I.11Классификация, ранжирование и сопоставление

Sympathy_continuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текста. Архитектура DeBERTa V2, около 211,6 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку, что согласуется с метриками RMSE, MAE и корреляции в карточке. Подходит для оценки непрерывной характеристики текста в сценариях, где важна такая оценка; конкретная целевая характеристика в карточке не названа. На тестовой выборке указаны Loss 0,0427, RMSE 0,2066, MAE 0,1612 и корреляция 0,2609. Данные обучения и подробности использования не описаны. Модель распространяется по лицензии MIT.

minoosh/wav2vec2-base-finetuned-ie — модель wav2vec2, дообученная на основе facebook/wav2vec2-base для классификации аудио. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; репозиторий предоставляет веса PyTorch. Название указывает на возможную специализацию на ирландском языке, однако README не поясняет назначение метки «ie» и не описывает обучающие данные. На указанном в карточке оценочном наборе модель получила accuracy 0,6857 и loss 0,9461. Лицензия — Apache-2.0. README не описывает предполагаемые сценарии применения и ограничения модели.

ALBERTIR — доменная языковая модель на основе BERT, разработанная Ирваном Дармаваном, Хаккуном Эльмсунсяхом и Дидиком Дви Прасетьей из Университета Негери Маланг совместно с Вахью Мульё Утомо из Университета Тун Хуссейн Онн в Малайзии. Модель дополнительно предварительно обучена методом masked language modeling на индонезийских переводах Корана, хадисов Сахих аль-Бухари и Сахих Муслим; обучающий корпус включает 18 606 документов. Базовая модель — indobenchmark/indobert-base-p1. Модель предназначена для заполнения пропусков в индонезийских исламских текстах и может применяться для анализа проповедей, классификации религиозного содержания и семантического сопоставления текстов. Архитектура — BERT для masked language modeling, около 151,6 млн параметров; контекст — до 512 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии MIT. Результаты могут быть ограничены тематикой и языком обучающих переводов, поэтому их нельзя считать самостоятельной богословской оценкой или заменой экспертной проверки. Карточка описывает fill-mask как задачу модели; другие сценарии приведены как предполагаемые применения.

julian-schelb/bge-m3-emb-lat-intertext-v2 — модель эмбеддингов предложений, дообученная на основе BAAI/bge-m3 для поиска интертекстуальных связей между текстами классических латинских авторов. Она входит в бенчмарк Loci Similes и оценивалась на связях, проверенных экспертами. Модель построена на Sentence Transformers и архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст, формируя векторные представления для сравнения смысловой близости. Модель обучалась с online contrastive loss на одном из пяти разбиений данных бенчмарка. Для сохранения качества поиска README рекомендует использовать соответствующие обучению имена prompt-префиксов. Версия v2 заменяет v1 для актуального набора данных и совместима с тем же интерфейсом; v1 остаётся доступной для воспроизведения прежних результатов. Поддерживается латинский язык, максимальная длина контекста — 8194 токена. Лицензия — Apache 2.0.

Cross-Translation Bible Embeddings — модель sentence-transformers, дообученная создателями репозитория LoveJesus для сопоставления библейских стихов в разных переводах. Она кодирует предложения в общий векторный простор: переводы одного стиха должны получать близкие эмбеддинги, а разные стихи — более далёкие. Модель основана на paraphrase-multilingual-MiniLM-L12-v2 и обучена контрастивным методом на примерно 300 тысячах пар стихов из переводов KJV, ASV, YLT, BBE и WEB. В метаданных указаны архитектура BERT, 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для поиска соответствий между переводами, семантического сравнения стихов и извлечения эмбеддингов для библейских текстов. README сообщает о высокой точности разделения пар одного стиха и разных стихов на отложенной выборке; эти результаты относятся к описанному набору и оценке. Лицензия — MIT. Английский язык указан в метаданных, а названные в карточке переводы — англоязычные.

CrosswordSpace++ — модель первого этапа поиска ответов на итальянские кроссвордные подсказки, разработанная cruciverb-it. Это асимметричный двухбашенный энкодер на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2: отдельные энкодеры обрабатывают подсказки и ответы, а общий слой нормализации и линейная проекция преобразуют их в векторы размерности 768. Модель дообучена контрастивным обучением на 374 766 парах из обучающей выборки EVALITA 2026 CruciverbIT Task 1. Модель предназначена для извлечения кандидатов по близости векторов: ответы ищутся по вектору подсказки, например, с помощью FAISS и внутреннего произведения. В исходном конвейере сначала отбираются до 100 кандидатов подходящей длины, затем их ранжирует отдельный кросс-энкодер. Максимальная длина входа составляет 64 токена для подсказки и 16 токенов для ответа. В испытании на тестовой выборке EVALITA 2026 модель показала точность Acc@1 57,9%; совместное использование с кросс-энкодером повысило её до 68,2%. Модель ориентирована на итальянский язык и специализированный сценарий решения кроссвордов. Лицензия — CC BY 4.0.

Это модель классификации последовательностей на базе DistilBERT, дообученная phailyoor от distilbert-base-uncased. Она предназначена для отнесения текста к классам; конкретная область применения и смысл меток в карточке не описаны. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. В карточке указана точность 0,4010 и функция потерь 5,7685 на оценочной выборке, однако описание набора данных и меток отсутствует, поэтому эти результаты трудно интерпретировать. Модель распространяется по лицензии Apache-2.0.

Это модель классификации тональности коротких сообщений о финансах, разработанная автором репозитория tooshlegacy на основе дообучения DistilBERT. Она относит финансовый твит к одному из трёх классов: Bearish, Bullish или Neutral. Модель предназначена для анализа неформальных англоязычных твитов с тикерами и cashtag-обозначениями, в том числе как одного из факторов исследовательской системы прогнозирования движения акций. Модель построена на DistilBERT и обучена на наборе zeroshot/twitter-financial-news-sentiment из 11 932 размеченных финансовых твитов. Для собственного валидационного разбиения набора указаны accuracy 0,8807 и macro-F1 0,8464. Контекст составляет 512 токенов; веса доступны в формате safetensors. Лицензия модели — Apache-2.0. Модель рассчитана на исследовательские и образовательные сценарии, а не на принятие торговых решений. Она не предназначена для текстов на других языках, длинных новостных статей или высокорискового применения; сарказм, смешанные сигналы и изменение языковых особенностей финансовых соцсетей могут ухудшать классификацию. Тональность сообщения сама по себе не предсказывает направление цены.

DuplexJev-B-Qwen3-ASR-0.6B-Qwen3-4B — речевая модель для коротких решений по аудиозаписи, созданная adventists-ai. Она объединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B и замороженную языковую модель Qwen3-4B через обученный коннектор на основе frame stacking и проектора SwiGLU; у коннектора 12,6 млн обучаемых параметров. Модель относится к архитектуре Ultravox и выдаёт распределение вероятностей по вариантам ответа за один проход, без пошаговой генерации токенов. Модель предназначена для речевых вопросов с вариантами ответа и коротких оценок речевых признаков, например пола говорящего или эмоции. В README приведены результаты на небольших наборах для spoken QA и отмечена чувствительность ответов к формулировкам подсказок. Она не рассчитана на открытые вопросы, требующие обширных знаний, или потоковую обработку речи. Эмоциональные метки основаны на постановочной речи и не подходят для принятия решений о людях. Для работы требуются указанные в карточке аудиоэнкодер и Qwen3-4B; коннектор отдельно с другими компонентами не работает. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. В карточке указана поддержка китайского и английского языков.

Harrier Tipitaka v1 — Sentence Transformer, дообученный dhammanana на базе microsoft/harrier-oss-v1-270m для семантического поиска по буддийским текстам. Модель преобразует предложения и абзацы в плотные векторы размерности 640; близость текстов оценивается косинусным сходством. Архитектура включает Gemma3TextModel, pooling по последнему токену и нормализацию эмбеддингов. В метаданных указано 257 млн параметров и контекст до 32 768 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для поиска релевантных отрывков Типитаки и сопоставления буддийских пассажей по смыслу. Для обучения использованы пары запрос–документ с MultipleNegativesRankingLoss; README приводит пример сопоставления палийского текста с английским переводом. Прикладной сценарий ограничен текстом, а качество для других тематик и языков карточка не подтверждает. Репозиторий содержит веса Safetensors и ONNX; сведения о лицензии в предоставленных данных отсутствуют.

Модель Humor-Research/humor-detection-comb-23 разработана проектом Humor Research для выявления юмора в англоязычном тексте. Это модель бинарной классификации на базе RoBERTa с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; она работает через библиотеку Transformers и принимает последовательности длиной до 514 токенов. Модель предназначена для определения, является ли текст юмористическим, а также для классификации шуток и распознавания юмора в текстовых корпусах. Она представлена как рекомендуемая модель проекта для задачи «юмор или не юмор» и опубликована в рамках исследования переносимости и устойчивости моделей распознавания юмора. Модель поддерживает английский язык. В README не приведены количественные оценки качества или подробности ограничений, кроме специализации на англоязычном тексте и контекста в 514 токенов. Сведения о лицензии в предоставленных данных отсутствуют.

IngroupLoyalty_binary — англоязычный классификатор текста, созданный дообучением microsoft/deberta-v3-base и опубликованный ajrayman. Модель на основе DeBERTa v3 Base содержит 211,6 млн параметров и принимает текстовые последовательности длиной до 512 токенов, выдавая результат бинарной классификации. По названию модель предназначена для определения внутригрупповой лояльности в тексте. В карточке приведены результаты оценки: accuracy 0,6323, precision 0,5969, recall 0,8148, F1 0,6890 и AUC 0,7268; обучающий набор данных не назван. Модель распространяется по лицензии MIT.

Electrocom VLM V2 — компактная визуально-языковая модель на 450 млн параметров, разработанная erikku-sama на основе LiquidAI/LFM2.5-VL-450M. Модель дообучена на наборах ElectroCom61 и Electronic Detection для распознавания и локализации электронных компонентов на изображениях. Она принимает изображения и текстовые запросы, а ответы о найденных компонентах формирует в структурированном JSON, пригодном для программной обработки. Модель предназначена для инвентаризации электронных компонентов, визуальной проверки печатных плат и учебных инструментов по идентификации электроники. В карточке заявлены полнота grounding 31,9% при IoU > 0,5 и скорость 85,2 токена в секунду; автор также сообщает об улучшении локализации относительно версии V1. Доступны веса Safetensors и GGUF F16. Указана лицензия other, поэтому конкретные условия использования следует проверять в файлах репозитория.

MARBERT — предобученная языковая модель семейства BERT, представленная авторами исследования UBC-NLP в статье ACL 2021 «ARBERT & MARBERT: Deep Bidirectional Transformers for Arabic». Модель обучалась на арабских сообщениях Twitter и рассчитана на диалектный арабский язык и современный стандартный арабский (MSA). Она использует архитектуру BERT-base без задачи next sentence prediction и обучалась как masked language model; в репозитории указано около 190 млн параметров и контекст до 512 токенов. MARBERT предназначена для заполнения пропусков в арабском тексте и может служить основой для адаптации к задачам обработки арабских твитов и других коротких текстов. Карточка указывает на обучение на выборке из 1 млрд твитов, содержащей около 15,6 млрд токенов. Доступны версии весов для PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Это модель классификации текста vjosap/moralBERT-predict-authority-in-text, опубликованная Vjosa Preniqi на Hugging Face. По названию и профилю автора она предназначена для выявления в тексте моральной ценности «авторитет»; в профиле также указано приложение MoralBERT для анализа моральных ценностей. Модель доступна в формате Safetensors и распространяется по лицензии MIT. Карточка указывает задачу text-classification, но не описывает обучающие данные, список меток, архитектуру, размер параметров, поддерживаемые языки или контекст. Поэтому результаты следует рассматривать как классификационные оценки для целевого понятия, а не как объяснение или универсальную оценку морального содержания текста.

OSM-Det (Online Social Media Detector) — англоязычная модель классификации текста, разработанная для выявления текстов, созданных ИИ, в социальных сетях. Модель представлена в исследовании «Are We in the AI-Generated Text World Already? Quantifying and Monitoring AIGT on Social Media» и дообучена на базе allenai/longformer-base-4096; она использует архитектуру Longformer с классификационной головой и содержит 151,8 млн параметров. Модель выполняет бинарную классификацию: относит текст к написанному человеком или сгенерированному ИИ. Она предназначена для анализа публикаций и пользовательского контента, в том числе текстов с Medium, Quora и Reddit. Контекст модели составляет до 4098 токенов. Обучающий набор AIGTBench включал 28,77 млн примеров ИИ-текстов от 12 языковых моделей и 13,55 млн человеческих текстов. Модель выпущена под лицензией Apache-2.0. Результаты детектора следует интерпретировать с осторожностью: модель обучалась на данных конкретных платформ и может ошибаться на других жанрах, источниках или текстах, отредактированных после генерации.

vinid/plip — модель на базе CLIP, опубликованная в марте 2023 года. Она предназначена для исследовательской работы с классификацией изображений без дообучения на конкретных классах: модель сопоставляет изображение с текстовыми описаниями классов и выбирает наиболее подходящие. Репозиторий содержит веса PyTorch для архитектуры CLIPModel; карточка не сообщает размер модели или длину контекста. Основные сценарии — исследование обобщения, устойчивости, смещений и ограничений компьютерного зрения, а также эксперименты с классификацией изображений по произвольно заданным категориям. Модель рассчитана на английские текстовые запросы: она не обучалась и не оценивалась целенаправленно на других языках. Авторы не рекомендуют развёртывание модели; применение к конкретной таксономии требует тщательного тестирования в соответствующей области. Карточка описывает модель как исследовательский результат, но отдельная лицензия в предоставленных данных не указана. Результаты могут сильно зависеть от набора текстовых меток, а нетестируемое применение может быть вредным; модель не следует использовать как медицинскую консультацию.

fassabilf/sea-clip-tiny-abl-bloom — экспериментальная абляционная версия SEA-CLIP-Tiny, разработанная для исследования влияния обучающих данных Bloom на мультиязычную модель сопоставления изображений и текста. Это модель CLIP с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Она принимает изображения и текстовые описания и предназначена для классификации изображений без дополнительного обучения, а также для поиска соответствий между изображениями и текстом. Текстовый токенизатор CLIP BPE имеет контекст 77 токенов. Модель связана с языками Юго-Восточной Азии: английским, индонезийским, яванским, сунданским, малайским, тайским, вьетнамским и бирманским. В абляционном эксперименте показаны результаты на обучающих источниках и ImageNet, однако приведённые значения низкие, поэтому качество для практических задач по этой карточке не подтверждается. Репозиторий предоставляет веса PyTorch для использования через open_clip и распространяется по лицензии MIT.

Suicidal-BERT — англоязычная модель классификации текста, разработанная gohjiayi на основе google-bert/bert-base-uncased и дообученная для определения суицидальной тематики в последовательности слов. Она относит текст к одному из двух классов: суицидальный или несуицидальный. Модель предназначена для анализа англоязычных публикаций и текстов, в том числе сообщений в социальных сетях. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки на использованном наборе данных: accuracy 0,9757, recall 0,9669, precision 0,9701 и F1 0,9685. Данные собраны с Reddit и поровну распределены между двумя классами; дообучение проводилось в течение одной эпохи. Модель распространяется по лицензии MIT. Показатели из README относятся к указанному набору данных и не подтверждают качество на других источниках или в реальных сценариях. Классификацию не следует использовать как клиническую оценку или единственное основание для решений, связанных с безопасностью; возможны ошибки и смещение из-за состава обучающих данных.

cge7/wav2vec2-base-version3 — дообученная на неизвестном наборе данных модель wav2vec 2.0 от автора репозитория cge7. Она предназначена для классификации аудио; архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. В оценке указаны loss 0,4587 и accuracy 0,8410. Модель принимает аудио и выдаёт метки классов. README не раскрывает набор данных, категории классификации и сценарии применения, поэтому результаты нельзя уверенно переносить на конкретные типы аудио. Модель распространяется в формате safetensors по лицензии Apache-2.0.

YACIS ELECTRA Small Japanese for Irony — небольшая модель на архитектуре ELECTRA, разработанная для автоматического распознавания иронии и сарказма в японских сообщениях. Она дообучена на наборе твитов с ироничным и саркастическим содержанием на базе YACIS ELECTRA Small Japanese. Модель предназначена для классификации коротких японских текстов, например публикаций в соцсетях. Она содержит 20,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Лицензия — CC BY-SA 4.0. Модель специализирована на иронии и сарказме в твитах, поэтому качество на других жанрах и темах может отличаться; карточка не приводит результатов оценки.

AmharicNewsCharacterNormalized — дообученная akiseid модель классификации текста на базе XLM-RoBERTa Base. По названию модель связана с нормализованными символами амхарских новостей, однако карточка не описывает классы и целевую схему классификации. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и формат safetensors; длина контекста — 514 токенов. На указанном в карточке наборе оценки достигнуты accuracy 0,9538 и F1 0,9538. Датасет обозначен как None, а сведения о назначении, обучающих данных и ограничениях не приведены. Модель распространяется по лицензии MIT.

Anole‑Zebra‑CoT — мультимодальная модель зрения и языка на 6,7 млрд параметров, разработанная на основе GAIR/Anole-7b и дообученная командой Multimodal Reasoning Lab на наборе Zebra‑CoT. Модель предназначена для визуальных задач рассуждения: она принимает изображения и текст и генерирует чередующиеся текстовые и графические фрагменты рассуждений. Обучающие данные включают 182 384 примера по 18 подзадачам в областях 2D- и 3D-визуальных задач, научного рассуждения и визуальной логики и игр. В README сообщается об улучшении точности на тесте, соответствующем обучающим данным, с 4,2% до 16,9%, а также о более высоких результатах на MathVision, MathVista и VisuLogic по сравнению с Anole с CoT-промптингом. Архитектура — плотная Chameleon; формат весов — safetensors, длина контекста — 4096 токенов. Модель распространяется по лицензии Apache-2.0.

AVMAELAVDFnoCEnew — дообученная модель VideoMAE для классификации видео. В репозитории указано качество на оценочной выборке: точность 0,9417 и F1 0,9415 при значении loss 0,2811. Архитектура относится к VideoMAE и содержит около 113,2 млн параметров; веса опубликованы в формате Safetensors. Карточка не описывает классы, обучающий датасет, предполагаемые сценарии использования или ограничения, поэтому назначение классификации и переносимость результатов на другие данные неясны. Идентификатор базовой модели, необходимый для точного указания происхождения, не приведён. Лицензия в доступных данных не указана.

Это модель BERT Base для японского языка, разработанная для автоматического распознавания иронии и сарказма в сообщениях. Она дообучена на наборе ироничных и саркастических твитов и предназначена для классификации текста. Модель содержит около 118 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. Она подходит для анализа коротких японских сообщений, например публикаций в социальных сетях. Репозиторий содержит веса в формате PyTorch. Модель распространяется по лицензии CC BY-SA 4.0. Её специализация на твитах может ограничивать качество на других жанрах и типах текста.

bert-fc-base — языковая модель семейства BERT, разработанная aajrami и обученная с целью предсказания первого символа. Карточка отсылает к исследованию о влиянии целей предобучения на усвоение языковых свойств; модель предназначена для получения признаковых представлений текста. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Она распространяется под лицензией CC BY 4.0. Карточка не описывает поддерживаемые языки и не приводит оценок качества на прикладных задачах.

BERTweet-Hedge — модель классификации текста, созданная ChrisLiewJY дообучением базовой модели VinAI BERTweet на корпусе Wiki Weasel 2.0 из Szeged Uncertainty Corpus. Она определяет, содержит ли текст в социальных сетях языковые маркеры неопределённости (hedges), и возвращает одну из двух меток: наличие или отсутствие таких маркеров. Модель основана на архитектуре RoBERTa и содержит 162,4 млн параметров. Она принимает текст на английском языке; длина контекста — 130 токенов. В README приведены показатели Accuracy 0,9680 и F1 0,8765. Модель предназначена для анализа формулировок в социальных сетях, однако её результаты на других типах текстов и языках не подтверждены. Лицензия — MIT.

Это дообученная модель классификации текста на основе microsoft/deberta-v3-xsmall, разработанная Domenic Rosati. Она предназначена для классификации отзывов; в названии также указано использование библиографического контекста и замороженной языковой модели, однако README не поясняет эту схему и не описывает набор данных. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa v2 для классификации последовательностей и принимает текст длиной до 512 токенов. Модель выпущена под лицензией MIT. В приведённых результатах оценки точность составляет 0,9066, но F1 — 0,0090, полнота — 0,0045, а точность положительных предсказаний — 0,8293; столь низкие F1 и полнота указывают на существенные ограничения при выявлении целевого класса. README не раскрывает состав классов, данные обучения и подробности применения библиографического контекста.

ASCCCCCCCC/distilbert-base-chinese-amazon_zh_20000 — модель классификации последовательностей на базе bert-base-chinese, дообученная для классификации текста на неизвестном наборе данных. В метаданных указаны архитектура BERT, реализация BertForSequenceClassification, 129,5 млн параметров и контекст до 512 токенов; веса представлены в формате PyTorch. Карточка сообщает результат оценки на тестовой выборке: accuracy 0,5092 и loss 1,1518. Назначение меток и характеристики обучающего набора не описаны, поэтому область применения классификации определить точнее нельзя. Модель опубликована под идентификатором ASCCCCCCCC; лицензия в предоставленных данных не указана.

irfanamal/distilroberta_multiple_choice — дообученная модель на базе distilroberta-base, разработанная для выбора одного ответа из нескольких предложенных вариантов. Она использует архитектуру RoBERTa и содержит 95,2 млн параметров; максимальная длина контекста составляет 514 токенов. Модель предназначена для задач формата multiple choice, например тестовых вопросов с вариантами ответа. Модель дообучена на наборе данных, название которого в карточке не приведено. На указанной в README оценочной выборке она показала точность 0,58 и loss 1,1925. Лицензия — Apache-2.0. Карточка не описывает языки, предметную область и ограничения применимости; результаты оценки не подтверждают качество на других данных.