I.11Классификация, ранжирование и сопоставление

Модель Wambugu Kinyua — дообученная версия Vision Transformer ViT-Tiny для классификации изображений листьев сельскохозяйственных культур по состоянию и типу болезни. Она принимает RGB-изображения и выдаёт метку класса, включая здоровые растения и заболевания кукурузы, картофеля, риса и пшеницы: ржавчину, пятнистость, ожог листьев и другие категории. Компактная архитектура содержит 7,1 млн параметров и предназначена для раннего выявления болезней в точном земледелии; её можно встроить в системы мониторинга посевов или дообучить на данных конкретного региона и культуры. В карточке заявлены метрики проверки на отложенной части датасета: accuracy 98%, precision 97%, recall 97% и F1 96%. Результаты могут быть хуже на культурах, болезнях и условиях съёмки, отсутствующих в обучающих данных; ошибки классификации способны привести к пропуску заболевания или ненужным мерам. Для данной версии метаданные указывают формат safetensors, а README также упоминает веса ONNX. Лицензия в метаданных Hugging Face — MIT.

Это дообученная модель DistilBERT для классификации текста, созданная на основе distilbert-base-uncased. В метаданных указаны архитектура DistilBertForSequenceClassification, формат PyTorch и максимальный контекст 512 токенов. Карточка сообщает о дообучении на датасете, обозначенном как None, поэтому конкретные данные обучения не установлены. Модель предназначена для классификации текста. На указанном в карточке наборе оценки она показала accuracy 0,5195 и loss 0,6914, что свидетельствует об ограниченном качестве и не даёт оснований считать её надёжной для практического применения без дополнительной проверки. Лицензия — Apache-2.0.

Карточка модели crazyape777/mir-822-odpo-hirank-midbeta 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.

moralBERT-uncased-mrfc-authority — модель классификации текста, созданная дообучением google-bert/bert-base-uncased. Она предназначена для классификации текстовых последовательностей; название указывает на связь с моральной оценкой и авторитетом, однако карточка не уточняет набор меток и целевую схему классификации. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В README приведены результаты на тестовой выборке: loss 0,6352 и accuracy 0,5997. Данные обучения не описаны, поэтому эти показатели не позволяют судить о качестве на конкретных прикладных задачах. Модель распространяется в формате safetensors по лицензии Apache-2.0.

retinal_disease_model — дообученная Elias Teikari модель Vision Transformer для классификации изображений сетчатки по категориям заболеваний. Она основана на google/vit-base-patch16-224, содержит 113,2 млн параметров и предназначена для сценариев, где нужно автоматически отнести изображение к одному из классов. Репозиторий использует библиотеку Transformers и формат весов safetensors. На оценочном наборе указаны loss 0,8147 и accuracy 0,6062. Состав классов, набор данных и подробности оценки не описаны, поэтому эти результаты не позволяют судить о клинической точности модели или её применимости к изображениям из других источников. Лицензия — Apache-2.0.

Модель daisyxie21/bert-base-uncased-8-50-0.01 — версия BERT base uncased, дообученная на наборе GLUE для классификации текстов. Она принимает последовательности текста и выдаёт метки классов; архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Карточка приводит результаты оценки на тестовой выборке: loss 0,9219 и коэффициент корреляции Мэтьюса 0,0. Эти значения не подтверждают полезное качество классификации, поэтому пригодность модели для прикладного использования следует проверять отдельно. Модель опубликована под лицензией Apache-2.0.

Модель FarhanKO/heart-disease-prediction — классификатор изображений печатных 12-канальных ЭКГ, разработанный как часть модуля оценки сердечных заболеваний Disease-Risk-Prediction. Конвейер сначала отсеивает изображения, не похожие на ЭКГ, затем относит снимок к одному из четырёх классов: аномальное сердцебиение, перенесённый инфаркт миокарда, инфаркт миокарда или норма. Для неуверенных прогнозов предусмотрена ручная проверка; полный конвейер также использует Grad-CAM для визуализации областей, повлиявших на результат. Развёрнутая модель — дообученная на ImageNet ResNet50V2; в репозитории также приведены дообученные EfficientNetB0 и DenseNet121. На вход подаётся RGB-изображение сетки ЭКГ, автоматически обрезаемое, если это полный снимок распечатки, затем изменяемое до 448 × 256 пикселей. Модель выдаёт вероятности четырёх классов. Обучение проводилось на 491 уникальной ЭКГ из одной больницы в Пакистане; тестовый набор включал 74 записи. Весовые файлы распространяются по лицензии CC BY 4.0. По README, на тестовом наборе у выбранной ResNet50V2 точность составила 0,878, а macro-F1 — 0,850. Эти результаты ограничены небольшим и узким набором данных: класс инфаркта представлен лишь 30 уникальными ЭКГ, данные получены из одной больницы, а разделение выполнено по ЭКГ, поскольку идентификаторов пациентов нет. Модель предназначена только для исследований и обучения и не является медицинским устройством; её нельзя использовать для диагностики или выбора лечения.

HachiML/Mists-7B-v01-projector-trained — дообученная модель семейства Mists, основанная на HachiML/Mists-7B-v01-not-trained. В метаданных указаны архитектура MistsForConditionalGeneration, плотная архитектура и формат safetensors; модель классифицирована для извлечения признаков. Карточка сообщает о дообучении на неизвестном наборе данных и значении loss 0,5989 на оценочном наборе, но не описывает назначение, данные или сценарии применения. Базовая модель задумана для совместной работы с текстом и временными рядами, однако её адаптер не обучен; для этой версии такая мультимодальность и практическая пригодность не подтверждены. Модель опубликована под лицензией Apache-2.0. Использование для извлечения признаков указано в метаданных, но карточка не предоставляет сведений о качестве эмбеддингов или ограничениях оценки.

Nero-XS-1.1 — компактная авторегрессионная языковая модель с 2 993 152 параметрами, разработанная автором репозитория и обученная с нуля на PyTorch/XLA. Она использует рекуррентную архитектуру NeroXSA с grouped-query attention: четыре средних блока повторно используются в двух проходах; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и оценки продолжений, в том числе в задачах с выбором ответа. В README приведены результаты на HellaSwag, ARC, PIQA и ArithMark-3, но они не являются независимо проверенными результатами таблиц лидеров. Модель обучалась на последовательностях длиной 256 токенов, а её контекст ограничен 2048 токенами. В обучающих данных были английские текстовые и математические материалы, а также код на Python. Это базовая модель, а не чат-ассистент: из-за малого размера у неё ограничены фактические знания, следование инструкциям, связность и длинная генерация. Восстановительное дообучение улучшило результаты на четырёх из пяти публичных задач, но ухудшило замороженную dev-оценку NLL; независимая человеческая и всесторонняя оценка безопасности не опубликованы. Для использования нужна реализация NeroXSA из репозитория: модель не совместима напрямую с Transformers AutoModelForCausalLM. Лицензия — CC BY 4.0.

mhmsadegh/rectom-causal-reasoning-retriever-pilot — экспериментальная дообученная модель на основе BAAI/bge-small-en-v1.5, созданная для поиска диалоговых примеров со сходной причинной структурой рассуждений Theory of Mind в бенчмарке RecToM. Она преобразует текст диалога, вопроса и вариантов ответа в эмбеддинги для извлечения и сравнения примеров; причинные пути использовались только как обучающая разметка. Модель имеет архитектуру BERT, около 40 млн параметров и контекст до 512 токенов; основная область применения — англоязычные тексты RecToM. Обучение проведено на 156 парах из небольшого набора проверенных вмешательствами причинных случаев. На валидационном разбиении показатели retrieval совпали с замороженными базовыми моделями, а качество генерации ответов на основе найденных примеров ещё не оценивалось. Поэтому результаты не подтверждают преимущество модели для общего семантического поиска или других наборов данных. Файлы представлены в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Self-consciousness_continuous — дообученная ajrayman модель на базе microsoft/deberta-v3-base для классификации текста. В метаданных указана архитектура DeBERTa V2 с головой классификации последовательностей, 211,6 млн параметров и контекстом до 512 токенов. README сообщает об обучении на датасете, название которого не указано, и приводит результаты оценки: loss 0,0455, RMSE 0,2132, MAE 0,1700 и корреляция 0,2733. Модель предназначена для оценки текста по непрерывной шкале, связанной с темой самосознания; конкретные метки, целевая шкала и сценарии применения в карточке не описаны. Базовая модель англоязычная, поэтому английский — основной язык, хотя язык обучающих данных отдельно не подтверждён. Распространяется по лицензии MIT. README содержит мало сведений о назначении и ограничениях, а значение корреляции указывает на необходимость осторожной проверки качества перед практическим применением.

Kuongan/xlm-roberta-base-yor-finetuned — модель классификации последовательностей на базе XLM-RoBERTa Base, дообученная разработчиком Kuongan. Она предназначена для присвоения меток тексту; название указывает на настройку для языка йоруба. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и опубликована в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: F1 0,2129, ROC AUC 0,5717 и accuracy 0,5553; описание набора данных и предполагаемых сценариев применения отсутствует. Модель распространяется по лицензии MIT. Низкие приведённые метрики и отсутствие сведений о метках и обучающих данных ограничивают уверенность в её пригодности для практических задач.

henryscheible/xlnet-base-cased_winobias_classifieronly — модель XLNet, дообученная на базе xlnet-base-cased для классификации текста. По названию репозитория она связана с классификацией Winobias, однако README не описывает метки, обучающие данные, оценку качества или конкретный сценарий применения. Модель содержит 137,8 млн параметров, использует архитектуру XLNetForSequenceClassification и опубликована в формате PyTorch. Лицензия — MIT.

aajrami/bert-ascii-base — языковая модель на архитектуре RoBERTa, разработанная с экспериментальной целью изучить влияние задачи предварительного обучения на усвоение языковых свойств. Модель обучалась предсказывать сумму ASCII-кодов символов в замаскированном токене. В репозитории указаны веса PyTorch и Safetensors, лицензия CC BY 4.0, размер около 151,8 млн параметров и контекст до 514 токенов. Модель предназначена прежде всего для извлечения признаков из текста и исследовательских экспериментов с представлениями языка. README не описывает специализированные прикладные сценарии или набор поддерживаемых языков. Не следует считать её готовой универсальной чат-моделью: заявленная задача и обучение ориентированы на исследование свойств языковых моделей.

Модель llm-book/bert-base-japanese-v3-jcommonsenseqa разработана авторами проекта llm-book для ответов на вопросы с выбором одного из предложенных вариантов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на японском наборе данных JCommonsenseQA из JGLUE и предназначена для японских задач на понимание здравого смысла. Это модель семейства BERT с архитектурой BertForMultipleChoice, примерно 138,4 млн параметров и контекстом до 512 токенов. Она принимает текст вопроса и варианты ответа и оценивает их, выбирая наиболее подходящий. Модель работает с японским языком и распространяется по лицензии Apache License 2.0. Модель специализирована на формате JCommonsenseQA; её пригодность для иных языков, типов вопросов и предметных областей не подтверждена. Для запуска можно использовать Transformers и пример инференса из связанного ноутбука Colab.

Professor/CGIAR-Crop-disease — модель классификации изображений, дообученная на базе gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease. Она использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель предназначена для классификации изображений растений по категориям болезней и здорового состояния; базовая модель ориентирована на листья томата, картофеля и сладкого перца. На оценочном наборе указаны точность 69,64% и функция потерь 0,7438. Эти результаты не описывают состав набора данных или качество на других культурах и условиях съёмки. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Hugging Face разработала эту мультимодальную модель для решения прогрессивных матриц Равена — визуальных головоломок на выявление закономерностей. Модель основана на раннем чекпойнте vision-language модели Idefics2 и дообучена на процедурно сгенерированном наборе RAVEN. Она содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовый ответ; родительские модели — SigLIP и mistralai/Mistral-7B-v0.1. В метаданных указан контекст 32 768 токенов и поддержка английского языка. На валидационной выборке RAVEN модель достигла точности 91%. Она предназначена для решения таких головоломок и не гарантирует точность за пределами этого сценария без дополнительной адаптации. Модель распространяется под лицензией Apache-2.0.

whr778/mmbert-base-combined — экспериментальная модель извлечения информации на базе jhu-clsp/mmBERT-base, дообученная с библиотекой GLiNER2. Она предназначена для извлечения сущностей, отношений и событий, а также классификации текста; обучение проводилось на синтетических многоязычных и многозадачных данных и наборе RAMS. В карточке указаны восемь языков: английский, немецкий, французский, испанский, итальянский, польский, нидерландский и португальский. Это исследовательский чекпойнт для воспроизводимости эксперимента и начальная точка для дальнейшего дообучения на WikiEvents. Результаты слабые: на тесте F1 для сущностей составил 0,295 (строгая оценка), для отношений — 0,001, для классификации — 0,333; автор сообщает об отсутствии надёжного улучшения в последующем дообучении и не рекомендует модель для production. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

coffeeee/nsfw-story-generator — модель на архитектуре GPT-2, доступная в формате PyTorch. В карточке указано, что она предназначена для генерации вымышленных историй и может создавать неуместный или оскорбительный контент. Модель принимает текст и возвращает признаки; в метаданных для неё указан pipeline-тег feature-extraction, поэтому фактическую генерацию историй по этому тегу подтвердить нельзя. Указанная длина контекста — 1024 токена. Лицензия и размер модели в предоставленных данных не указаны.

Карточка модели HurudzaAI/plantdiseasedetection1 на Hugging Face совпадает с карточкой wambugu71/crop_leaf_diseases_vit, поэтому описание составлено по ней. Модель Wambugu Kinyua — дообученная версия Vision Transformer ViT-Tiny для классификации изображений листьев сельскохозяйственных культур по состоянию и типу болезни. Она принимает RGB-изображения и выдаёт метку класса, включая здоровые растения и заболевания кукурузы, картофеля, риса и пшеницы: ржавчину, пятнистость, ожог листьев и другие категории. Компактная архитектура содержит 7,1 млн параметров и предназначена для раннего выявления болезней в точном земледелии; её можно встроить в системы мониторинга посевов или дообучить на данных конкретного региона и культуры. В карточке заявлены метрики проверки на отложенной части датасета: accuracy 98%, precision 97%, recall 97% и F1 96%. Результаты могут быть хуже на культурах, болезнях и условиях съёмки, отсутствующих в обучающих данных; ошибки классификации способны привести к пропуску заболевания или ненужным мерам. Для данной версии метаданные указывают формат safetensors, а README также упоминает веса ONNX. Лицензия в метаданных Hugging Face — MIT.

unslothai/6 — модель, опубликованная аккаунтом Unsloth Backup Account, связанным с Unsloth AI. В карточке Hugging Face она обозначена как Transformers-модель для извлечения признаков (feature extraction) и совместима с библиотекой Transformers. Модель построена на архитектуре LlamaModel. В конфигурации указан максимальный размер контекста 2048 токенов, тип данных float32, активация SiLU и модельный тип llama. Однако ключевые параметры конфигурации, включая размер скрытого слоя, число слоёв, attention heads и размер словаря, указаны как нулевые, поэтому надёжно определить фактический размер, языки, качество и практические возможности модели нельзя. По доступным данным её назначение ограничивается использованием для извлечения признаков через Transformers. Информация о сильных сторонах, ограничениях, лицензии и дополнительных модальностях отсутствует. Из-за неполной конфигурации модель может быть непригодна для полноценного практического использования или представлять собой резервную либо тестовую публикацию.

Это промежуточная модель для медицинской сортировки пациентов, разработанная в проекте CHSA. Она создана на основе Qwen3-1.7B-Base с помощью supervised fine-tuning на корпусе триажа CHSA; LoRA-адаптер слит с весами. Модель генерирует текст и поддерживает диалог, использует шаблон диалога проекта и имеет контекст длиной 32 768 токенов. Она предназначена для экспериментального сравнения с итоговой моделью, прошедшей выравнивание по предпочтениям, и для изучения вклада этого выравнивания. Модель может предлагать уровень срочности и формировать ответ в заданном формате для случаев приёма в отделение неотложной помощи. В карточке указана поддержка французского и английского языков. На 60 написанных вручную тестовых случаях точность уровня триажа составила 0,683; доля недооценки срочности среди неотложных случаев — 30%, поэтому модель нельзя применять в реальных клинических ситуациях. Это образовательный прототип, требующий обязательного надзора специалиста; автор предупреждает, что использованный клинический каталог не проверял врач неотложной медицины. Лицензия — MIT.

DC-D4-LegalBERT v1 — классификатор, разработанный для магистерской диссертации и дообученный на базе nlpaueb/legal-bert-base-uncased. Он относит абзацы Европейского суда по правам человека к одному из четырёх классов по измерению D4 «бремя обоснования»: ND, MD, HD или NA. Вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки почтительности к усмотрению суда; если наиболее вероятен класс NA, оценка не вычисляется. Модель предназначена для анализа абзацев дел ЕСПЧ по статье 8, связанных с миграцией, в рамках исследований судебной аргументации. Это BERT-модель для классификации последовательностей объёмом 136,7 млн параметров с контекстом до 512 токенов; карточка указывает английский язык. На валидационной выборке из 182 абзацев средний macro-F1 составил 0,5697. Обучающий набор включал 532 абзаца. Разработчик прямо указывает, что модель не предназначена для производственного использования. Лицензия — MIT.

bobbyw/deberta-v3-large_v3_relationships — дообученная модель классификации последовательностей на архитектуре DeBERTa-v3 Large. В метаданных указаны 533,8 млн параметров, контекст до 512 токенов и формат весов safetensors. Модель предназначена для классификации текста; README не уточняет метки классов или целевой сценарий. Модель распространяется по лицензии MIT. В README приведены результаты оценки: accuracy 0,0038 и F1 0,0038, поэтому опубликованные метрики не подтверждают практическую пригодность модели без дополнительной проверки.

Модель tiantiaf/childvox-circor-whisper-base разработана Tiantian Feng и представляет собой Whisper Base, дообученную на записях сердечных тонов из набора CirCor. Она классифицирует сердечные шумы по трём меткам: Absent, Unknown и Present. Модель предназначена для исследовательского анализа фонокардиограмм, записанных в четырёх основных точках аускультации у людей в возрасте от 0 до 21 года. Она принимает аудио и выдаёт категорию классификации. Модель описана в работе ChildVox, принятой на основную конференцию EMNLP 2026. Лицензия OpenRAIL; авторы запрещают коммерческое использование. Модель не предназначена для клинической диагностики, индивидуальной оценки без экспертной проверки, наблюдения или нарушения приватности. При работе с детскими записями необходимо соблюдать требования согласия, этического одобрения и применимого законодательства.

Rice-Leaf-Disease — модель классификации изображений листьев риса, созданная PrithivMLmods дообучением google/siglip2-base-patch16-224. Она построена на архитектуре SiglipForImageClassification и относит изображение к одному из пяти классов: бактериальный ожог, пирикуляриоз, бурая пятнистость, здоровый лист или тунгро. Модель предназначена для раннего выявления болезней риса и может помогать фермерам и агрономам оценивать состояние растений, а исследователям — анализировать распространение заболеваний. Она принимает изображения и выдаёт классификацию. Репозиторий использует Transformers, веса сохранены в формате safetensors. Лицензия — Apache-2.0. Классы и качество распознавания могут не охватывать все болезни и условия съёмки; README не приводит метрик точности или сведений о проверке на полевых изображениях, поэтому результаты стоит подтверждать экспертной оценкой.

Модель AbhijeetK3/ganapati-atharvashirsha-verse-classifier — дообученная на неизвестном наборе данных модель Wav2Vec2 для классификации аудио. Она построена на facebook/wav2vec2-base, содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForSequenceClassification. Заявленная лицензия — Apache-2.0. Модель предназначена для отнесения аудиозаписей к классам; название указывает на тематику стихов «Ганапати Атхарваширша», но README не описывает классы и предполагаемые сценарии применения. В карточке приведены результаты оценки: loss 2,8025 и accuracy 0,0, поэтому качество классификации по этим данным не подтверждено. Языковую поддержку и ограничения помимо этого установить нельзя.

harshrtr07/legal-bert-cuad-risk-analyzer — англоязычная BERT-модель для классификации юридических текстов. Она дообучена на основе nlpaueb/legal-bert-base-uncased и предназначена для выявления рисков в юридических документах; конкретные категории риска и сценарии в карточке не описаны. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Она поддерживает классификацию текста и распространяется по лицензии CC-BY-SA-4.0. В README приведён результат F1 0,0106 на оценочном наборе данных, что указывает на очень низкое качество по этой метрике и ограничивает практическую применимость модели без дополнительной проверки или дообучения.

M47Labs разработала SNCH — модель классификации заголовков испанских новостей на базе BETO, представленной архитектурой BERT с головой классификации последовательностей. В репозитории указано 137,1 млн параметров; модель принимает текст, имеет контекстное окно 512 токенов и сохранена в формате PyTorch. Модель предназначена для отнесения новостных заголовков к темам: наука и технологии, кликбейт, культура, спорт, экономика, образование, окружающая среда, мнения, политика и общество. Карточка подчёркивает, что модель не дообучалась на датасете, поэтому её пример использования показывает классификацию без обучения, а не надёжную тематическую модель. В приведённой в README валидации указаны точность 0,362, макроусреднённые precision 0,21 и recall 0,22. Лицензия в предоставленных данных не указана. Из-за отсутствия дообучения и низких результатов валидации предсказания следует считать экспериментальными; модель не подходит для задач, где требуется высокая точность.

DC-D5-LegalBERT v1 — это дообученная модель BERT для классификации абзацев решений Европейского суда по правам человека (ЕСПЧ) по измерению D5: структурное обоснование судебного воздержания. Она относит абзацы к одному из четырёх классов: ND, MD, HD или NA; вероятности классов ND, MD и HD также используются для расчёта непрерывной оценки уважения усмотрения, а при преобладании NA оценка не вычисляется. Модель предназначена для анализа дел ЕСПЧ по статье 8, связанных с миграцией, и была создана как часть магистерской диссертации. Это BERT-классификатор последовательностей на 136,7 млн параметров с контекстом до 512 токенов; исходная модель — nlpaueb/legal-bert-base-uncased. При обучении использовались 549 абзацев для обучения и 164 для валидации; лучший macro-F1 составил 0,8239, средний по пяти запускам — 0,7496 ± 0,0456. Модель принимает текст и выдаёт метки классов и связанные с ними оценки. Она рассчитана на англоязычные юридические тексты в узкой задаче анализа решений ЕСПЧ; результаты на других типах документов и вне этой предметной области не подтверждены. Лицензия — MIT; автор прямо указывает, что модель не предназначена для производственного использования.