I.11Классификация, ранжирование и сопоставление

Adventurousness_continuous — модель классификации последовательностей на базе DeBERTa-v3-base, дообученная автором ajrayman для оценки непрерывного показателя adventurousness по тексту. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку. В карточке приведены результаты оценки: RMSE 0,2366, MAE 0,1908 и корреляция 0,1251. Модель может применяться для исследовательской оценки выраженности «авантюрности» в текстах. Данные для обучения обозначены как None, а подробности целевой шкалы, разметки и предполагаемого применения не описаны; низкая корреляция на оценочной выборке ограничивает надёжность интерпретации предсказаний. Лицензия — MIT.

Модель coding-zzz-oe/bert-motivational-interviewing разработана как дообученная версия BERT-base-uncased для классификации отдельных высказываний клиента в диалогах мотивационного интервьюирования. Она относит реплики к трём классам: речь в пользу изменений, нейтральная речь и речь в пользу сохранения текущего поведения. Модель имеет архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает контекст до 512 токенов. Модель предназначена для анализа сессий мотивационного интервьюирования, обучения консультантов и исследовательских сценариев; её также можно использовать как компонент автоматизированных диалоговых систем. Она обучена на англоязычном наборе AnnoMI примерно из 2400 обучающих высказываний. На тестовой выборке точность составляет 70,1%, а macro F1 — 57,9%; нейтральный класс распознаётся лучше, чем классы изменения и сохранения поведения. Модель оценивает реплики по отдельности, без контекста разговора, и может хуже работать за пределами диалогов мотивационного интервьюирования. Лицензия — MIT. Результаты следует проверять специалистам; модель не заменяет консультанта.

Sasidhar1826/common_metaphors_detection — англоязычная модель классификации текста на базе BERT, дообученная для обнаружения распространённых метафор. Она принимает текст и относит его к классам задачи классификации, помогая находить метафорические выражения в предложениях. Модель содержит 136,7 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. В карточке указана точность 64% на небольшом специализированном наборе данных. Автор предупреждает, что модель ненадёжна для широкого применения: смысл метафор зависит от контекста, а обучающие примеры охватывают ограниченный набор случаев. Для повышения качества предложено дообучение на VU Amsterdam Metaphor Corpus.

DiSCo Situation-Entity Classifier — модель классификации предложений на основе RoBERTa-base, разработанная для компонента классификации DiSCo. Она присваивает английской дискурсивной единице элементарного уровня, примерно соответствующей придаточной или самостоятельной клаузе, одну из 18 категорий ситуации (Situation Entity). Категории отражают тип ситуации и могут быть разложены на признаки обобщённости референта, событийности глагольной конструкции и ограниченности или привычности ситуации. Модель предназначена для лингвистического анализа текста после сегментации на клаузы, например для изучения повествовательных режимов и анализа распределения типов ситуаций. Она содержит около 151,8 млн параметров, работает с текстом и имеет контекст до 514 токенов. Обучение включало предварительное обучение на корпусе SitEnt и дообучение на DiSCo: англоязычных текстах смешанных жанров, преимущественно о легализации марихуаны. На валидационной выборке во время обучения точность классификации 18 категорий составила 0,737, а macro-F1 — 0,514; для отдельных трёхклассовых признаков macro-F1 составил 0,852 для обобщённости и 0,879 для событийности. Редкие классы представлены существенно меньше частых, а оценки относятся к обучающей валидации; качество на других жанрах может отличаться. Модель распространяется по лицензии CC BY 4.0.

Карточка модели klyang/MentaLLaMA-chat-7B-hf на Hugging Face совпадает с карточкой klyang/MentaLLaMA-chat-7B, поэтому описание составлено по ней. 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.

MiqraBERT — модель Sentence Transformers, разработанная Дэвидом М. Смайли из Университета Нотр-Дам для поиска параллельных отрывков в еврейской Библии. Это дообученный на базе AlephBERT BERT-энкодер с mean pooling, который преобразует стихи на библейском иврите в 768-мерные эмбеддинги; косинусное сходство между ними служит непрерывной оценкой текстового параллелизма. Модель обучена на наборе T'OMIM из 1 650 пар стихов, включая параллельные и непараллельные примеры, и поддерживает последовательности длиной до 512 токенов. Модель предназначена для сравнения стихов, поиска кандидатов на параллельные места и вычислительного исследования внутрибиблейских аллюзий и повторного использования текста. На тестовом наборе авторы сообщают F1 0,980 при пороге 0,53; результат зависит от обучающей выборки и порога и не означает, что модель сама классифицирует пары. Лицензия — Apache 2.0. Область применимости ограничена библейским ивритом, включая вокализованный текст с огласовками. Модель не рассчитана на современный или раввинистический иврит и арамейский; для поэтического параллелизма качество поиска ограничено, а отношения, не представленные в обучающих данных, могут распознаваться хуже.

rendchevi/roberta-base-tqacd — дообученная модель классификации последовательностей на базе FacebookAI/roberta-base, разработанная пользователем rendchevi. Число параметров — 151,8 млн; модель использует архитектуру RoBERTa и принимает текст длиной до 514 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель предназначена для классификации текста. В README приведены результаты оценки: F1 Macro 0,2528, точность 0,2683, полнота 0,2648 и accuracy 0,3515. Эти показатели указывают на ограниченное качество на указанном наборе оценки. Датасет обозначен как None, поэтому область применения и метки классов по доступным сведениям определить нельзя.

SPhilBerta — модель Sentence Transformer, разработанная для классической филологии на основе PhilBERTa. Она предназначена для поиска межъязыковых отсылок между текстами на латыни и древнегреческом: модель преобразует предложения в векторные представления, которые можно сравнивать по сходству. Модель создана методом дистилляции; архитектура — RoBERTa, число параметров — 162,4 млн, максимальный контекст — 514 токенов. Модель подходит для сопоставления фрагментов классических текстов и поиска возможных параллелей между латинскими и древнегреческими источниками. Для использования доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка описывает специализированный филологический сценарий, поэтому результаты для других языков и задач не подтверждены.

AnirudhVV/ACTSA-CARDIFFNLP — модель классификации текста, обученная с помощью AutoTrain на наборе ACTSA-CARDIFFNLP/autotrain-data. Она построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров; максимальная длина контекста составляет 514 токенов. Модель предназначена для отнесения входного текста к классам задачи, на которой её обучали. В README приведены метрики на валидации: accuracy и micro-F1 около 0,46, macro-F1 около 0,21. Эти результаты указывают на ограниченное качество классификации; без описания классов и данных оценить применимость модели к конкретному сценарию нельзя. Лицензия в предоставленных сведениях не обозначена.

Это модель классификации текста на базе RoBERTa-large, дообученная разработчиком theharmonylab на наборе GLUE SCHONE_POW. Она предназначена для определения неявных мотивов власти в тексте и может применяться для анализа высказываний и исследовательской оценки языковых данных. Модель содержит около 454,1 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты на оценочной выборке: loss 0,1556 и ROC AUC 0,9742. Модель работает с английским текстом и распространяется в формате safetensors по лицензии MIT. Карточка не описывает схему меток, данные обучения подробнее или ограничения качества, поэтому результаты и применимость за пределами указанного набора данных требуют отдельной проверки.

Карточка модели crazyape777/mir-829-odpo-midrank-lobeta-ep3 на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r637-r252-odpo-midrank-lobeta-softctx-ep3-lolr-merged, поэтому описание составлено по ней. 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.

TNEA-Advisor — модель AnbuKumaran A., дообученная на базе Qwen2.5-3B-Instruct для помощи абитуриентам при поступлении на инженерные программы в штате Тамилнад. Это плотный авторегрессионный трансформер семейства Qwen2 с 3,1 млрд параметров; LoRA-адаптер был объединён с базовой моделью, а репозиторий содержит самостоятельные веса Safetensors. Модель принимает текстовые сведения о проходном балле, категории общины и предпочтительном направлении, затем генерирует оценку государственного и категориального ранга и подбирает колледжи по уровням REACH, TARGET и SAFE. Она рассчитана на англоязычные запросы; заявленное родное контекстное окно — 32 768 токенов. Для локального запуска также упоминается отдельная 4-битная сборка GGUF q4_K_M. Дообучение использует более 100 000 исторических записей о проходных баллах по категориям за 2021–2025 годы из Директората технического образования Тамилнада. Карточка приводит оценку на 50 сценариях с автоматическим судейством, поэтому её результаты не подтверждают точность для всех реальных случаев. Модель выдаёт оценки по историческим данным, не является официальной системой приёма и не заменяет актуальные сведения DoTE/TNEA или консультацию специалиста; её работа вне узкой задачи поступления не проверена. Лицензия указана как other, без конкретизации условий в предоставленных данных.

Модель Wang Qimeng и Zhu Zilong для классификации изображений листьев томата по 10 категориям болезней и поражений. Это полноразмерное дообучение Swin Transformer Tiny на базе microsoft/swin-tiny-patch4-window7-224; архитектура Swin содержит около 33 млн параметров по метаданным. Модель принимает изображение и выдаёт класс заболевания. Для обучения использован набор PlantVillage Tomato Disease Dataset. Авторы сообщают о точности 97,4% на независимой тестовой выборке из 15 011 изображений; точность для ранней пятнистости составила 94,3%, а для вируса мозаики томата — 100%. Эти результаты относятся к лабораторным изображениям PlantVillage. На фотографиях из поля, при сложном фоне, естественном освещении или съёмке телефоном точность может снизиться; перед внедрением рекомендуется дообучение на полевых данных. Модель распространяется по лицензии MIT.

Это дообученная модель XLM, созданная на основе FacebookAI/xlm-mlm-100-1280 для Plains Cree и английского языка. Она обучена предсказывать замаскированные токены с использованием Translation Language Modeling: предложения на двух языках объединялись, а маскировка применялась совместно. Дополнительно использовалась функция потерь InfoNCE для сближения представлений предложений на кри и английском языках. Модель предназначена как энкодер-основа для кросс-языковой дистилляции классификаторов переносного языка на Plains Cree. Для обучения использовались параллельные тексты Bloomfield и корпус EdTeKLA, около 9 000 пар предложений. Контекст модели — 512 токенов; архитектура — XLM с 570 млн параметров. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY 4.0. Модель подходит для задач восстановления замаскированных токенов и получения согласованных представлений текстов на Plains Cree и английском, в частности для дальнейшего обучения кросс-языковых классификаторов. Её специализация на одной языковой паре и небольшом параллельном корпусе ограничивает перенос на другие языки и области; готовый классификатор переносного языка в репозитории не заявлен.

bert-rand-medium — модель среднего размера на архитектуре RoBERTa, содержащая около 59,3 млн параметров. По карточке она обучена с использованием случайного предобучающего objective; подробности о цели и гиперпараметрах приведены в упомянутой в README работе. Модель предназначена для извлечения признаковых представлений текста и изучения того, как выбор цели предобучения влияет на усвоение языковых свойств. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors; лицензия — CC BY 4.0. README не заявляет о специализации на конкретном языке или прикладной области. Случайная цель предобучения может ограничивать пригодность представлений для прикладных задач без дополнительной оценки или дообучения.

narcissism_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная пользователем ajrayman. Она предназначена для оценки текста по непрерывной шкале нарциссизма. В карточке приведены результаты на наборе оценки: RMSE 0,2641, MAE 0,2130 и корреляция 0,3824; название обучающего набора данных не указано содержательно. Модель использует архитектуру DeBERTa V2 для классификации текста, содержит 211,6 млн параметров и рассчитана на входную последовательность длиной до 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Результаты оценки и описание задачи не дают сведений о языке текста или применимости к другим шкалам и популяциям, поэтому такие свойства нельзя предполагать.

leomaurodesenv дообучил cross-encoder/nli-MiniLM2-L6-H768 для классификации текстов. По названию репозитория модель связана с постами о стихийных бедствиях и jailbreak-запросами, однако README не описывает её назначение, метки классов или обучающие данные. Это плотная модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая последовательности длиной до 514 токенов. Базовая модель предназначена для определения логического отношения между парой предложений и zero-shot-классификации; конкретные возможности дообученной версии сверх задачи классификации не подтверждены. Модель опубликована в формате safetensors под лицензией Apache-2.0. В README приведены результаты оценки: accuracy 0,6536 и loss 0,6495; состав и методика оценки не описаны, поэтому эти значения не позволяют надёжно судить о качестве для конкретного применения.

explosion-testing/safetensors-test — небольшая тестовая модель из организации Explosion Testing Models на Hugging Face, разработчик которой не раскрыт подробнее. Репозиторий предназначен для работы с библиотеками Transformers и PyTorch и распространяется в формате Safetensors. Модель классифицирована как BERT и feature-extraction; её можно загружать через pipeline Transformers с задачей feature-extraction или напрямую вместе с AutoTokenizer и AutoModel. Указан размер около 84,7 тыс. параметров и тип тензоров F32. Это позволяет использовать модель для получения векторных представлений входного текста и тестирования загрузки или выполнения моделей в экосистеме Transformers. В карточке отсутствует подробное описание, поэтому языки, длина контекста, точная архитектура, обучающие данные, качество, сильные стороны и ограничения не установлены. Модель не развернута через Inference Providers. Лицензия в доступных данных не указана.

Модель jkhan447/sarcasm-detection-Bert-base-uncased-POS — дообученная для классификации текста версия BERT base uncased, разработанная автором репозитория. Она предназначена для обнаружения сарказма в тексте. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текстовые входы длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,591 и loss 3,1904; датасет указан как None, поэтому данные о составе обучающей выборки отсутствуют. Модель распространяется по лицензии Apache-2.0. Низкая указанная точность ограничивает надёжность автоматического определения сарказма.

Карточка модели elevateecho/sn120-7aded176a1f1 на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r637-r252-odpo-midrank-lobeta-softctx-ep3-lolr-merged, поэтому описание составлено по ней. 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.

SPhilBerta Latin Intertextuality Embedding Model v2 — модель Sentence Transformer, разработанная Julian Schelb и дообученная на базе bowphs/SPhilBerta для построения эмбеддингов латинских текстов и поиска межтекстовых связей между авторами классической латыни. Она входит в настройку бенчмарка Loci Similes и оценивалась на экспертно проверенных межтекстовых параллелях. Модель содержит 162,4 млн параметров, использует архитектуру RoBERTa и рассчитана на входные тексты на латыни. Контекст составляет до 514 токенов. Для обучения применялась online contrastive loss на одном из пяти разбиений датасета Loci Similes. Модель предназначена для использования через API пакета LociSimiles; при поиске необходимо применять соответствующие обучению имена prompt-префиксов, иначе качество поиска заметно снижается. Лицензия — Apache 2.0. Модель специализирована на латинских текстах и межтекстовых параллелях; README не описывает её как универсальную модель для общего семантического поиска.

ZaraBERTa — англоязычная модель-энкодер, разработанная Brigham Young University–Idaho для работы с текстами Священного Писания. Она дообучена на базе FacebookAI/roberta-large на пяти томах Стандартных трудов Церкви Иисуса Христа Святых последних дней и предназначена для предсказания замаскированных слов, извлечения контекстных векторов и анализа сходства слов в библейском регистре. Архитектура RobertaForMaskedLM имеет 24 слоя; в карточке указаны 355 млн параметров, а метаданные каталога — 456,1 млн. Контекст составляет 514 токенов. Модель сохраняет регистр, различает формы LORD, Lord и lord и добавляет в словарь специальные для корпуса слова и имена как цельные токены. Модель подходит для языкового анализа и извлечения признаков из библейских текстов, включая изучение имен, словоупотребления и лексических связей. Она не генерирует текст и сама по себе не предназначена для ответов на вопросы, суммаризации, классификации или поиска предложений; для таких задач потребуется обученная дополнительная голова либо другая модель. Современные англоязычные запросы о Писании обрабатываются хуже, чем текст в соответствующем стиле. Это учебный и исследовательский инструмент, а не источник вероучительных авторитетных толкований и не официальная публикация церкви. Лицензия — MIT.

Карточка модели best26/Affine-megaextra на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r596-r252-odpo-hirank-midbeta-softctx-megaextra-merged, поэтому описание составлено по ней. Affine R596 — SoftCtx × HiRank × MidBeta MegaExtra — это экспериментальная разговорная модель семейства Qwen3.5 MoE от unconst, дообученная на основе unconst/Affine-5czsc2fc98-r252-merged методом offline DPO. Чекпойнт создан для подачи в майнер SN120 и участия в оценочных Reason-дуэлях, а не для универсального чата. При обучении модель оптимизировали предпочитать ответы с более высокой оценкой Reason на отобранных парах. README сообщает о LoRA с r=64 и α=128, коэффициенте DPO β=0,1 и целевой длине обучения 12 288 токенов; обучение остановили на шаге 259, после чего адаптер объединили с моделью. В метаданных указаны Transformers и формат safetensors. Лицензия не приведена.

gaurav8894/autotrain-jg5vn-mm4f4 — модель классификации текста, обученная с помощью AutoTrain на базе google-bert/bert-base-uncased. Она предназначена для отнесения входного текста к классам, заданным при обучении. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает тексты длиной до 512 токенов. В карточке приведены метрики проверки: точность составляет 0,143, а macro F1 — 0,152; результаты указывают на низкое качество классификации на указанной проверочной выборке. Базовая модель ориентирована на английский язык, поэтому применение к другим языкам не подтверждено. Лицензия в доступных данных не приведена.

KrishokTech-Models — набор моделей компьютерного зрения для диагностического конвейера KrishokChat, разработанного для сельского хозяйства Бангладеш. В набор входят YOLO26-cls для определения десяти групп культур и отдельные классификаторы болезней для разных культур, а также ансамбль из пяти EfficientNet-B0 для оценки матричного натяжения почвенной влаги по полевым изображениям. Результаты предназначены для диагностики болезней растений и рекомендаций по орошению. Модели принимают изображения и выдают метки классов; модель влажности почвы дополнительно оценивает непрерывное значение в кПа. В репозитории представлены веса ONNX и GGUF F16, а для запуска и обучения указан Ultralytics. Карточка описывает полный комплект, хотя метаданные каталога классифицируют его как image-classification. Лицензия — Apache-2.0.

parl-german-speechact — немецкоязычная модель классификации текста, разработанная в рамках проекта GePaDeU для разметки дебатов Бундестага Германии. Она определяет для речевого акта с контекстом из предыдущего и следующего предложений один или несколько типов речевых актов, описывающих прагматические и риторические функции, например просьбу, сообщение, обвинение или требование. Модель основана на GBERT large и полностью дообучена для многоклассовой многометочной классификации последовательностей. Она содержит 434,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Обучение и оценка проводились на 12 947 вручную размеченных фрагментах из парламентских выступлений 2017–2021 годов. Модель предназначена для анализа речевых актов в немецких парламентских дебатах; её применимость к другим жанрам и предметным областям не установлена. Лицензия в доступных данных не указана.

Карточка модели elevateecho/sn120-3a778f1fd066 на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r596-r252-odpo-hirank-midbeta-softctx-megaextra-merged, поэтому описание составлено по ней. Affine R596 — SoftCtx × HiRank × MidBeta MegaExtra — это экспериментальная разговорная модель семейства Qwen3.5 MoE от unconst, дообученная на основе unconst/Affine-5czsc2fc98-r252-merged методом offline DPO. Чекпойнт создан для подачи в майнер SN120 и участия в оценочных Reason-дуэлях, а не для универсального чата. При обучении модель оптимизировали предпочитать ответы с более высокой оценкой Reason на отобранных парах. README сообщает о LoRA с r=64 и α=128, коэффициенте DPO β=0,1 и целевой длине обучения 12 288 токенов; обучение остановили на шаге 259, после чего адаптер объединили с моделью. В метаданных указаны Transformers и формат safetensors. Лицензия не приведена.

SpaceBERT — доменная модель семейства SpaceTransformers, представленная авторами работы «SpaceTransformers: Language Modeling for Space Systems». Это BERT-Base (uncased), дополнительно предварительно обученный на корпусе объёмом 14,3 ГБ: аннотациях публикаций, книгах и страницах Wikipedia о космических системах. В карточке указан оригинальный репозиторий проекта strath-ace/smart-nlp. Модель предназначена для задач заполнения пропусков в тексте и может служить основой для дообучения на задачах обработки текстов о космических системах. В работе авторы также дообучали её для распознавания понятий. Архитектура — BERT для masked language modeling, размер — 136,7 млн параметров, контекст — до 512 токенов. Основной язык — английский. Модель распространяется под лицензией MIT. Она специализируется на тематике космических систем; карточка не сообщает результатов для других областей или отдельных метрик качества.

taiqihe/test-w2v-bert-dummy — модель, опубликованная пользователем Taiqi He на Hugging Face. В каталоге Hugging Face она обозначена как модель для извлечения признаков (Feature Extraction); указан размер около 24,3 млн параметров или эквивалентный объём артефактов. Название содержит w2v-bert, однако доступные первоисточники не подтверждают конкретную архитектуру, конфигурацию или связь с определённой базовой моделью. Модель предназначена для получения признаковых представлений входных данных, но сведения о точных сценариях применения, поддерживаемых модальностях, языках, размере контекста, качестве, обучающих данных и ограничениях отсутствуют. Информация о лицензии также не установлена. README или содержательная карточка модели в доступных результатах поиска отсутствует, поэтому дополнительные характеристики нельзя надёжно указать.

Affine R596 — SoftCtx × HiRank × MidBeta MegaExtra — это экспериментальная разговорная модель семейства Qwen3.5 MoE от unconst, дообученная на основе unconst/Affine-5czsc2fc98-r252-merged методом offline DPO. Чекпойнт создан для подачи в майнер SN120 и участия в оценочных Reason-дуэлях, а не для универсального чата. При обучении модель оптимизировали предпочитать ответы с более высокой оценкой Reason на отобранных парах. README сообщает о LoRA с r=64 и α=128, коэффициенте DPO β=0,1 и целевой длине обучения 12 288 токенов; обучение остановили на шаге 259, после чего адаптер объединили с моделью. В метаданных указаны Transformers и формат safetensors. Лицензия не приведена.