I.11Классификация, ранжирование и сопоставление

DuplexJev-B · gender — модель для распознавания заданных категорий по аудиоречи. Её разработала adventists-ai: модель объединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-32B через обученный коннектор в формате Ultravox. Вариант B подаёт в проектор выход последнего слоя энкодера; обучаемая часть содержит 17,8 млн параметров. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. Модель выдаёт распределение вероятностей для одного токена ответа и предназначена для закрытых задач по речи: например, определить пол говорящего или выбрать подходящий вариант ответа. Проверялась на гендерных метках, вопросах по аудио и других оценках; для теста на 800 реальных высказываниях указана точность около 87%. Подсказки следует формулировать на языке аудиозаписи и с вариантами, похожими на обучающие примеры. Поддерживаются китайский и английский языки. Оценки получены на небольших наборах, включавших прочитанную и сыгранную речь; потоковый ввод не оценивался. Обучение на паралингвистических признаках может снижать точность ответов на фактические вопросы по спонтанной речи. Эмоциональные метки получены на актёрских корпусах, поэтому результаты не следует использовать для принятия решений об отдельных людях. Для работы необходимы указанные в карточке энкодер и LLM.

DuplexJev-B-Para-Whisper-small-Qwen3-1.7B — компактная аудиотекстовая модель семейства Ultravox от adventists-ai для ответов на вопросы по речи и определения признаков говорящего. Она объединяет замороженный энкодер Whisper-small и замороженную языковую модель Qwen3-1.7B через обучаемый коннектор: последний слой энкодера обрабатывается стекированием кадров и проектором SwiGLU. Обучаемая часть содержит 29,4 млн параметров; модель использует архитектуру Ultravox и формат safetensors. Модель рассчитана на короткие решения по аудиофрагментам: spoken QA, распознавание пола и эмоций по голосу. Ответ выбирается по распределению над вариантами вопроса без генерации токенов, что позволяет оценивать несколько вопросов за один проход. В README приведены результаты на небольших тестовых наборах и задержка для одного события; модель не предназначена для открытых вопросов, требующих широких знаний. Поддерживаемые языки по метаданным — китайский и английский. Это слияние компонентов Whisper-small и Qwen3-1.7B; базовая языковая модель заморожена, а коннектор дообучен по рецепту DuplexJev. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на некоммерческое применение. Коннектор совместим только с указанными энкодером и языковой моделью.

Dutifulness_binary — модель классификации текста, дообученная на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации по признаку, названному в идентификаторе модели как dutifulness; README не раскрывает значение классов и описывает назначение лишь ограниченно. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и принимает последовательности длиной до 512 токенов. На оценочном наборе README сообщает accuracy 0,7298, precision 0,6966, recall 0,8130, F1 0,7503 и AUC 0,8173. Данные обучения и точные определения меток не описаны, поэтому перед применением следует проверить соответствие классификации своей задаче. Лицензия — MIT.

MarcoCharon/iw-conspir-v3 — модель классификации текста на основе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для отнесения текста к категориям, связанным с конспирологическими убеждениями: подозрение в сокрытии фактов, злонамеренное намерение, образ преследуемой жертвы, устойчивость к опровержениям и переосмысление случайных событий. Модель принимает текст и выдаёт метки классов; максимальная длина контекста — 512 токенов. В README приведены метрики на оценочной выборке: Macro F1 0,4023 и Micro F1 0,5893; качество заметно различается между классами, а F1 для класса Contradictory равен 0. Датасет обучения не описан. Модель распространяется по лицензии Apache-2.0.

MentalBERT — языковая модель AIMH, основанная на RoBERTa-large и дополнительно предварительно обученная на публикациях о психическом здоровье с Reddit. Она предназначена для извлечения контекстных представлений текста и может применяться как основа для задач анализа текстов о психическом здоровье; в метаданных Hugging Face указана задача fill-mask, то есть предсказание скрытых токенов в тексте. Модель создана с использованием стандартных протоколов предварительного обучения BERT и RoBERTa и библиотеки Transformers. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Поскольку обучение опиралось на публикации Reddit и модель не описана как клинически валидированный инструмент, её выводы не следует считать диагнозом или медицинской рекомендацией.

Nimbus-Chat-Mini — компактная модель-ассистент для диалогов на устройствах, представленная разработчиком под именем Nimbus. В README модель описана как результат дистилляции с хорошим следованием инструкциям; приведены результаты бенчмарков по рассуждению и генерации. Метаданные Hugging Face указывают архитектуру BERT, реализацию BertModel на Transformers и формат PyTorch, а также задачу извлечения признаков. Эти сведения не подтверждают заявленные в README диалоговые возможности или размер модели. Репозиторий распространяется по лицензии Apache-2.0. README рекомендует температуру генерации 0,6, но не приводит подробностей о запуске: отсылает к коду проекта. Данные о языках, размере и длине контекста отсутствуют.

Orderliness_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base и опубликованная пользователем ajrayman. Она предназначена для бинарной классификации текста; название предполагает оценку упорядоченности, однако карточка не раскрывает значения классов и детали применения. 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 0,6463, precision 0,6275, recall 0,7182, F1 0,6698 и AUC 0,6949. Базовая модель Microsoft англоязычная, но целевые языки и обучающие данные этой версии не описаны. Модель распространяется по лицензии MIT.

Orion-Translate-XL — модель из семейства BERT, представленная пользователем yding03. В README заявлены высокоточный многоязычный перевод и сохранение общих способностей к рассуждению; приведены результаты на отдельных задачах рассуждения. Метаданные Hugging Face указывают архитектуру BertModel, библиотеку Transformers и формат PyTorch, однако относят модель к извлечению признаков. Эти сведения расходятся с заявленным в README назначением перевода, поэтому фактический способ использования модели по доступным данным установить нельзя. Модель опубликована под лицензией MIT.

andreas122001/roberta-academic-detector — классификатор текста на базе RoBERTa, опубликованный в рамках бакалаврского проекта Николая Сивесинда и Андреаса Бентцена Винье из Норвежского университета естественных и технических наук. Модель дообучена на академических аннотациях, чтобы различать текст, написанный человеком, и текст, сгенерированный языковой моделью, например ChatGPT или GPT-3. Модель содержит около 151,8 млн параметров, принимает текст и выдаёт метку класса. Контекст составляет до 514 токенов; модель предназначена для англоязычных текстов. Авторы сообщают об accuracy 98,4% для лучшей модели семейства на исследовательских аннотациях, однако это не результат именно данного RoBERTa-чекпойнта: приведённый показатель относится к Bloomz-3b-academic. Доступны веса PyTorch и Safetensors; лицензия — OpenRAIL.

SaudiBERT — предварительно обученная языковая модель faisalq, специализирующаяся на текстах на саудовском диалекте арабского языка. Она построена на архитектуре BERT и предназначена для заполнения пропусков в тексте и других сценариев, использующих предсказание замаскированных токенов. Модель обучалась на корпусе из более чем 141 миллиона саудовских твитов и более чем 70 миллионов предложений с саудовских интернет-форумов; общий объём текстов составил 26,3 ГБ. Модель содержит 170,8 млн параметров, имеет контекст до 512 токенов и распространяется в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Она ориентирована на саудовский диалект, поэтому её пригодность для других вариантов арабского языка и иных языков не установлена.

SynLogic-7B — языковая модель MiniMaxAI на 7,1 млрд параметров, дообученная методом обучения с подкреплением на наборе SynLogic. В основе лежит Qwen2.5-7B-Base; модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов с пошаговыми логическими рассуждениями и решения математических задач. Обучение охватывает 27 типов логических задач, включая судоку, игру «24» и шифры; по данным карточки, навыки обобщаются на математику без специального обучения на математических данных. В README приведены результаты на логических и математических бенчмарках, но они не гарантируют точность на произвольных задачах. Модель принимает текст и генерирует текст. Метаданные отмечают английский язык, интерфейс чата и вызова инструментов. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

Kuongan/xlm-roberta-base-ptbr-finetuned — модель классификации текста, созданная дообучением XLM-RoBERTa Base. В метаданных указаны архитектура XLMRobertaForSequenceClassification, 305,2 млн параметров и контекст до 514 токенов; веса опубликованы в формате safetensors. Модель предназначена для классификации текстовых последовательностей. Суффикс названия указывает на ориентацию на португальский язык Бразилии, однако README не описывает конкретные классы или сценарий применения. На оценочном наборе указаны F1 0,2957, ROC AUC 0,6147 и accuracy 0,48, поэтому результаты свидетельствуют об ограниченном качестве и требуют проверки на целевых данных. Базовая модель поддерживает многоязычную обработку, но язык дообучения в карточке не подтверждён. Лицензия модели — MIT.

vraj33/ai-text-detector-deberta — классификатор текста на базе DeBERTa-v3-base, дообученный для определения текстов, созданных ИИ. Модель разработал автор репозитория vraj33; она принимает текст и относит его к классу, связанному с генерацией человеком или ИИ. Параметры модели сохранены в формате safetensors; объём — около 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на пользовательском наборе статей Википедии, написанных людьми, и статей в стиле Википедии, сгенерированных GPT-Neo. В README заявлена точность 99,4% на тестовых данных того же распределения и уверенность 99,9% на примерах GPT-Neo. Эти результаты не гарантируют точность на текстах от современных моделей или из других предметных областей: автор прямо отмечает разрыв в обобщении и необходимость обучения на соответствующих данным целевого применения. Лицензия в предоставленных данных не указана. Использовать классификатор можно для предварительной оценки происхождения текста, учитывая риск ошибок и ограниченную переносимость между генераторами и темами.

Kuongan/BantuBERTa-vmw-finetuned — дообученная модель классификации текстов на основе dsfsi/BantuBERTa, разработанная Kuongan. Она использует архитектуру RoBERTa и предназначена для задач классификации последовательностей. Веса представлены в формате Safetensors; модель содержит 129,3 млн параметров и поддерживает контекст до 514 токенов. Базовая BantuBERTa адаптирована для NLP-задач на языках банту, однако язык и конкретная предметная область этого дообучения не описаны. В README указаны результаты оценки: loss 0,3269, F1 0,1633, ROC AUC 0,5507 и accuracy 0,4729. Эти метрики указывают на ограниченное качество в оценённой задаче; назначение меток и состав данных не раскрыты. Модель распространяется по лицензии CC BY 4.0.

Это дообученная модель DeBERTa, разработанная исследователями TUM NLP для обнаружения человеческих ценностей, выраженных в аргументах. Она классифицирует текст аргумента и предсказывает связанные с ним категории ценностей; модель участвовала в задаче SemEval-2023 Detecting Human Values in Arguments. Модель обучали и проверяли на наборе из 9 324 размеченных аргументов. Её F1-мера составила 0,55; ансамбль, в который она входила, показал F1-меру 0,56 в соревновании. Для преобразования выходов в метки в соревновании применяли порог 0,25. Для запуска требуется код модели, поэтому стандартный inference API Hugging Face напрямую не подходит. Модель предназначена для классификации текстовых аргументов на английском языке. Репозиторий распространяется по лицензии OpenRAIL++; README указывает, что доступен код для повторного обучения ансамбля.

SamAgnoli/deberta-v3-base-spatial-language-detection — англоязычный классификатор на базе DeBERTa-v3-base от Microsoft, дообученный для определения, употреблено ли заданное слово пространственно в контексте конкретного высказывания. Модель принимает пару: высказывание и целевое слово; выдаёт метку «пространственное» или «непространственное». Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 211,6 млн параметров, максимальная длина контекста — 512 токенов. Лицензия — MIT. Модель предназначена для контекстной разметки слов, обозначающих местоположение, направление или пространственные отношения. Наиболее подходящий сценарий — анализ слов, предварительно отобранных пространственным словарём; README сообщает F1 0,890 для пространственного класса на тестовых словах-кандидатах. Обучающие данные — отражения родителей и детей о занятиях в музейной мастерской. Модель рассчитана на английскую речь, а качество в иных жанрах и областях не гарантировано. Словарь предварительного отбора может пропустить слова, поэтому такие слова не попадут на классификацию; результаты тестирования основаны на одном ограниченном разбиении, и предсказания рекомендуется проверять.

Модель SetFit/distilbert-base-uncased__sst2__train-8-0 — дообученная версия DistilBERT для классификации текста. В метаданных указана архитектура DistilBertForSequenceClassification, формат PyTorch и контекст до 512 токенов. Название модели указывает на связь с SST-2, однако README не описывает датасет обучения подробно. Модель предназначена для отнесения входного текста к классам. На оценочном наборе указаны loss 0,6920 и accuracy 0,5189, что свидетельствует о слабом качестве на этой оценке. В карточке нет сведений о языках, конкретных сценариях применения или ограничениях помимо результатов оценки. Лицензия — Apache-2.0.

Kev-0.5B — экспериментальная модель принятия решений, разработанная Jared Palmer совместно с Devin (Cognition). Она представляет собой адаптер LoRA и специальную pointer head поверх Qwen/Qwen2.5-0.5B и предназначена для исследовательских задач, локальных демонстраций и обучения, связанных с прямым получением вероятностных решений и оценкой калибровки. Модель не генерирует текст: она принимает один документ или контекст состояния и набор типизированных вопросов, после чего за один проход возвращает распределение вероятностей по каждому вопросу. Архитектура модели — causal transformer с prefill-only обработкой, block-causal маской ветвей и pointer readout. Базовая модель содержит около 494 млн параметров и заморожена; обучаемая часть включает 9,3 млн параметров LoRA и головы. Поддерживаются вопросы типов noul (да/нет), choice (от 2 до 255 вариантов) и score (от 2 до 255 упорядоченных уровней). Модель рассчитана на английский язык. Во время обучения использовались состояния длиной до 384 токенов и ветви вопросов до 1 024 токенов; при обслуживании допускается до 8 192 токенов на ветвь, при этом базовая модель поддерживает контекст до 32 000 токенов. На удержанном наборе из использованных источников модель показала accuracy 0,799, ECE 0,065 и ECE 0,031 после температурного масштабирования. Однако это исходный прототип, уступающий более новым моделям семейства на проверке вне домена; его калибровка подтверждена только на близких к обучающим распределениях, а возможности на незнакомых задачах не измерялись. Модель не предназначена для производственных решений, влияющих на людей, включая модерацию, оценку мошенничества, кредитование, найм, медицинскую или юридическую маршрутизацию. Адаптер и голова распространяются по лицензии Apache-2.0; базовая модель Qwen2.5-0.5B также указана под Apache-2.0, а наборы данных имеют собственные лицензии.

KinyaRoBERTa-small — предварительно обученная модель Jean-Paul для языка киньяруанда, построенная на архитектуре RoBERTa и обученная предсказывать замаскированные токены. Она подходит для восстановления пропусков в тексте и извлечения контекстных признаков для последующих задач обработки киньяруанда. Модель содержит 79,7 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Токенизация нечувствительна к регистру: например, ikinyarwanda и Ikinyarwanda обрабатываются одинаково. Для предобучения использовались новостные статьи из Руанды, материалы Википедии и книги на киньяруанда. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

MCQ Scratch Solver — это модель для выбора правильного варианта ответа в заданиях с несколькими вариантами, созданная Pranay Aggarwal в рамках учебного проекта для соревнования Smart MCQ Solver на Kaggle. Модель построена с нуля и не использует предварительно обученную языковую основу: она независимо оценивает пары «вопрос и вариант ответа», а затем ранжирует варианты и формирует прогноз из трёх лучших. Архитектура включает обучаемые эмбеддинги, двунаправленную LSTM, нормализацию слоёв, двухслойный Transformer Encoder с четырьмя головами внимания, пулинг по среднему и максимуму и линейный классификатор. Для кодирования входов используется токенизатор BERT WordPiece. В README указана оценка MAP@3 1,0 на валидации; это результат конкретного учебного эксперимента и не гарантирует качество на других данных. Модель опубликована в формате PyTorch state dict, лицензия — MIT.

Morality_binary — модель классификации текста, дообученная Ajrayman на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации по признаку, связанному с моральностью текста; подробное описание меток и сценариев в карточке отсутствует. 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 0,7098, precision 0,7154, recall 0,6958, F1 0,7054 и AUC 0,7768. Язык и состав обучающих данных не описаны, поэтому качество и применимость к конкретным языкам или типам текстов требуют отдельной проверки. Модель распространяется по лицензии MIT.

Модель E5-base Latin Intertextuality Embedding Model (v2) разработана Julian Schelb и представляет собой дообученную версию intfloat/multilingual-e5-base на архитектуре XLM-RoBERTa в формате Sentence Transformers. Она создаёт эмбеддинги латинских текстов для поиска межтекстовых связей между авторами классической латыни; модель входит в бенчмарк Loci Similes и обучалась с online contrastive loss на одном из пяти разбиений его данных. Модель рассчитана на сопоставление предложений и поиск интертекстуальных параллелей в корпусах классической латыни, в том числе через интерфейс пакета LociSimiles. Для корректной работы требуется использовать соответствующие обучению названия prompt-префиксов: без них качество поиска заметно снижается. Размер модели — 305,2 млн параметров, длина контекста — 514 токенов. Лицензия Apache 2.0.

Модель marwaALzaabi/plant-disease-detection-vit — дообученный классификатор изображений на основе ViT-Large с патчами 16×16, предобученного на ImageNet-21k. Она предназначена для классификации изображений растений по состоянию здоровья и обнаружения болезней растений. В README указаны точность 1,0 и потеря 0,0002 на оценочном наборе, однако датасет обозначен как None, поэтому эти результаты не позволяют оценить обобщающую способность модели. Модель содержит около 402,7 млн параметров, использует библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0. Оценка принимает изображение и возвращает метку класса; конкретные классы болезней, условия съёмки и границы применимости не описаны.

BOLAJOKO03/yoruba-politeness-classifier — модель классификации текста для определения уровня вежливости высказываний на языке йоруба. Она разработана для исследований и учебных задач в области NLP для африканских языков и опирается на XLM-RoBERTa, дообученную для классификации последовательностей. Модель относит высказывания к трём классам: NEUTRAL, POLITE и IMPOLITE. В ней 305,2 млн параметров, контекст — до 514 токенов; модель использует Transformers и веса Safetensors. Обучение проводилось в течение пяти эпох на наборе из 541 размеченного высказывания на йоруба. На тестовой выборке указаны accuracy 89,81% и weighted F1 0,89, однако macro F1 составляет 0,74. Класс IMPOLITE представлен слабее остальных: его F1 равен 0,36, а recall — 0,25, поэтому модель может часто пропускать невежливые высказывания. Лицензия в предоставленных данных не указана.

Adventurousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по признаку adventurousness («склонность к приключениям»); точное значение классов в карточке не раскрыто. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Доступна в формате safetensors под лицензией MIT. В README приведены результаты оценки: accuracy 0,5928 и F1 0,6139, поэтому качество классификации может быть ограниченным. Описание обучающего набора данных, определения меток и предполагаемых сценариев применения отсутствует.

wls04/alfworld-causal-prm-1.7b — дообученная модель на базе Qwen/Qwen3-1.7B, обученная с помощью TRL. В метаданных архитектура указана как Qwen3ForTokenClassification, а основная задача каталога — token-classification; размер модели составляет 1,7 млрд параметров, контекст — до 40 960 токенов. Репозиторий содержит веса в формате safetensors. Карточка приводит пример запуска через text-generation, но метаданные классифицируют модель как token-classification. Поэтому её практическое назначение по доступным сведениям точнее описывают как разметку токенов; область ALFWorld и causal PRM обозначена в названии и тегах, однако подробности обучения и применения не приведены. Условия лицензии в предоставленных данных не указаны.

Paulanerus/AncientGreekVariantSBERT — модель Sentence Transformers, дообученная на базе pranaydeeps/Ancient-Greek-BERT для поиска семантически близких древнегреческих библейских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 и рассчитана на сравнение стихов, поиск вариантов текста, кластеризацию параллельных фрагментов и семантический поиск по библейским корпусам. Модель использует архитектуру BERT и содержит 140,1 млн параметров; максимальная длина контекста — 512 токенов. Для обучения применялась Multiple Negatives Ranking Loss. README сообщает об устойчивости к распространённым орфографическим вариантам и приводит Accuracy@3 и Accuracy@5, равные 1,00, на описанной задаче поиска. Для наилучших результатов входной текст следует привести к нижнему регистру и удалить диакритические знаки с помощью NFD-нормализации. Модель оптимизирована для древнегреческих библейских текстов, поэтому на классических, гомеровских и других жанрах качество может быть ниже. Лицензия — MIT.

BioCLIP-HC-Hyperbolic — модель компьютерного зрения и языка для распознавания организмов по изображениям с учётом таксономической иерархии. Её разработала команда Zhiyuan Tao и соавторов; модель дообучена на TreeOfLife-10M на основе BioCLIP ViT-B/16 и использует двухкодерную архитектуру CLIP с представлениями в гиперболическом пространстве. Модель предназначена для zero-shot классификации изображений по таксономическим названиям на разных уровнях — от царства до вида, а также для классификации с небольшим числом размеченных примеров и получения визуальных представлений для биологических задач. Обучение с контрастивным сравнением внутри одного таксономического уровня и балансировкой групп направлено на более согласованные предсказания от общих категорий к конкретным видам. В README сообщается о результатах на iNat21, Rare Species и CrypticBio, включая улучшение средней точности более чем на 13% относительно RCME. Модель подходит для мониторинга биоразнообразия, распознавания редких видов и тонкой классификации организмов. Обучающие данные могут быть неравномерно распределены по таксонам, поэтому качество ниже для редких, недостаточно представленных, неоднозначных или незнакомых организмов; ошибки на высоких уровнях таксономии могут влиять на последующие предсказания. Результаты следует использовать как вспомогательные, а не как окончательное биологическое определение. Лицензия — MIT.

CARDS-Qwen3.5-27B-GGUF — мультимодальная версия модели C3DS/CARDS-Qwen3.5-27B, разработанная C3DS и преобразованная в формат GGUF пользователем mradermacher. Модель дообучена на наборе данных C3DS/cards_sft_dataset и ориентирована на анализ климатической тематики, дискурса об изменении климата и задачи классификации. Заявлена поддержка сценариев image-text-to-text, то есть обработки текста и изображений, однако подробные сведения о механизме мультимодального взаимодействия отсутствуют. Модель основана на архитектуре Qwen3.5 с заявленным размером 27B параметров и поддерживает английский язык. Репозиторий предоставляет несколько вариантов квантования GGUF — от Q2_K до Q8_0, а также мультимодальные дополнения mmproj в форматах Q8_0 и f16. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди представленных. Квантование позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством, но README не содержит результатов тестирования и сравнительных оценок. Модель подходит для локального запуска в совместимых инструментах, поддерживающих GGUF и мультимодальные компоненты, особенно для англоязычного анализа материалов о климате и классификации климатического дискурса. Ограничения включают отсутствие информации о размере контекста, производительности, поддерживаемых языках помимо английского и точности на прикладных задачах; качество также может зависеть от выбранного уровня квантования. Указанная лицензия — Apache-2.0.

Ariffiq99/e_care_albert_base_finetuned — дообученная модель ALBERT для задач с выбором одного варианта ответа. Она основана на albert/albert-base-v2 и использует архитектуру AlbertForMultipleChoice; размер модели — 136,3 млн параметров, максимальная длина контекста — 512 токенов. Модель сохранена в формате Safetensors. Её можно применять в системах, где ответ выбирается из предложенных вариантов, например для тестов и вопросов с вариантами ответа. В README приведены значения loss 1,4498 и F1 0,7290 на оценочном наборе, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на конкретных задачах. Базовая модель ориентирована на английский язык; лицензия — Apache-2.0.