I.11Классификация, ранжирование и сопоставление

Biblical Topical Search — англоязычная модель семантического поиска библейских стихов по тематическим запросам, разработанная в рамках проекта Bible.Systems. Она дообучена на sentence-transformers/all-MiniLM-L12-v2 и преобразует запросы и тексты отрывков в эмбеддинги для поиска и сравнения по смыслу. Архитектура основана на BERT, размер модели — около 40 млн параметров, длина контекста — 512 токенов. Модель обучалась на 136 000 парах «запрос — отрывок» из Nave’s Topical Bible и Treasury of Scripture Knowledge, чтобы находить релевантные стихи перевода KJV по богословским темам. В README указаны метрики NDCG@10 0,1831 и Accuracy@10 0,3188; результаты относятся к описанной авторами оценке. Модель распространяется по лицензии MIT.

Модель weecology/cropmodel-neon-resnet18-species разработана сообществом Weecology для классификации крон деревьев, предварительно обнаруженных детектором DeepForest. Она относит RGB-изображения крон к одному из 167 видов деревьев, используя коды USDA PLANTS. Модель обучена на 47 971 фрагменте крон, собранном на 30 площадках NEON в Северной Америке по данным полевых обследований растительности. В основе лежит ResNet-18 из torchvision с предварительным обучением на ImageNet. На вход подаются RGB-фрагменты размером 224×224 пикселя с нормализацией ImageNet. На тестовой выборке указаны точность 86,9%, macro F1 0,80 и weighted F1 0,87. Модель предназначена для видовой идентификации крон в рамках экологического мониторинга и анализа аэрофотосъёмки. Лицензия — MIT.

DuplexJev-B-Para-SenseVoice-Small-Qwen3-1.7B — компактная аудиотекстовая модель adventists-ai для коротких решений и анализа речевых признаков. Она объединяет замороженный аудиоэнкодер SenseVoice-Small с замороженной Qwen3-1.7B через обучаемый коннектор: последний слой энкодера проходит кадровое объединение и проекцию SwiGLU. Обучено 10,5 млн параметров коннектора; на вопросах с вариантами ответа модель выдаёт распределение вероятностей по вариантам за один проход без генерации токенов. Поддерживаются английский и китайский языки. Модель рассчитана на короткие задачи по аудиоклипам: ответы на простые вопросы о произнесённом, определение пола говорящего и распознавание эмоций. В карточке приведены результаты на небольших тестовых наборах и задержка 127 мс для одного события с десятью вопросами и клипом длительностью 4,5 секунды на H200. Модель обучена с дистилляцией транскриптов и смешанным обучением на речи и эмоциональных метках. Модель предназначена для работы только с указанными в README энкодером и LLM. Она слабо отвечает на вопросы, требующие общих знаний; проверена на прочитанной или разыгранной речи, но не на потоковом вводе. Эмоциональные метки основаны на актёрских корпусах, поэтому их не следует использовать для принятия решений о людях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

SzymonKozl выпустил морально ориентированную модель классификации текста, дообученную на базе google-bert/bert-base-uncased. По метаданным это плотная архитектура BERT с классификационной головой BertForSequenceClassification, содержащая 136,7 млн параметров и принимающая последовательности длиной до 512 токенов. Название указывает на тематику моральных суждений и справедливости, однако README не описывает целевые метки, обучающие данные, методику оценки или конкретное назначение модели. Поэтому применять её для содержательной оценки моральных или социальных аспектов следует только после проверки на подходящих данных. Модель работает с текстом и выдаёт результаты классификации; карточка не сообщает отдельные поддерживаемые языки. Лицензия — Apache-2.0.

PatriSBERT-STS — модель Sentence-BERT на базе BERT, дообученная TdelaSelle для оценки семантического сходства латинских патристических текстов и выявления повторного использования библейских фрагментов в раннехристианских сочинениях. Она предназначена для поиска и измерения текстовых параллелей с латинской Библией Вульгатой, в том числе в корпусах святоотеческой литературы. Модель формирует эмбеддинги предложений для сравнения их сходства. Она дообучена методом triplet fine-tuning на латинских триплетах повторного использования библейских текстов, начиная с PatriSBERT-NLI; исходная модель PatriBERT была предварительно обучена на латинских патристических текстах. Размер — 138,5 млн параметров, контекст — до 512 токенов. Лицензия — CC BY 4.0. Это черновая версия PatriSBERT, выпущенная для экспериментов: авторы предупреждают, что её текущие результаты предварительны. Модель ориентирована на латинские религиозные и исторические тексты, поэтому качество на иных языках и жанрах не установлено.

PuritySanctity_continuous — модель классификации текста на базе DeBERTa-v3-base, дообученная автором репозитория ajrayman. Она содержит около 211,6 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам README модель предназначена для непрерывной оценки текстов; точная интерпретация оценки и область применения не описаны. В приведённой оценке указаны Loss 0,0478, RMSE 0,2187, MAE 0,1710 и корреляция 0,2894. Модель подходит для экспериментов с оцениванием текста и классификацией последовательностей. README не раскрывает датасет, целевую шкалу, языки или ограничения применимости, поэтому результаты нельзя уверенно переносить на конкретную прикладную задачу. Лицензия модели — MIT.

EColi/SB_Classifier — модель классификации текста, опубликованная пользователем EColi на Hugging Face. Она предназначена для анализа текстовых фрагментов, связанных с категориями SponsorBlock: INTERACTION, NONE, SELFPROMO и SPONSOR. Такие категории позволяют выявлять в содержании видео рекламные интеграции, саморекламу, призывы к взаимодействию и обычные фрагменты без соответствующего содержания. На странице модели указаны PyTorch и тег bert, однако точная архитектура, число параметров, данные обучения, поддерживаемые языки, размер контекста и показатели качества не опубликованы. Модель относится к задаче Text Classification и, вероятно, рассчитана на использование в системах автоматического анализа сегментов видеоконтента, но подробные сценарии применения разработчиком не описаны. Сильной стороной является наличие специализированных классов для задач SponsorBlock. Ограничения связаны с отсутствием содержательной model card, документации по качеству и сведениям о языках и границах применимости; поэтому надежность классификации для иных доменов или языков установить нельзя. Лицензия на странице модели не указана.

IME Context Reranker v1 — японская модель-переранжировщик для систем ввода IME, разработанная автором репозитория fa0311. Это кросс-энкодер на базе DistilBERT, дообученный для оценки кандидатов преобразования японского чтения в текст с учётом контекста. На вход подаются контекст, чтение и форма кандидата; более высокий регрессионный логит означает более подходящий вариант. В эталонной конфигурации модель оценивает до 64 кандидатов, а её балл объединяется с калиброванной стоимостью словаря. Модель использует архитектуру DistilBertForSequenceClassification и японский базовый чекпойнт line-corporation/line-distilbert-base-japanese. Максимальная длина последовательности в метаданных — 512 токенов; README указывает длину 192 и окно контекста 160 символов для описанной конфигурации. На тестах качества результаты зависят от генератора кандидатов и смешивания со словарной стоимостью; на сложном наборе полнота генерации целевого кандидата составляет 72,8%. Лицензия — Apache-2.0. Для указанной эталонной среды требуется CUDA, а токенизатор загружается с trust_remote_code=True.

astroBERT — англоязычная языковая модель для астрофизики, разработанная NASA/ADS. Базовая модель построена на архитектуре BERT и обучена предсказывать скрытые токены и связь между соседними предложениями; регистр букв учитывается. В репозитории также описаны отдельные дообученные варианты для распознавания именованных сущностей и классификации научных текстов, но основная карточка модели относится к базовой версии. Модель подходит для восстановления пропусков в англоязычных текстах по астрофизике и получения текстовых представлений для последующих задач. Она содержит 136,3 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и safetensors. Лицензия — MIT. Специализация на астрофизических текстах ограничивает применимость модели за пределами этой области; генерация свободного текста не является её основной задачей.

BioViL-T — разработанная Microsoft domain-specific vision-language модель для анализа рентгенограмм грудной клетки и радиологических заключений. Она объединяет текстовый энкодер на основе BERT и гибридный визуальный энкодер из Vision Transformer и ResNet-50; модель содержит 136,7 млн параметров и принимает контекст до 512 токенов для текстовой части. Доступны веса в форматах PyTorch и Safetensors. Модель обучена на медицинских текстах и последовательностях рентгенограмм с временным мультимодальным предобучением. Она формирует совместные представления изображений и текста и предназначена для извлечения признаков и эмбеддингов, а также для адаптации к задачам сопоставления изображений и заключений, классификации, phrase grounding и обработки естественного языка в радиологии. Основной язык — английский. BioViL-T показала улучшение представления временной информации и результаты на исследовательских бенчмарках радиологии. Модель предназначена для исследований и воспроизведения экспериментов; её не следует использовать для автоматической диагностики или как медицинское устройство. README указывает, что любые развёрнутые сценарии, коммерческие и некоммерческие, находятся вне предполагаемого применения. Лицензия — MIT.

dlgenai-t22026-mcq — дообученная модель на базе BERT, созданная для Smart MCQ Solver Challenge. Она оценивает каждый вариант ответа вместе с вопросом с помощью общего энкодера, а затем ранжирует варианты; модель рассчитана на вопросы с ровно пятью вариантами и не является классификатором букв A–E. Используется архитектура BertForMultipleChoice с 136,7 млн параметров, библиотека Transformers и контекстом до 512 токенов. Модель полностью дообучена на размеченных вопросах, без LoRA. Основной сценарий — ранжирование вариантов ответа в англоязычных тестах с множественным выбором в стиле обучающего набора. В карточке сообщается MAP@3 0,8729 на специальной выборке валидации из 400 вопросов без близких дубликатов; результаты на других форматах и данных могут быть существенно хуже. Модель зависит от особенностей разметки: правильные и неправильные варианты в обучающем наборе не пересекаются по текстам, поэтому часть качества может объясняться этим артефактом и запоминанием, а не анализом вопроса. Лицензия — MIT. Модель принимает текст вопроса и варианты ответа и выдаёт их оценки или ранжирование. Она предназначена только для английского языка и ожидает ровно пять вариантов; карточка предупреждает о слабом переносе на другие форматы MCQ.

Factor Graph Attention (FGA) — модель для визуального диалога, официальная реализация метода, представленного на CVPR 2019. Она оценивает 100 кандидатных ответов на вопрос о содержимом изображения с учётом подписи, истории диалога и визуальных регионов. Архитектура объединяет унарные, внутримодальные, парные и априорные факторы внимания; для истории из девяти раундов веса факторов разделяются. В чекпойнте 52,4 млн параметров. Модель обучена и оценена на VisDial v1.0; этот чекпойнт настроен на метрику MRR и показывает MRR 66,01 на валидационном разбиении. Она предназначена для ранжирования ответов в диалоге об изображении, а также может служить основой для экспериментов с мультимодальным вниманием. Для работы нужны предварительно обработанные диалоги и отдельные признаки изображений Faster R-CNN размером 37 × 2048; признаки изображений в репозитории не распространяются. Лицензия — MIT.

Hummingbird-V1 — англоязычная причинная языковая модель с 9,6 млн параметров, разработанная автором репозитория и обученная с нуля. Она предназначена для продолжения текста и оценки правдоподобия кандидатных продолжений; это базовая модель, а не помощник, настроенный следовать инструкциям. Модель использует плотную архитектуру MicroLoopForDiffusionLM, но обучена обычным авторегрессионным способом с одним проходом по слою. Контекст — 2048 токенов. Обучение включало 1,5 млрд предъявлений токенов на базовом этапе и около 500 млн на продолжении обучения; среди источников были англоязычные веб- и учебные корпуса, математические материалы и синтетические истории. В README приведены результаты самостоятельной оценки на нескольких тестах, которые требуют независимой проверки. Для генерации модель пересчитывает активный контекст, поскольку в этой версии нет KV-кэша. Выпущена под лицензией Apache-2.0.

HiTZ/judge-eus — баскоязычная языковая модель на архитектуре Llama, разработанная HiTZ для оценки текста на баскском языке. Модель дообучена на базе orai-nlp/Llama-eus-8B и содержит около 7,5 млрд параметров; её контекст — до 131 072 токенов. Доступна в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Модель создавалась для MCG-COLING-2025 Shared Task: она оценивает качество контрнарративов, предназначенных для противодействия языку ненависти, в том числе их способность эффективно отвечать на него и смягчать его воздействие. Её можно применять для оценки баскских текстов в подобных сценариях. Карточка не описывает точные критерии оценивания или результаты тестирования; модель предназначена для оценки текста, а не для генерации контрнарративов.

google/multiberts-seed_0-step_20k — промежуточный чекпойнт семейства MultiBERTs от Google Research, созданный при воспроизведении BERT-base uncased для английского языка. Это плотная модель архитектуры BERT с 136,7 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и TensorFlow. Чекпойнт сохранён на шаге 20 тыс. из запланированных 2 млн шагов предобучения. Модель обучалась на английском корпусе с задачами masked language modeling и next sentence prediction. Она предназначена прежде всего для исследований устойчивости результатов BERT к случайной инициализации и порядку обучающих примеров, а также может служить основой для экспериментов с английским текстом и последующего дообучения. Лицензия — Apache-2.0. Это незавершённый промежуточный чекпойнт: его возможности и качество не следует приравнивать к полностью обученной BERT-base. MultiBERTs — добросовестное воспроизведение, поэтому возможны отличия от исходного BERT; README приводит сопоставимые результаты на GLUE для полностью обученных моделей, но не обещает их для этого шага.

quinex-statement-clf-v0-125M — англоязычный классификатор количественных утверждений, разработанный JuelichSystemsAnalysis на основе RoBERTa-base и дообученный для отнесения таких утверждений к разным типам. Он предназначен для извлечения количественной информации из текста: на вход подаётся текст с интересующей количественной формулировкой, выделенной маркерами 🍏...🍏, а на выходе — класс утверждения. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров по метаданным и поддерживает контекст до 514 токенов. В README авторы указывают обучение на 247 примерах, преимущественно из текстов о водороде, и F1 68,6 на dev-наборе; это тестовый плейсхолдер, который, по предупреждению авторов, плохо обобщается и не подходит для надёжных предсказаний. Лицензия — MIT.

LoveJesus разработала англоязычную модель семантического поиска библейских отрывков по тематическим запросам. Это дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2: архитектура BERT, около 40 млн параметров, эмбеддинги размерности 384 и контекст до 512 токенов. Обучение проводилось на 136 тысячах пар «запрос — отрывок», составленных по Nave’s Topical Bible и перекрёстным ссылкам Treasury of Scripture Knowledge. Модель сопоставляет запросы на богословские темы с библейскими отрывками и помогает находить подходящие стихи перевода KJV. По README, на тестировании NDCG@10 составила 0,1831, Accuracy@10 — 0,3188, а MRR@10 — 0,1415; эти показатели характеризуют качество ранжирования на использованном наборе данных и не гарантируют точность для любых запросов. Модель распространяется по лицензии MIT.

amedvedev/bert-tiny-cognitive-bias — компактная модель классификации на основе BERT, разработанная для выявления когнитивных искажений в англоязычных текстах. В README указаны категории вроде персонализации, эмоционального рассуждения, чрезмерного обобщения, навешивания ярлыков, мышления в терминах «должен», катастрофизации и ошибочного ожидания вознаграждения; модель также различает тексты без искажений. Модель содержит 4,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В примере применения она возвращает наиболее вероятную метку класса. README приводит средние accuracy и F1 около 0,86 и отмечает высокие top-3 и top-5 показатели, но описание и сведения о данных находятся в разработке, поэтому автор рекомендует дообучать модель на собственных данных, а не считать её готовым решением. Модель опубликована под лицензией BSD 3-Clause. Она предназначена для англоязычных текстов; качество на других языках и в сценариях, отличающихся от обучающих данных, не подтверждено.

COLIPRI — 3D vision-language encoder от Microsoft Research, обученный на десятках тысяч КТ грудной клетки и радиологических заключениях. Представленная версия COLIPRI-CRM формирует совместные представления трёхмерных изображений и текста; обучение проводилось без ручной разметки с использованием нескольких задач. Модель поддерживает классификацию изображений по текстовым запросам, извлечение признаков, кластеризацию и поиск по изображениям и тексту, а её энкодеры можно подключать к другим моделям для сегментации или генерации заключений. Модель ориентирована на исследовательские и экспериментальные сценарии анализа медицинских КТ. Она может работать с текстовыми и визуальными представлениями совместно или независимо и предназначена для изображений КТ грудной клетки и радиологических отчётов. Лицензия — MIT. Авторы прямо указывают, что модель не предназначена для клинической практики. Обучающие данные происходят только из Турции и США, поэтому результаты могут быть смещены относительно других популяций; возможны и неописанные смещения исходных наборов данных.

hamo-score-0.6b — это компактная модель Hamo AI на 507,9 млн параметров, дообученная на базе Qwen/Qwen3-0.6B для оценки отдельных сообщений в диалогах о психологическом благополучии. На китайском и английском она выдаёт JSON с пятью оценками от 0 до 3: инициативность, отстранение, крайность мышления, враждебность и границы. Модель не пишет ответы; оценки предназначены для последующей обработки детерминированным кодом. Контекст модели — 40 960 токенов, однако описанный сценарий использует одно сообщение за раз. Доступны веса Safetensors и GGUF Q8; для GGUF автор сообщает размер около 0,64 ГБ и возможность локального запуска на CPU. Модель предназначена для локального скоринга сообщений в системах поддержки благополучия, где оценки подаются в логику обновления состояния или выбора действий. Автор приводит результаты внутренней проверки, но подчёркивает, что наборы узкие и не подтверждают качество на широкой популяции; языковые результаты отдельно не оценивались. Это не чат-бот, диагностический инструмент или детектор кризисов. Для пользовательских сценариев автор требует независимый механизм обработки кризисов до модели. Версия оценок важна: результаты разных версий несопоставимы, а оценка границ может ошибаться без контекста. Лицензия HAMO-RAIL-S 1.0 допускает коммерческое использование с ограничениями.

Jonrewardstage1epi1 — дообученная модель на базе openai-community/gpt2, разработанная автором репозитория Setpember. По архитектуре GPT-2 она предназначена для классификации последовательностей текста. Модель использует плотную архитектуру, сохранена в формате safetensors и имеет контекст длиной до 1024 токенов. Карточка не описывает обучающие данные, целевые классы и результаты оценки, поэтому практическое качество и подходящие сценарии применения определить нельзя. Модель распространяется по лицензии MIT.

AntoineD разработал эту модель как дообученную версию microsoft/MiniLM-L12-H384-uncased для классификации текста. Это компактная плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 40 млн параметров и принимающая последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Карточка не описывает набор меток и конкретную область применения, поэтому модель можно охарактеризовать только как классификатор текста общего назначения. В отчёте об оценке указаны accuracy 0,075 и loss 2,0829; низкая точность ограничивает практическую применимость без дополнительной проверки и настройки. Базовая модель англоязычная; отдельные языковые возможности этой версии не подтверждены. Лицензия — MIT.

Qiushi-Engine-Principle-Guided-Frontier-Advancement — исследовательская модель Oxelra AI, третий этап программы BabyLM Strict-Small. Это DeBERTa-v2 с двумя последовательными остаточными адаптерами и около 37,4 млн параметров; она предсказывает замаскированные токены в контексте до 512 токенов. Модель продолжает обучение базовой модели: при обучении скрывается больше слов, предсказание оценивается на выбранных позициях, а дополнительная функция потерь помогает сохранять поведение родительской модели. Предназначена для предсказания пропущенных токенов, оценки предложений и тонкой настройки энкодера в экспериментах с англоязычными данными BabyLM Strict-Small. Для загрузки требуется пользовательский код модели через Transformers. Модель распространяется по лицензии Apache-2.0.

Карточка модели elevateecho/sn120-03affd41ac7c на Hugging Face совпадает с карточкой crazyape777/fk-unconst-affine-5czsc2fc98-r1064-vera-odpo-midrank-midbeta-mi, поэтому описание составлено по ней. R1064 — MidCtx × MidRank × MidBeta Ultra HiLR — это экспериментальный чат-чекпойнт семейства Qwen 3.5 MoE от crazyape777, полученный офлайн-дообучением методом DPO базовой модели vera6/affine-5g4yy75zuz-t6. Он создан для участия в SN120 Affine miner и оценки парных ответов по Reason v4, а не для общего общения. Обучение оптимизировало предпочтение рассуждений, повышающих оценку учительской модели; в README описаны сравнение с родительской моделью и выигрыш на тесте из 79 примеров. Модель принимает текст и генерирует текст в формате диалога. В обучении использовались пары предпочтений для дуэльной оценки, LoRA с рангом 32 и максимальной длиной последовательности 8192 токена. Репозиторий содержит веса Safetensors и предназначен для библиотеки Transformers. Лицензия — Apache 2.0. Заявленные в README результаты относятся к конкретной версии Reason v4 и протоколу оценки; они не подтверждают качество на общих задачах. Модель не позиционируется как универсальный чат-ассистент.

unslothai/vram-20 — опубликованный Unsloth чекпойнт семейства Llama с архитектурой LlamaModel и задачей извлечения признаков. Карточка моделей Unsloth на Hugging Face относит его к категории Feature Extraction. Модель принимает текст и выдаёт признаки, пригодные для последующей обработки. Доступные сведения не подтверждают её размер, языковую специализацию, длину контекста или конкретные сценарии использования; поэтому их нельзя надёжно уточнить. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers. Лицензия в предоставленных сведениях не указана.

Achievement_Striving_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста с архитектурой DeBERTa V2. Она предназначена для бинарной классификации текстовых последовательностей; название модели указывает на задачу распознавания признака стремления к достижениям, однако карточка не поясняет метки и критерии классификации. Модель содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. На оценочном наборе указаны accuracy 0,66, precision 0,6524, recall 0,6833, F1 0,6675 и AUC 0,7256. Эти результаты дают ориентир по качеству, но набор данных обозначен как None, а подробности обучающей и оценочной выборок отсутствуют. Лицензия — MIT.

recobo/agriculture-bert-uncased — англоязычная BERT-модель для сельскохозяйственной тематики, разработанная на основе SciBERT и дополнительно предварительно обученная на корпусе текстов об аграрной науке и практике. Корпус включает 1,2 млн абзацев из Национальной сельскохозяйственной библиотеки США и 5,3 млн абзацев из книг и общедоступной литературы по сельскому хозяйству. Модель использует архитектуру BERT с 137,1 млн параметров и контекстом до 512 токенов. Она обучалась методом masked language modeling и предназначена прежде всего для предсказания скрытых слов и получения контекстных представлений сельскохозяйственных текстов. Лицензия в предоставленных данных не указана.

AuthorityRespect_binary — дообученная модель ajrayman на базе microsoft/deberta-v3-base для бинарной классификации текста. Она построена на архитектуре DeBERTa V2 и содержит около 211,6 млн параметров; максимальная длина контекста — 512 токенов. В метаданных и карточке не описаны смысл классов, обучающие данные и предполагаемые сценарии применения, поэтому назначение классификации, связанное с authority и respect в названии, нельзя считать подтверждённым. Модель принимает текст и выдаёт результат классификации. На указанном в карточке оценочном наборе приведены accuracy 0,6463, precision 0,6730, recall 0,5691, F1 0,6167 и AUC 0,7268; без описания набора и классов эти показатели трудно интерпретировать. Лицензия — MIT.

unslothai/aws — модель или репозиторий на Hugging Face, опубликованный аккаунтом Unsloth Backup Account, связанным с разработчиком Unsloth. В карточке модель классифицирована как Feature Extraction и предназначена для извлечения признаковых представлений из входного текста с использованием библиотеки Transformers. Для загрузки указаны AutoTokenizer и AutoModel, а также pipeline с задачей feature-extraction. Ключевые характеристики ограниченно документированы: указаны форматы Safetensors и F32, теги Transformers и llama, однако размер модели отображается как 0 параметров. Архитектура, поддерживаемые языки, максимальная длина контекста и модальности не описаны. Модель не развернута у доступных Inference Providers, поэтому практическая доступность готового inference-сервиса ограничена. Лицензия и условия использования в карточке модели не указаны. Из-за отсутствия подробной model card нельзя надежно оценить качество, сильные стороны, ограничения или пригодность для конкретных прикладных сценариев.

BGE-Meteo-zh — китайская модель эмбеддингов для метеорологических текстов, дообученная разработчиками репозитория на базе BAAI/bge-large-zh-v1.5. Она предназначена для семантического поиска и извлечения материалов о погоде и метеорологии в системах RAG. Модель использует архитектуру BERT, содержит 424,3 млн параметров, формирует векторы размерности 1024 и принимает контекст длиной до 512 токенов. Для дообучения применялось контрастивное обучение InfoNCE на вопросах и ответах, созданных по метеорологическим книгам, с трудными отрицательными примерами. В описанном тесте на отложенных книгах модель улучшила метрики поиска по сравнению с базовой BGE; эффективность проверена также на открытом наборе AtmosphericQA. Модель рассчитана на китайский язык и метеорологическую тематику; качество на английских текстах и перенос на другие области не оценивались. Лицензия — MIT.