I.11Классификация, ранжирование и сопоставление

MyAwesomeModel — опубликованный пользователем chengze79 репозиторий модели на Hugging Face. В карточке автор описывает её как модель для рассуждений и вывода, включая задачи математики, программирования и общей логики; также заявлены генерация кода и диалога, ответы на вопросы, суммаризация и следование инструкциям. Эти возможности и приведённые в карточке результаты оценки не подтверждены независимыми источниками. Метаданные репозитория указывают на архитектуру BERT с классом BertModel и задачу feature-extraction, что расходится с описанием генеративной модели в карточке. Доступны сведения о формате PyTorch, библиотеке Transformers и лицензии MIT; карточка разрешает коммерческое использование. Репозиторий не даёт надёжно установить размер модели, поддерживаемые языки или длину контекста.

NSFW BGE-M3 v4 — модель эмбеддингов текста, разработанная автором репозитория KGESH на основе BAAI/bge-m3. Она предназначена для представления NSFW-ключевых слов и текстов в виде векторов, чтобы находить семантически близкие запросы и различать NSFW- и общую тематику. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. В репозитории доступны веса Safetensors и GGUF; для GGUF указана версия F16 размером 1,08 ГБ. Модель дообучена в два этапа: на парах текстов с MNR Loss и затем с OnlineContrastiveLoss, используя hard negatives. Автор сообщает, что в версии v4 устранен коллапс эмбеддингов, а внутренняя оценка прошла 20 тестовых случаев; эти результаты не гарантируют качество на других данных. Модель предназначена для поиска и сходства текстов, а её NSFW-направленность означает, что она рассчитана на контент для взрослых. Лицензия в предоставленных данных не указана.

RoBERTa-mixed-detector — дообученная модель классификации текста, созданная в рамках дипломного проекта Николая Сивесинда и Андреаса Бентцена Винье на факультете информатики Норвежского университета науки и технологий. Она определяет, написан ли текст человеком или сгенерирован языковой моделью. Модель основана на RoBERTa и содержит 151,8 млн параметров; принимает текст с контекстом до 514 токенов и выдаёт метку класса. Детектор обучен на смешанной выборке из вступлений к статьям Wikipedia, сгенерированных GPT, и научных аннотаций, созданных ChatGPT. Для этой версии README приводит F1-макро 99,3% на смешанном наборе; такие результаты относятся к указанным данным и не гарантируют точность на других жанрах, языковых моделях или после редактирования текста. Модель предназначена для анализа англоязычных текстов. Модель опубликована под лицензией OpenRAIL. Детекция может ошибочно классифицировать человеческий текст или машинную генерацию, поэтому её метки не следует считать доказательством авторства.

SEA-CLIP-Tiny — экспериментальный мультимодальный CLIP-чекпойнт, созданный для исследования влияния состава обучающих данных. Эта абляционная версия обучена только на наборах данных Юго-Восточной Азии; архитектура, конвейер и гиперпараметры совпадают с основной SEA-CLIP-Tiny. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и для поиска соответствий между изображениями и текстом. Визуальная часть использует ViT-T/16, текстовая — 12-слойный трансформер шириной 384; размер эмбеддинга — 512, всего 46,11 млн параметров. Применяются CLIP BPE с контекстом 77 токенов. Заявлены английский и несколько языков Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. Чекпойнт работает через open_clip и распространяется по лицензии MIT. В README приведены результаты абляции, в том числе точность 5,6% на ImageNet, поэтому модель следует рассматривать как исследовательский вариант, а не универсальную модель распознавания. Качество может существенно зависеть от языка и обучающего распределения; приведённые метрики ограничены указанными тестами.

Модель Swin Transformer Large, разработанная CFIA AI Lab и Seed Lab, дообучена для классификации изображений семян по 101 виду сорных растений, связанных с регулируемыми видами REGAL. Её можно использовать для распознавания вида семени по изображению, например при проверке образцов в лаборатории или сортировке семян. Модель основана на microsoft/swin-large-patch4-window12-384-in22k; в метаданных указано 132,1 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX. Для обучения указаны 73 841 пример, а для проверки и валидации — 13 031 и 26 814 примеров соответственно. Лицензия — MIT. Карточка не приводит метрики качества, детали обработки изображений или сведения о том, насколько хорошо модель работает на фотографиях вне обучающего набора. Результаты классификации следует проверять, особенно при принятии регулируемых решений.

TMR (Target Mining RoBERTa) — детектор текста, сгенерированного ИИ, разработанный автором репозитория Oxidane. Это дообученная модель RoBERTa-base с классификационной головой, обученная на данных RAID с функцией потерь Focal Loss и итеративным поиском сложных отрицательных примеров. Модель принимает текст и относит его к классам человеческого или сгенерированного ИИ текста; размер по метаданным — 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для проверки происхождения текстов на английском языке. Автор приводит результаты на бенчмарке RAID, включая тестирование с состязательными атаками, и на отложенной выборке. Лицензия — MIT. Качество может снижаться для коротких текстов, разговорной речи и областей, мало похожих на обучающие данные; автор отмечает возможный рост ложных срабатываний вне обучающего распределения. Порог классификации настроен на 0,5, а обучение преимущественно ориентировано на английский язык и домены RAID.

protectai/vishnun-codenlbert-sm-onnx — это ONNX-конверсия модели vishnun/codenlbert-sm, выполненная ProtectAI с использованием библиотеки Hugging Face Optimum. Модель предназначена для задач классификации текста; в карточке указано, что она не предназначена для непосредственного запуска инференса через стандартный интерфейс этой страницы. Модель доступна в формате ONNX, что ориентировано на использование в совместимых средах выполнения и может упростить развертывание. Сведения об архитектуре, размере, поддерживаемых языках, длине контекста, модальностях, сильных сторонах и ограничениях исходной модели в представленном README отсутствуют. Проект архивирован и больше не поддерживается. Лицензия — Apache-2.0.

Модель разработана Tiantian Feng для классификации диалектов английской речи и представлена как реализация метода из работы Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe. Она принимает аудио и относит речь к одной из 16 категорий, включая North America, Scottish, Irish, South Asia и Oceania, а также более широкие языковые группы и категории English и Other. Модель дообучена на базе openai/whisper-small; в обучении использованы дополнительные речевые данные TIMIT и ParaSpeechCaps. Репозиторий содержит веса в формате safetensors, а модель рассчитана на классификацию аудио с английской речью. Лицензия OpenRAIL запрещает коммерческое использование; авторы также исключают клиническое применение, наблюдение и вторжение в частную жизнь. При работе с речевыми данными следует учитывать согласие говорящих и применимые законы.

WWM Curriculum Simplification 40k — англоязычная маскированная языковая модель Shaoxiang Wu для исследований эффективного предварительного обучения на ограниченном объёме текста. Это энкодер в стиле DeBERTa-v2 с 12 слоями, 12 головами внимания, скрытым размером 384 и словарём из 40 000 токенов. Модель обучена на 10 млн слов из пар исходных предложений FineWeb и их упрощённых перефразировок, с целью изучения эффекта парных примеров и обучения с маскированием целых слов. Контекст — до 1 024 токенов. Модель предсказывает замаскированные токены и подходит для оценки языкового понимания, а также для дообучения на классификацию и задачи понимания пар предложений с соответствующей головой. В карточке приведены результаты оценки BabyLM 2026 strict-small и отмечены сильные результаты на EWoK, Entity Tracking и задачах в стиле GLUE. Небольшой размер и ограниченный объём предобучения сужают область применения; это исследовательская модель, а не универсальная система генерации текста. Данные основаны на веб-текстах и автоматически созданных упрощениях, поэтому могут содержать шум, пропуски или смысловые сдвиги. Результаты некоторых скрытых заданий могут меняться в зависимости от случайного seed и настроек оценки. Лицензия указана как other.

KonradBRG/xlm-mlm-plains-cree-en-silver-sft-hierarchical — дообученная модель для классификации текстовых выражений по типам образного языка. По названию модель связана с Plains Cree и английским языком; README сообщает о проверке на literal, idiom, metaphor и simile, а метаданные указывают архитектуру HierarchicalFigurativeModel и формат safetensors. На оценочном наборе указаны Macro F1 0,5323, Literal F1 0,8470, Idiom F1 0,1852, Metaphor F1 0,1739 и Simile F1 0,9231. Модель подходит для автоматической разметки буквальных выражений, идиом, метафор и сравнений в текстах. Метрики показывают заметно более слабое распознавание идиом и метафор, чем буквальных выражений и сравнений, поэтому результаты для этих классов требуют проверки. README не раскрывает базовую модель, обучающий набор данных и условия лицензии.

Altruism_binary — модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная разработчиком ajrayman. Она предназначена для бинарной классификации текстовых примеров, связанной с альтруизмом; точное определение классов и сценарий применения в карточке не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,6986, precision 0,6613, recall 0,8130, F1 0,7293 и AUC 0,7806. Данные обучения обозначены как None, поэтому результаты нельзя уверенно соотнести с конкретным корпусом или применением. Модель распространяется по лицензии MIT.

AraGenre mDeBERTa — Dev-Gold Entailment Fine-Tune — это модель Hassan Barmandah, Israa Elhosiny, Yousra El-Ghawi и Omer Nacar из NAMAA Community и Umm Al-Qura University для иерархической классификации арабских текстов по жанрам. Она основана на MoritzLaurer/mDeBERTa-v3-base-mnli-xnli и дообучена как cross-encoder, оценивающий, следует ли заданное описание жанра из текста. Для классификации нужно сравнить текст с определениями категорий и выбрать определение с наибольшей вероятностью entailment. Модель содержит 306 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает пары текста и определения жанра; максимальная длина контекста — 512 токенов. Обучение проводилось на 110 размеченных примерах AraGenre dev_gold.json, расширенных английскими определениями жанров и синтетическими трудными отрицательными примерами. Модель подходит для воспроизведения экспериментов и классификации в рамках соответствующей таксономии жанров; оценка F1 0,9917 получена на пятичастной кросс-валидации этого dev-набора. Авторы указывают, что эта оценка не отражает качество на реальных данных: модель обучалась на метках dev-набора, а её таксономия расходится с существенно более крупной скрытой тестовой таксономией. Это экспериментальная запись проекта, а не рекомендуемый production-классификатор; в статье проекта родственные дообученные энкодеры показали 0,22–0,44 hierarchical F1 на скрытом тесте. Веса доступны по лицензии Apache-2.0.

ARBERTv2 — обновлённая версия арабской языковой модели ARBERT, разработанная авторами работ об ARBERT и MARBERT и представленная в статье «ORCA: A Challenging Benchmark for Arabic Language Understanding». Это плотный трансформер архитектуры BERT с примерно 190 млн параметров, обученный на 243 ГБ текста на современном стандартном арабском языке (MSA), содержащего 27,8 млрд токенов. Модель предназначена для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться как основа для задач понимания арабского языка. Контекст модели составляет до 512 токенов. В карточке указаны версии весов для PyTorch, TensorFlow и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Модель nurkayevaa/autonlp-bert-covid-407910458 — бинарный классификатор текста, обученный с помощью AutoNLP для задачи, связанной с COVID-19. В основе лежит DistilBERT с классификационной головой; модель принимает текст и выдаёт один из двух классов. В метаданных указан контекст длиной 512 токенов, а карточка связывает модель с набором данных nurkayevaa/autonlp-data-bert-covid. Язык модели — английский. В README приведены метрики валидации: accuracy 0,912, precision 0,891, recall 0,956, AUC 0,970 и F1 0,923. Эти результаты относятся к указанной в карточке оценке и не гарантируют такое же качество на других данных. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

leomaurodesenv/bert-base-uncased-jailbreakv-28k — модель классификации текста на базе BERT, дообученная автором leomaurodesenv на неизвестном наборе данных. Она предназначена для отнесения текстовых последовательностей к классам; название репозитория указывает на тему jailbreak, но README не подтверждает конкретную схему меток или назначение классификации. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены точность 1,0 и потери 0,0000 на оценочном наборе, однако набор данных, разбиение и методика оценки не описаны, поэтому эти результаты не позволяют судить о качестве на новых данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CalibrateQwen Unified — дообученная методом дистилляции Qwen3.5-4B модель, выпущенная Ritwik Raha. Она предназначена для решения вопросов с выбором ответа: возвращает метку варианта, краткое обоснование, оценку уверенности и признак отказа от ответа в JSON заданной структуры. Модель рассчитана на англоязычные запросы и построена на плотной мультимодальной архитектуре Qwen3.5 с 4 млрд параметров; карточка указывает поддержку диалога и интерфейса вызова инструментов. В сравнении с базовой моделью выбранный контрольный пункт показал немного более высокую точность на внутренней выборке, лучшую валидность структурированного вывода и меньшую ошибку калибровки вербальной уверенности. Также приведены результаты на выборке вне домена, однако измерения основаны на 250 примерах в каждом основном разбиении и являются предварительными. Калибровка обучена на специально подготовленной смеси данных и может измениться при смене предметной области, шаблона запроса, квантовании или настроек генерации. Лицензия — Apache-2.0.

Cautiousness_binary — англоязычная модель классификации текста, созданная дообучением DeBERTa v3 base на задачу бинарной классификации осторожности. Она принимает текст и предсказывает один из двух классов; конкретные значения классов и целевые сценарии в карточке не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 для классификации последовательностей и рассчитана на контекст до 512 токенов. В опубликованной оценке указаны accuracy 0,6862, precision и recall 0,6866, F1 0,6866 и AUC 0,7269. Датасет обозначен как None, поэтому оценку сложно интерпретировать и переносимость на другие данные не установлена. Лицензия — MIT.

ChronoBERT v1 2006-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена на датированных текстах, доступных до конца 2006 года, чтобы уменьшить утечку будущей информации и смещение заглядывания вперёд при работе с историческими данными. Модель построена на архитектуре ModernBERT и содержит 149 млн параметров; её контекст — до 8192 токенов. Основная задача по метаданным — предсказание замаскированных токенов. Также README показывает извлечение эмбеддингов и сообщает об оценке серии ChronoBERT на GLUE и задаче прогнозирования доходности акций. Модель подходит для исторического анализа текстов, экспериментов с финансовыми сигналами и языкового понимания, когда важно учитывать дату доступности обучающих данных. В README сообщается, что модели серии превзошли стандартный BERT на GLUE, однако эти результаты не гарантируют качество именно этой версии или её прибыльность в торговле. Лицензия — MIT.

COPA_KUCI_xlm_roberta_base_finetuned — модель на архитектуре XLM-RoBERTa, дообученная на основе Ariffiq99/KUCI_xlm_roberta_base_Finetuned для задачи выбора одного из нескольких вариантов ответа. В метаданных указаны 305,2 млн параметров и контекст до 514 токенов; модель сохранена в формате safetensors и распространяется по лицензии MIT. Карточка сообщает результат оценки на тестовом наборе: loss 2,0040 и F1 0,676. Набор данных и назначение KUCI в README не раскрыты, поэтому область применения и качество на конкретных сценариях установить нельзя. Модель подходит для экспериментов и приложений, где нужно ранжировать варианты ответа в формате multiple choice; применимость к другим задачам не подтверждена.

Deductive-Reasoning-Qwen-32B — языковая модель OpenPipe, дообученная с подкреплением на базе Qwen2.5-32B-Instruct для решения сложных задач на дедукцию из набора Temporal Clue. Модель использует плотную архитектуру Qwen2 и содержит 32 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст — до 32 768 токенов. Модель предназначена для решения задач, где нужно последовательно анализировать подсказки и делать логические выводы, а также для диалоговых сценариев с текстовым вводом. В метаданных перечислена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Распространяется по лицензии MIT. Специализация на задачах Temporal Clue не гарантирует точность на других типах рассуждений.

leomaurodesenv/distilbert-base-uncased-jailbreakv-28k — модель классификации текста на основе DistilBERT, дообученная на неизвестном наборе данных. В метаданных указана архитектура DistilBertForSequenceClassification и формат весов Safetensors; модель работает через библиотеку Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для классификации текста. Название репозитория указывает на возможную связь с выявлением jailbreak-запросов, однако README не описывает метки классов, обучающие данные или назначение модели, поэтому эта специализация не подтверждена. В README сообщаются точность 1,0 и потери 0,0000 на оценочном наборе, но без описания набора и протокола оценки эти показатели нельзя интерпретировать как свидетельство качества на новых данных. Модель основана на англоязычной distilbert/distilbert-base-uncased и лицензирована по Apache-2.0. В карточке нет описания ограничений или рекомендаций по применению.

EnglishGrammarChecker — модель abdulmatinomotoso, дообученная на bert-base-uncased на наборе данных GLUE. Это классификатор последовательностей на базе BERT с 136,7 млн параметров и контекстом до 512 токенов. В названии заявлена проверка английской грамматики, однако карточка не описывает назначение, обучающие данные или способ интерпретации предсказаний; метрики приведены для оценки на GLUE: loss 1,1117 и Matthews correlation 0,5324. Модель принимает текст и выдаёт результат классификации, поэтому её можно применять в задачах классификации текста, но пригодность именно для исправления грамматики не подтверждена описанием. Лицензия — Apache-2.0.

GPT-BERT (BabyLM 10M) — модель на архитектуре GPT-BERT от LTG, представленная как заявка на конкурс BabyLM 2024 и обученная на наборе Baby-cosmo-fine-10M. В репозитории доступны веса PyTorch; модель содержит 27,9 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для экспериментов с языковым моделированием и задачами понимания английского текста. Метаданные указывают поддержку генерации текста, заполнения пропусков, классификации текста и токенов, ответов на вопросы и multiple-choice. Лицензия — MIT. Это экспериментальный чекпойнт конкурса, поэтому его качество и пригодность для прикладных сценариев следует оценивать отдельно; обучение на ограниченном по масштабу наборе Baby-cosmo-fine-10M может ограничивать обобщение.

Это дообученная Linkanjarad модель MobileNetV2 с коэффициентом ширины 1.0 и входным разрешением 224×224, основанная на google/mobilenet_v2_1.0_224. Она предназначена для классификации изображений растений по 38 категориям, включая распространённые болезни сельскохозяйственных культур и здоровые растения. Модель можно применять для предварительной оценки состояния посевов по фотографиям. На тестовой выборке Plant Village указана точность 95,41% и значение Cross Entropy Loss 0,15. Результат зависит от качества и условий съёмки; модель не заменяет диагностику специалиста. Лицензия в метаданных обозначена как other, поэтому условия использования следует проверить в репозитории модели.

RampPublic разработала PorTAL refit for Gemma 4 E2B — артефакт PorTAL, переобученный для базовой модели google/gemma-4-E2B. Он использует таблицу латентных представлений для 14 задач и ядро, генерирующее LoRA-адаптации ранга 8 для q/v-проекций текстового декодера; при адаптации Gemma обучалось только выравнивание с новой базовой моделью. В метаданных указаны библиотека portallib и формат safetensors. Модель предназначена для задач multiple-choice. На закреплённом наборе проверки из 14 задач авторы получили macro acc_norm 0,7363 против 0,5729 у замороженной базовой Gemma 4 E2B; это результат конкретной исследовательской процедуры оценки, а не гарантия качества на других данных. Данные для переобучения взяты из RampPublic/portallib-tasks, до 1000 примеров на задачу. Базовая модель мультимодальная и поддерживает работу с текстом, изображениями и аудио, но PorTAL-адаптации в этом артефакте применяются только к текстовому декодеру. Лицензия — Apache-2.0.

PorTAL for Qwen3-4B — артефакт адаптера, разработанный RampPublic на основе Qwen/Qwen3-4B. Он использует общую таблицу латентных представлений для 14 задач и ядро, генерирующее LoRA-факторы ранга 8 для проекций query и value во всех слоях декодера; адаптер можно экспортировать для выбранной задачи с помощью portallib. Модель предназначена для задач выбора одного из нескольких вариантов ответа: в описанной оценке на наборе из 14 задач она повысила макро-метрику acc_norm с 0,6276 у базовой модели до 0,7406 у адаптированной. Результат оценки относится к конкретному артефакту и процедуре проверки и не гарантирует качество на других данных. Для использования необходима базовая модель Qwen/Qwen3-4B и библиотека portallib. Репозиторий распространяется по лицензии Apache-2.0.

PubMed-Ophtha CLIP ViT-L-14 — модель компьютерного зрения и языка для офтальмологических изображений, разработанная авторами работы «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научной литературе PubMed-Ophtha. Она сопоставляет изображения глазного дна с текстовыми описаниями и предназначена для zero-shot классификации и исследований поиска и представления офтальмологических изображений. Визуальный энкодер — ViT-L/14 с размером входного изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер OpenCLIP с контекстом 77 токенов, размерность эмбеддингов — 768. Модель инициализирована весами OpenAI CLIP и обучена на 96 916 парах изображение–текст из PubMed-Ophtha. В README приведены результаты на 110 клинических задачах из шести наборов данных изображений глазного дна; авторы сообщают о преимуществе доменного обучения над рядом альтернативных источников данных. Этот выпущенный чекпойнт отличается от использованных в таблицах статьи и обучен на большем объёме данных. Модель предназначена для исследований, не валидирована для диагностики и не должна применяться при оказании медицинской помощи. Лицензия — MIT.

versae/roberta-base-ncc-512b — языковая модель, опубликованная пользователем versae на Hugging Face. Это вариант RoBERTa-base, предназначенный прежде всего для заполнения пропусков в тексте и последующей адаптации к задачам обработки естественного языка, например классификации или извлечению признаков после дообучения. В карточке модели указан тип задачи Fill-Mask и поддержка библиотек Transformers и JAX. Модель использует архитектуру RoBERTa с masked language modeling: 12 слоями Transformer, 12 attention heads, размером скрытого представления 768 и словарём из 50 265 токенов. Максимальная длина входа составляет 512 токенов. Модель работает с текстом и не является мультимодальной; поддерживаемые языки и точный состав обучающих данных для этого варианта надёжно не указаны. Суффикс NCC, вероятно, связан с набором данных или серией экспериментов, но без достаточной документации это нельзя установить точно. Сильные стороны модели — стандартная и широко поддерживаемая архитектура RoBERTa-base, пригодная для контекстного анализа текста и masked-token prediction. Ограничения — отсутствие генерации свободного текста как основной задачи, ограничение контекста 512 токенами и необходимость дообучения для прикладных задач. В доступных источниках лицензия именно этой модели не указана, поэтому условия её использования следует уточнять у автора репозитория.

RooseBERT-scr-uncased — англоязычная BERT-модель для политического дискурса, разработанная авторами RooseBERT и обученная с нуля на парламентских речах и политических дебатах. Это энкодерная архитектура BERT-base с 136,7 млн параметров, пользовательским uncased WordPiece-токенизатором на 30 522 токена и контекстом до 512 токенов; модель приводит входной текст к нижнему регистру. Модель предназначена прежде всего для последующего дообучения на анализе политических текстов: классификации тональности и позиции, выделения и классификации компонентов аргументации, определения отношений между аргументами, классификации политических инициатив и распознавания именованных сущностей. В качестве masked language model она также выполняет заполнение маски. Предобучение проведено на корпусе английских парламентских выступлений и дебатов; в описанной оценке вариант превзошёл BERT-base-uncased в 8 из 10 задач. Модель рассчитана на английский язык и не поддерживает кросс-языковое применение. Uncased-токенизация теряет различия регистра, что может ухудшить задачи с именами собственными и акронимами; для общих категорий NER доменное предобучение может не давать выигрыша. Как энкодер, модель лучше подходит для классификации и разметки, чем для генерации. Лицензия — Apache-2.0.

Карточка модели cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft-dff на Hugging Face совпадает с карточкой cfia-ai-lab/swin-large-patch4-window12-384-in22k-101spp-ft, поэтому описание составлено по ней. Модель Swin Transformer Large, разработанная CFIA AI Lab и Seed Lab, дообучена для классификации изображений семян по 101 виду сорных растений, связанных с регулируемыми видами REGAL. Её можно использовать для распознавания вида семени по изображению, например при проверке образцов в лаборатории или сортировке семян. Модель основана на microsoft/swin-large-patch4-window12-384-in22k; в метаданных указано 132,1 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX. Для обучения указаны 73 841 пример, а для проверки и валидации — 13 031 и 26 814 примеров соответственно. Лицензия — MIT. Карточка не приводит метрики качества, детали обработки изображений или сведения о том, насколько хорошо модель работает на фотографиях вне обучающего набора. Результаты классификации следует проверять, особенно при принятии регулируемых решений.