I.11Классификация, ранжирование и сопоставление

FractalGPT/EmbedderDecoder — экспериментальная модель генерации текста на основе GPT-2, созданная с использованием ai-forever/rugpt3small_based_on_gpt2. Автор адаптировал подход vector2text: заменил эмбеддер и добавил управление промптом, генерацию из эмбеддингов и их матриц, а также ранжировщик. Можно сочетать эмбеддинги разных текстов и их квадраты для задания входного представления. Модель предназначена для экспериментов с преобразованием эмбеддингов в текст, генерацией по промпту и ранжированием вариантов. В метаданных указаны архитектура GPT2LMHeadModel, формат safetensors, контекст 2048 токенов и датасет Wikimedia Wikipedia. Лицензия — Apache-2.0. Карточка не содержит подробных результатов оценки качества или точного описания обучения.

FairnessReciprocity_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста с архитектурой DeBERTa v3 и 211,6 млн параметров. Она предназначена для бинарной классификации текстов, связанных со справедливостью и взаимностью; подробное описание категорий и обучающих данных в карточке отсутствует. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. На оценочной выборке указаны accuracy 0,5642, precision 0,5517, recall 0,6845, F1 0,6110 и AUC 0,5834, поэтому качество может быть недостаточным для решений с высокими требованиями к надёжности. Распространяется по лицензии MIT.

kweer/food_text_classification — дообученная модель DistilBERT для классификации текстов. По карточке, она обучена на неизвестном наборе данных; назначение и категории классификации не раскрыты. Модель принимает текст и выдаёт метку класса. Архитектура — DistilBertForSequenceClassification, формат весов — safetensors, максимальная длина контекста — 512 токенов. Базовая модель — distilbert/distilbert-base-uncased. В README указаны loss 0,0005 и accuracy 1,0 на оценочном наборе, но без сведений о данных и методике оценки эти показатели не позволяют судить о качестве на новых текстах. Лицензия — Apache-2.0.

Модель theharmonylab/implicit-motives-achievement-roberta-large — дообученная версия FacebookAI/roberta-large для классификации текста. Она обучена на наборе GLUE SCHONE_ACH, связанном с выявлением мотива достижения, и предназначена для определения соответствующего класса по тексту. В README приведены результаты оценки: loss 0,0846 и ROC AUC 0,9888. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текстовые входные данные. Родной контекст составляет 514 токенов; указанный язык — английский. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не описывает подробности разметки и ограничения применения, поэтому метрики следует соотносить с указанным оценочным набором.

Machiavellianism Continuous — дообученная модель на базе microsoft/deberta-v3-base для классификации текста. В карточке указаны метрики оценки на тестовом наборе: loss 0,0615, RMSE 0,2481, MAE 0,1990 и корреляция 0,4081; сведения о наборе данных и методике оценки не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v3 Base и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для оценки выраженности макиавеллизма по тексту. Она может применяться для исследовательской разметки и анализа текстовых данных по этому психологическому признаку. Распространяется по лицензии MIT.

kuleshov-group/owt-ar — авторегрессионная языковая модель, опубликованная группой Kuleshov на Hugging Face. Карточка модели автоматически сгенерирована и не описывает её назначение или обучение; репозиторий предоставляет загрузку через Transformers с задачей извлечения признаков. Метаданные также указывают генерацию текста как поддерживаемую задачу. Доступные сведения не позволяют надёжно установить архитектуру подробнее, размер, контекст, обучающие данные, лицензию, ограничения или качество. По языковому тегу модель связана с арабским языком; отдельного подтверждения её языкового охвата в карточке нет.

Kathir56 разработала модель классификации изображений листьев сельскохозяйственных растений на базе MobileNetV2, дообученной на датасете PlantVillage. Модель относит изображения к 38 классам болезней или здорового состояния растений; среди культур, значимых для сельского хозяйства Тамилнаду, перечислены томат, кукуруза, виноград, перец, картофель и цитрусовые. Также набор классов включает яблоню, чернику, вишню, персик, малину, сою, тыкву и клубнику. Модель предназначена для распознавания болезней по фотографии листа, в том числе в мобильных и периферийных приложениях. В README указаны 2,3 млн параметров, точность 97,31% и взвешенная F1-мера 97,31% на описанной тестовой выборке; метаданные указывают формат safetensors и библиотеку PyTorch. Лицензия — Apache-2.0. Результаты следует считать классификацией по ограниченному набору из 38 классов, а не универсальной диагностикой растений. README рекомендует дополнительно адаптировать модель на полевых снимках Тамилнаду и отмечает, что текущий набор не охватывает ряд важных местных культур, включая рис и сахарный тростник.

HotJellyBean/skin-disease-classifier — модель классификации изображений на базе Swin Transformer, представленная автором HotJellyBean. Она относит изображение кожного образования к одной из восьми категорий: актинический кератоз, базальноклеточная карцинома, доброкачественный кератоз, дерматофиброма, меланоцитарный невус, меланома, плоскоклеточная карцинома или сосудистое поражение. Модель рассчитана на RGB-изображения размером 224×224 пикселя и обучена на данных ISIC; содержит 58,7 млн параметров. Модель подходит для исследовательской и учебной классификации изображений кожных поражений и может применяться для предварительной сортировки таких изображений. Это не медицинский диагностический инструмент: результаты следует оценивать совместно со специалистом. Веса доступны в формате safetensors по лицензии MIT.

systemone-lite-0.5b — компактная модель для выбора действий и принятия решений, разработанная dwidlee и обученная дообучением Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная языковая модель Qwen2, рассчитанная на диалоговый режим и генерацию текста; число параметров — 494 млн, контекст — до 32 768 токенов. Модель обучали на наборах systemone-lite, в том числе для ранжирования заданных вариантов ответа в игровых и пространственных задачах. Её используют для локальных экспериментов с выбором допустимого действия в шахматах, Connect4, Sokoban, 2048, gridworld, а также в задачах распределения ресурсов и обработки билетов. В README приведены результаты закрытых проверок на отложенных данных и JevBench; автор отдельно отмечает, что модель не является Jev и использует собственный путь оценки вариантов. Ограничения существенны для практического применения: автор рекомендует модель для демонстраций и локальных экспериментов, а не для производственного сервиса принятия решений. Калибровка вероятностей посредственная, пространственное планирование остаётся слабым, а оценка предполагает заранее заданные варианты и сопоставление символов с токенами. Лицензия — Apache-2.0.

URCHIN Strict-100M — экспериментальная языковая модель phclab для генерации текста в треке BabyLM 2026 Strict (100M), обученная на корпусе объёмом 100 млн слов. Её архитектура PHCSSM представляет собой один горизонтально связанный слой импульсных LIF-нейронов с рекуррентными связями, ограниченными правилом Дейла; обработка каждого токена выполняется за 24 итерации до фиксированной точки. Модель содержит 4,23 млн параметров, не использует attention и выдаёт оценки токенов через линейную голову по напряжению нейронов. Модель принимает токенизированный текст и предназначена для авторегрессионной генерации, а также может применяться для классификации текста. В README описаны параллельный вариант и последовательная событийная реализация, использующая те же веса; требуется пользовательский код Transformers с trust_remote_code=True. Для токенизации используется официальный токенизатор BabyLM GPT-BERT на 16 384 токена. Карточка указывает английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

R637 — SoftCtx × MidRank × LoBeta MegaExtra ep3 × LoLR — это экспериментальный диалоговый чекпойнт семейства Qwen 3.5 MoE, разработанный командой Affine. Модель дообучена методом offline DPO на предпочтительных парах, ранжированных по Reason v3; указанный родительский чекпойнт — unconst/Affine-5czsc2fc98-r252-merged. В метаданных модель обозначена как text-generation и использует библиотеку Transformers с весами safetensors. Модель предназначена для отправки майнером SN120 Affine и оценки в Reason duel, а не для универсального чат-ассистента. В README приведены результаты сравнительного эксперимента на 77 примерах и параметры обучения, включая максимальную длину последовательности 12 288 токенов. Лицензия в предоставленных данных не указана.

ajrayman/auth_scale_continuous — модель ajrayman, дообученная на основе microsoft/deberta-v3-base для классификации текста. В README приведены метрики на оценочной выборке: Loss 0,1098, RMSE 0,3314, MAE 0,2694 и корреляция 0,2713; назначение целевой оценки и состав данных не описаны. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Модель подходит для экспериментов с классификацией текста и оценки непрерывной целевой величины. Опубликована в формате Safetensors и распространяется по лицензии MIT. README не уточняет целевую задачу, языки обучающих данных или предполагаемые сценарии применения, поэтому эти сведения нельзя определить по доступной карточке.

KUCI_albert_base_Finetuned — дообученная модель на базе albert/albert-base-v2, разработанная автором репозитория Ariffiq99. Она предназначена для задач с выбором одного ответа из нескольких вариантов (multiple-choice). В метаданных указаны архитектура ALBERT и класс AlbertForMultipleChoice; модель содержит 136,3 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Базовая модель ALBERT предназначена для работы с английским текстом. В README приведены метрики на оценочном наборе: loss 1,3234 и F1 0,3702. Датасет и подробности обучения не описаны, поэтому по этим показателям нельзя судить о качестве на конкретных задачах. Модель распространяется по лицензии Apache-2.0.

MentaLLaMA-chat-7B — языковая модель проекта MentaLLaMA для интерпретируемого анализа психического здоровья. Это плотная авторегрессионная модель семейства LLaMA, дообученная для диалогового следования инструкциям на основе Meta LLaMA 2 Chat 7B и набора IMHI. В карточке указано, что обучение использовало 75 тысяч инструкций, а оценка проводилась на 20 тысячах примеров бенчмарка IMHI. Модель принимает текстовые запросы и генерирует текстовые прогнозы и объяснения по различным задачам анализа психического здоровья. Она предназначена для не клинических исследований и экспериментов, например для анализа текстовых данных в рамках исследовательских проектов. Заявлены результаты, сопоставимые с сильными дискриминативными методами, и способность объяснять предсказания; контекст составляет 4096 токенов. Модель разработана авторами проекта MentaLLaMA и распространяется по лицензии MIT. Возможны неверные прогнозы, неподходящие объяснения, чрезмерные обобщения и смещения, включая различия по полу. Её результаты не следует использовать для клинических решений или вместо помощи психиатра либо другого медицинского специалиста.

ajrayman/narcissism_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста, связанной с нарциссизмом; название модели указывает на такой сценарий, однако README не уточняет классы и обучающие данные. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7034, precision 0,8052, recall 0,5375, F1 0,6447 и AUC 0,7577. Это указывает на компромисс между точностью положительных предсказаний и полнотой; результаты сами по себе не подтверждают пригодность для клинической диагностики. Модель распространяется под лицензией MIT.

QwEmotion-RP-Embed-0.6B-v0.1 — дообученная модель Casual-Autopsy для определения эмоции персонажа по одному текстовому сообщению. Она сопоставляет сообщение с названиями 28 эмоций, совместимых со спрайтами выражений персонажей SillyTavern, и предназначена для выбора подходящего спрайта в ролевых диалогах. Модель основана на unsloth/Qwen3-Embedding-0.6B и реализована как Sentence Transformer с эмбеддингами размерности 1024 и косинусной оценкой сходства. Метаданные указывают 507,6 млн параметров и контекст до 32 768 токенов; в README заявлены максимум 8192 токена и работа с текстом. Для предполагаемого применения автор рекомендует запуск на CPU; лицензия — Apache-2.0. Для классификации сообщение подаётся как запрос, а документы представляют собой отдельные названия эмоций. Модель обучена на 16 384 примерах из наборов с ролевыми диалогами и данными об эмоциях. Автор отмечает, что расширение SillyTavern пока не поддерживает embedding-модели, поэтому применение описано как демонстрационное; модель может путать эмоции, если в сообщении говорит несколько персонажей, и не предназначена для улучшения других задач.

REAGenderIdentificationv1 — дообученная модель DistilBERT для классификации текста, разработчик — malcolm. В карточке указаны результаты оценки: accuracy 0,8798 и F1 0,8522; название модели предполагает задачу определения гендера по тексту, однако карточка не описывает классы, метод разметки или сценарии применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку классификации. Максимальная длина контекста — 512 токенов. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0.

Revision Assistant — AI Writing Detect — модель классификации текста для определения признаков текста, созданного ИИ, в сценарии работы приложения Revision Assistant. Репозиторий содержит ONNX-веса с квантованием int8 и токенизатор, рассчитанные на запуск в браузере через Transformers.js. По метаданным это плотная модель семейства BERT с архитектурой BertForSequenceClassification, объёмом 137,1 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текстовых фрагментов. Карточка не описывает классы выходных меток, обучающие данные или точность обнаружения, поэтому результаты следует рассматривать как сигнал для проверки, а не как доказательство авторства текста. Лицензия в предоставленных данных не указана.

fddcvnnieiuncv/roberta-base-finetuned-multirc — модель на базе RoBERTa, дообученная для классификации текста на задаче MultiRC. Она содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README указаны результаты оценки: accuracy 0,6743, F1 0,6576 и loss 0,6277. Модель предназначена для классификации текстовых примеров в рамках задачи MultiRC. Базовая RoBERTa англоязычная, поэтому модель ориентирована на английский текст. Репозиторий распространяет веса в формате safetensors; лицензия — MIT. Описание не раскрывает состав обучающей выборки и подробности применения, поэтому качество для других наборов данных и сценариев не подтверждено.

B2306575/roberta-classifier — модель классификации текста на базе FacebookAI/roberta-base, дообученная разработчиком и опубликованная в формате safetensors. Она предназначена для отнесения текстов к классам; конкретная предметная область и набор меток в карточке не описаны. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Лицензия — MIT. В приведённой оценке на тестовой выборке указаны accuracy 0,284 и F1 0,2332, поэтому результаты классификации могут быть слабыми. Данные обучения и целевые классы не описаны, что затрудняет оценку пригодности модели для конкретной задачи.

SPECTER-frozen-with-biblio-context-finetuned-reviewclassifier — дообученная модель на основе allenai/specter для классификации текстов. В метаданных указана архитектура BERT с классификационной головой и энкодером библиографического контекста; размер модели — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель сохранена в формате PyTorch. Карточка сообщает результаты оценки на неизвестном наборе данных: accuracy 0,91, precision 0,8379, recall 0,0490 и F1 0,0925. Низкие recall и F1 указывают на существенные ограничения качества; метрики не позволяют определить пригодность для конкретного набора данных. Модель опубликована под лицензией Apache-2.0.

bert-ascii-small — компактная модель семейства BERT, разработанная aajrami и предварительно обученная предсказывать сумму ASCII-кодов символов в маскированном токене. Эта цель предобучения отличается от стандартного предсказания токена и предназначена для изучения того, как выбор цели влияет на усвоение языковых свойств. Модель может извлекать векторные признаки из текста и подходит для экспериментов с представлениями языка и анализа влияния предобучения. Модель содержит 42,5 млн параметров, использует архитектуру RoBERTa и имеет контекст длиной до 514 токенов. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. README не описывает результаты сравнительных оценок или конкретный набор поддерживаемых языков.

leomaurodesenv/bert-base-uncased-disaster-tweet-jailbreaking — англоязычная модель классификации текста, созданная дообучением google-bert/bert-base-uncased. Она содержит около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Название указывает на тематику твитов о катастрофах и jailbreak, однако карточка не раскрывает классы классификации и точное назначение модели. Модель можно применять для классификации текста в сценариях, связанных с этой тематикой; на оценочном наборе указаны accuracy 0,7299 и loss 0,5514. Данные обучения названы неизвестными, поэтому результаты нельзя считать подтверждением качества на других данных. Лицензия — Apache-2.0.

AnxForever/chinese-ai-detector-bert — это дообученный на китайских текстах классификатор на базе bert-base-chinese, разработанный в рамках выпускного проекта по обнаружению текста, созданного ИИ. Модель использует архитектуру BERT с классификационной головой BertForSequenceClassification и относит текст к одному из двух классов: написан человеком или сгенерирован ИИ. Репозиторий содержит веса в формате safetensors; модель работает через Transformers и поддерживает контекст до 512 токенов. Основной сценарий — проверка китайского текста целиком. Авторы приводят метрики на валидационных и независимых наборах, однако результаты могут не переноситься на другие источники и стили. Поддержка английского и других языков не заявлена. По карточке модели, тексты в стихах, классическом китайском и коротких публикациях в соцсетях могут распознаваться хуже; также возможны пропуски для сильно перефразированного ИИ-текста и текстов из других предметных областей. Определение границ человеческих и сгенерированных фрагментов вынесено в отдельную экспериментальную модель и не является основной возможностью этого чекпойнта. Модель распространяется по лицензии MIT.

Commonsense-QA-Mistral-7B-i1-GGUF — это набор квантованных GGUF-версий дообученной текстовой модели rvv-karma/Commonsense-QA-Mistral-7B, основанной на архитектуре Mistral и содержащей около 7 миллиардов параметров. Квантизацию выполнил mradermacher; модель дообучена на англоязычном наборе tau/commonsense_qa для задач, связанных с ответами на вопросы, требующие здравого смысла. Она предназначена для локального текстового вывода и запуска в совместимом программном обеспечении, поддерживающем формат GGUF. Модель работает с текстом на английском языке. В репозитории представлены варианты квантизации от IQ1_S до Q6_K размером примерно от 1,7 до 6,0 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README оптимальным компромиссом по размеру, скорости и качеству назван Q4_K_S, а Q4_K_M отмечен как быстрый и рекомендуемый вариант. Сведения о размере контекста, мультимодальности и дополнительных языках не указаны. Модель может быть полезна для локального решения англоязычных задач на понимание повседневных ситуаций и генерации текста, однако её качество ограничено выбранным уровнем квантизации и специализацией на наборе Commonsense QA. Лицензия указана как Apache-2.0.

Модель ari yul/gender_prediction_model_from_text — классификатор английского текста, разработанный для предсказания вероятного пола анонимного автора по содержанию текста. Она создана на базе microsoft/deberta-v3-large и дообучена для бинарной классификации на классы female и male; архитектура DeBERTa V2, 533,8 млн параметров, формат safetensors. По метаданным, максимальная длина контекста составляет 512 токенов; в карточке модели указан предел 128 токенов. Модель предназначена для анализа текста из разных областей, включая формальные выступления и неформальные телефонные разговоры. В карточке приведены метрики F1 и accuracy около 0,69 на сбалансированном тестовом наборе. Это экспериментальная оценка вероятной категории автора по языковым признакам, а не достоверное установление пола конкретного человека. Разработчик сообщает о смещении предсказаний: эмоциональные и рефлексивные тексты чаще классифицируются как женские, а прямые и ориентированные на результат — как мужские. Набор данных ограничен доступными открытыми источниками; примеры на польском и русском переводились на английский. Лицензия модели — MIT.

Gregariousness_continuous — англоязычная модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная автором ajrayman для оценки непрерывного показателя общительности по тексту. Модель использует архитектуру DeBERTa-v2 с головой классификации последовательностей, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для исследовательской оценки текста по шкале общительности; README приводит результаты на тестовой выборке: RMSE 0,2750, MAE 0,2231 и корреляция 0,1711. Модель принимает текст и выдаёт числовую оценку, поэтому применима для анализа выраженности общительности в текстовых данных. В карточке указана лицензия MIT. Описание набора данных, его происхождения и схема интерпретации шкалы не раскрыты; невысокая корреляция указывает на ограниченную надёжность оценки.

MLInAi/Llama-3.2-11B-Vision-VL-finetuned-IndustrialEquipment-merged — дообученная MLInAi модель на базе unsloth/llama-3.2-11b-vision-instruct. Это плотная мультимодальная модель семейства mllama с архитектурой MllamaForConditionalGeneration, предназначенная для диалоговой работы с изображениями и текстом. По названию репозитория она ориентирована на изображения промышленного оборудования, однако карточка не приводит примеров или подробностей специализированных задач. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. В метаданных указан английский язык. Файлы представлены в формате safetensors, лицензия — Apache-2.0. Сведений о числе параметров и длине контекста в предоставленных данных нет.

Openn_continuous — модель классификации последовательностей на архитектуре DeBERTa-v3-base, дообученная ajrayman на датасете, который в карточке указан как None. Модель содержит около 211,6 млн параметров, принимает текст длиной до 512 токенов и выдаёт числовую оценку для входного текста. В карточке приведены результаты оценки: loss 0,0181, RMSE 0,1346, MAE 0,1069 и корреляция 0,3311. Назначение оценки и интерпретация целевой шкалы не описаны, поэтому применимость модели к конкретной задаче требует проверки. Модель распространяется по лицензии MIT.

tiny_focal_alpah — компактная модель классификации токенов на архитектуре BERT, опубликованная пользователем kktoto. Модель содержит 12,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель обучалась с нуля на неизвестном наборе данных. Её назначение — классификация токенов, однако типы меток и конкретные сценарии применения в карточке не раскрыты. На указанном наборе оценки приведены значения precision 0,6951, recall 0,6796, F1 0,6873 и accuracy 0,9512; без описания данных и схемы разметки эти показатели трудно интерпретировать. Сведения о лицензии отсутствуют.