfuji/arabic-ai-text-detector — классификатор арабских текстов, разработанный sabaridsnfuji на основе дообученной aubmindlab/bert-base-arabertv2. Она определяет, написан ли текст человеком или сгенерирован ИИ, и возвращает один из двух классов: HUMAN или AI. Модель предназначена для проверки статей, учебных работ, публикаций в социальных сетях и других формальных или полуформальных текстов на арабском языке. Это плотная BERT-модель с классификационной головой, объёмом 162,4 млн параметров и контекстом до 512 токенов. По карточке, она обучалась на пользовательском наборе из 4 798 сбалансированных примеров, включавшем современный литературный арабский и диалектные варианты; заявленная точность на сбалансированной валидационной выборке — 95%. Наиболее подходящие сценарии — анализ новостей и эссе на литературном арабском; для диалектов, неформальной речи, стихов и узкоспециальных текстов качество может отличаться. Детектор может ошибаться и не устанавливает авторство с достоверностью, достаточной для решений с серьёзными последствиями; в важных случаях результаты следует проверять человеком. Лицензия — Apache-2.0.

AtmicQuoterv2 — компактная модель эмбеддингов, разработанная SriRamanaAtmic для поиска цитат Раманы Махарши по вопросам и другим текстовым запросам. Это дообученная модель Sentence Transformers на базе AtmicQuoterv1, которая сама основана на BAAI/bge-small-en-v1.5. Архитектура — BERT с CLS-пулингом и нормализацией; модель преобразует текст в 384-мерные векторы и сравнивает их по косинусному сходству. В README указана максимальная длина последовательности 128 токенов; метаданные каталога указывают контекст 512 токенов. Модель предназначена для плотного поиска релевантных фрагментов из корпуса цитат по естественным вопросам, в том числе как первый этап конвейера с последующим переранжированием. Она обучена на экспертно проверенных парах вопрос—ответ и подобранных позитивных и трудных негативных примерах. В описанном авторами тесте на 89 отложенных вопросах с поиском среди примерно 2 857 фрагментов v2 улучшила полноту на этапе поиска top-20 и точность выдачи top-4 по сравнению с BGE-small и v1, однако абсолютные показатели остались низкими: правильная цитата попадала в итоговую четвёрку для 32,6% запросов. Модель принимает и выдаёт текстовые представления: эмбеддинги можно использовать для семантического поиска и сравнения предложений. Обучение и оценка ориентированы на англоязычные запросы и цитаты. Лицензия в предоставленных данных не указана.

BanglaTuring — классификатор текста, разработанный Mahatir Ahmed Tusher для выявления текста на бенгальском языке, сгенерированного ИИ. Модель основана на BanglaBERT с архитектурой ELECTRA и дообучена методом supervised contrastive learning; размер составляет 137,8 млн параметров, максимальная длина контекста — 512 токенов. README указывает, что при обучении использовались тексты от нескольких современных генераторов и температурная калибровка вероятностей. Модель предназначена для проверки бенгальских текстов на вероятное машинное происхождение: например, для предварительного скрининга публикаций, модерации и анализа академических работ. В README приведены результаты проверок на разных генераторах, однако точность детектирования не гарантирована для каждого текста и сценария. Выход модели — классы Human и AI с оценками вероятности; для длинных документов автор рекомендует анализировать фрагменты текста. Лицензия — MIT.

BERTAIDetector — англоязычная модель Притама, дообученная на базе google-bert/bert-base-uncased для бинарной классификации текста: написан ли он человеком или сгенерирован ИИ. Она принимает текстовые фрагменты и предназначена для автоматической проверки материалов в онлайн-платформах, академической и журналистской среде. В README указано обучение на данных соревнования Kaggle LLM Detect с примерами длиной от 5 до 100 слов; заявленная точность на валидационной выборке соревнования составляет 96,65%. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия в метаданных — MIT; README указывает Apache 2.0, поэтому условия лицензирования в источниках расходятся. Модель рассчитана на английский язык; для других языков и сильно перефразированного ИИ-текста она не предназначена. Возможны ложные срабатывания и пропуски, а заявленная оценка получена на валидационных данных соревнования и сама по себе не гарантирует аналогичное качество на новых материалах.

Модель anushareddy123/bert-model-upload — модель Sentence-Transformers на архитектуре BERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель принимает текст и выдаёт векторные представления; длина контекста составляет 512 токенов, число параметров — 136,7 млн. Модель устарела: в карточке прямо предупреждают о низком качестве векторных представлений и рекомендуют выбрать другую модель для получения эмбеддингов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

beto_prostata_bs32 — дообученная модель BERT для классификации токенов, созданная на основе испаноязычной dccuchile/bert-base-spanish-wwm-cased. Репозиторий содержит веса в формате safetensors; модель насчитывает 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: F1 0,9579, точность 0,9930, precision 0,9555 и recall 0,9604. Название указывает на возможную связь с тематикой простаты, однако карточка не описывает метки, назначение классификации или обучающие данные, поэтому конкретный сценарий применения подтвердить нельзя. Лицензия в предоставленных метаданных и README не указана.

VuongQuoc/checkpoints_26_9_microsoft_deberta_21_9 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит 533,8 млн параметров. Модель рассчитана на англоязычное понимание текста; длина контекста — до 512 токенов. В README приведены результаты оценки: loss 0,6029, MAP@3 0,865 и accuracy 0,79. Датасет обучения и конкретная предметная область не описаны. Модель распространяется под лицензией MIT; качество на других наборах данных не установлено.

CompoDistill-2B — мультимодальная модель для диалогов и композиционного рассуждения по изображениям и тексту. Она описана как финальная студенческая модель семейства CompoDistill, разработанная в рамках работы CompoDistill: Attention Distillation for Compositional Reasoning in Multimodal LLMs. Модель сочетает языковую основу Qwen1.5-1.8B и визуальный энкодер SigLIP-so400m. Её обучали в три этапа: DPT, DFT и SFT, включая дистилляцию визуального внимания от мультимодального учителя на базе Qwen1.5-4B. Подходит для ответов на вопросы об изображениях и задач, требующих связывать несколько визуальных деталей с текстовым запросом. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Карточка не сообщает длину контекста и список поддерживаемых языков; заявленное назначение сосредоточено на визуальном композиционном рассуждении.

Consc_continuous — англоязычная модель классификации последовательностей, созданная ajrayman тонкой настройкой microsoft/deberta-v3-base. Она содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текст длиной до 512 токенов. Карточка приводит результаты на тестовом наборе: loss 0,0352, RMSE 0,1875, MAE 0,1491 и корреляция 0,3714; назначение целевой оценки и подробности набора данных не раскрыты. Модель можно применять для предсказания непрерывной оценки по тексту в сценариях, где подходит классификатор последовательностей с соответствующей настройкой. Распространяется по лицензии MIT. README не описывает intended use, обучающие данные или известные ограничения.

Ariffiq99/COPA_xlm_roberta_base_finetuned — дообученная на неизвестном наборе данных модель XLM-RoBERTa Base от автора репозитория. Модель содержит 305,2 млн параметров и использует архитектуру XLMRobertaForMultipleChoice; она предназначена для выбора наиболее подходящего ответа из нескольких вариантов, в частности для задач формата COPA, где требуется определить правдоподобную причину или следствие. Максимальная длина контекста — 514 токенов. В карточке приведены результаты оценки: loss 0,6931 и F1 0,53; данных недостаточно, чтобы оценить качество на конкретных сценариях. Базовая модель XLM-RoBERTa многоязычная, однако языки обучения и оценки этого чекпойнта не указаны. Модель распространяется по лицензии MIT.

DanTagGen-alpha — модель KBlueLeaf для автоматической генерации тегов к изображениям в стиле Danbooru. Она предназначена для сценариев, где по уже заданным метаданным и набору общих тегов требуется дополнить описание изображения: например, для подготовки промптов, каталогизации иллюстраций и интеграции в интерфейсы для генерации или анализа изображений. Модель обучена с нуля на архитектуре LLaMA примерно со 400 млн параметров, которую разработчик условно называет NanoLLaMA. Это текстовая модель генерации, работающая с заданным структурированным форматом, включающим рейтинг, автора, персонажей, правообладателей, соотношение сторон, целевой объём тегов и список общих тегов. Она обучалась на данных KBlueLeaf/danbooru2023-sqlite; в метаданных указаны английский язык и библиотека Transformers. Доступны варианты FP16 и квантованные GGUF-модели с точностью 8 и 6 бит, рекомендованные для запуска через llama.cpp или llama-cpp-python. Сильной стороной модели является специализированная архитектура ввода и ориентация на дополнение тегов изображений, а также возможность быстрого локального запуска благодаря небольшому размеру и GGUF-вариантам. При этом это альфа-версия без приведённых количественных метрик качества, поэтому точность и полнота генерации не определены. Модель обучалась на отфильтрованных данных Danbooru, включая контент с ограничениями по аудитории, что следует учитывать при использовании. Лицензия — OpenRAIL.

DEREXP — дообученная модель DistilBERT для классификации текстов, основанная на distilbert-base-uncased. В метаданных указаны архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Модель распространяется по лицензии Apache-2.0. Карточка сообщает результаты оценки: loss и MSE — 3,1590, MAE — 1,3397, R² — 0,4465, accuracy — 0,2528. Назначение классов, обучающие данные и предполагаемые сценарии применения не описаны, поэтому интерпретировать качество оценки для конкретной задачи нельзя.

ajrayman/Excitement_Seeking_binary — модель классификации текста, дообученная на базе microsoft/deberta-v3-base. По названию репозитория она предназначена для бинарной классификации текстов по признаку поиска острых ощущений. Модель построена на архитектуре DeBERTa v3 Base и содержит 211,6 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. Модель подходит для автоматической разметки текстов по наличию признаков поиска острых ощущений. Карточка не приводит сведения о данных обучения и оценивания, поэтому качество и область применимости классификатора нельзя оценить по имеющейся информации. Лицензия — MIT.

Greyscope — англоязычный классификатор текста, дообученный yaoandy107 на базе unsloth/Qwen3.5-4B-Base на датасете EditLens. Модель на архитектуре Qwen3.5 с примерно 3,4 млрд параметров использует голову классификации последовательностей и определяет, написан ли текст человеком, отредактирован ИИ или сгенерирован ИИ. Она также оценивает степень участия ИИ по шкале от 0 до 1; адаптер LoRA объединён с базовой моделью. Контекст модели составляет 262 144 токена. Модель предназначена для выявления вероятного участия ИИ в английских текстах и настройки порога срабатывания под конкретный сценарий. В описанных проверках она показала хорошие результаты на тестах из домена обучения и на отдельных генераторах; результаты на RAID уступили editlens-Llama. Модель менее надёжна на текстах с небольшими правками и вне домена обучения. Её вывод не следует считать самостоятельным доказательством при принятии важных решений, например об академической добросовестности или найме. Лицензия CC BY-NC-SA 4.0 допускает только некоммерческое использование.

Модель theharmonylab/implicit-motives-affiliation-roberta-large — дообученная версия FacebookAI/roberta-large для классификации текста. Она обучена на GLUE SCHONE_AFF и предназначена для определения аффилиационных мотивов в тексте. В карточке приведены результаты на оценочной выборке: loss 0,1011 и ROC AUC 0,9877. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Указан английский язык. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Карточка не уточняет метки классов и ограничения применения, поэтому результаты на другом распределении данных не подтверждены.