I.11Классификация, ранжирование и сопоставление

GME-VARCO-VISION-Embedding — мультимодальная модель эмбеддингов, разработанная NCSOFT/NCAI на основе Qwen2-VL-7B-Instruct с использованием параметров Alibaba-NLP/gme-Qwen2-VL-7B-Instruct для улучшения поиска. Она преобразует текст, изображения и видео в векторы общего семантического пространства, чтобы находить соответствующие материалы по текстовому запросу. Основной сценарий — поиск видео: по сценам, описаниям и вопросам о содержимом. Модель основана на плотной архитектуре Qwen2-VL, содержит 7,1 млрд параметров, использует Transformers и формат safetensors; родной контекст — 32 768 токенов. В карточке заявлены высокая точность поиска, обобщение на разные сценарии и результаты уровня SOTA zero-shot на MultiVENT2.0 по состоянию на июль 2025 года. Модель можно применять в системах мультимодального поиска и как компонент агента, который находит видео для последующей генерации ответа. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Заявленная поддержка языка — английский; в README также упомянуты англоязычная и корейская демонстрации, но это не подтверждает поддержку корейского как языка модели.

GRM-gemma2-2B-rewardmodel-ft — модель оценки предпочтений (reward model) на базе Gemma 2, разработанная авторами GRM. Она дообучена на Ray2333/GRM-Gemma2-2B-sftreg с использованием очищенного от пересечений набора предпочтений Skywork/Skywork-Reward-Preference-80K-v0.2. Модель содержит 2,7 млрд параметров, использует архитектуру Gemma2ForSequenceClassification и принимает текст для классификации и оценки ответов.

IndicBERT-v3-4B — многоязычная двунаправленная языковая модель AI4Bharat на архитектуре Gemma 3. Она дообучена на основе google/gemma-3-4b-it с целью Masked Next Token Prediction (MNTP), при которой для восстановления замаскированного токена используется представление предыдущей позиции. Такой режим делает модель подходящей для задач, которым нужен двунаправленный контекст, включая классификацию и разметку токенов. Модель обучали на английском и 22 индийских языках, включая хинди, тамильский, телугу, бенгальский, урду и ряд малоресурсных языков. В обучении использовались данные Sangraha, FineWeb-2 и IndicCorp-v2; последовательности имели длину до 4096 токенов. Для дообучения важно сдвигать целевые метки согласно MNTP, а не применять стандартную схему MLM для BERT. README указывает, что специализированные версии для эмбеддингов и поиска планировались отдельно. Модель распространяется по лицензии MIT.

KURE-legal-ft-v1 — модель текстовых эмбеддингов на базе Sentence Transformers, разработанная для поиска юридических документов в RAG-системе консультационного помощника. Её создала команда проекта «AI Assistant-Based Legal Consultation Community» из Национального университета Кымо в Корее; модель дообучена на nlpai-lab/KURE-v1 на корейских юридических текстах, включая вопросы и ответы и данные о судебных делах из набора AI Hub. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура XLM-RoBERTa использует пулинг CLS и нормализацию; максимальная длина последовательности — 8192 токена, сходство можно оценивать косинусной мерой. В описанной оценке на AI_HUB_legal_QA_data указана точность cosine_accuracy@5 0,9336. Модель ориентирована на корейские юридические документы и запросы. Она выдаёт векторы, а не готовые юридические ответы, поэтому для консультационного сценария её следует использовать как компонент поиска в RAG-системе. Лицензия в предоставленных сведениях не указана.

lambda_resnet26t.c1_in1k — модель классификации изображений семейства LambdaNet на основе архитектуры ResNet, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Она предназначена для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Архитектура реализована через BYOBNet и сочетает блоки ResNet с Lambda-блоками для моделирования пространственных взаимодействий; авторская конфигурация сокращает число блоков самовнимания и не повторяет в точности конфигурацию какой-либо конкретной статьи. Модель содержит 11 млн параметров, рассчитана на входные изображения размером 256 × 256 и требует около 3 GMACs. Весовые файлы представлены в форматах PyTorch и safetensors. Для использования доступны сценарии классификации и извлечения признаков через timm. Лицензия — Apache-2.0.

Laya-English-MXFP8 — квантованный англоязычный энкодер ModernBERT-large, подготовленный для MLX на Apple Silicon и опубликованный как часть проекта ConvAI Innovations Laya. Репозиторий содержит только двунаправленную энкодерную основу примерно на 394,7 млн параметров; отдельная голова принятия решений Laya сюда не включена. В отличие от генеративной языковой модели, энкодер извлекает признаки из текста и сам не генерирует ответы. Модель подходит для получения текстовых представлений и построения собственных MLX-классификаторов или других небольших голов поверх энкодера. В README указана MXFP8-квантизация и проверка совместимости с исходным энкодером; метаданные указывают контекст 8192 токена. Репозиторий не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Laya-Multilingual-MXFP4 — квантованный мультиязычный энкодер ModernBERT/mmBERT от автора репозитория, основанный на convaiinnovations/laya. Он предназначен для извлечения признаков из текста и создания пользовательских MLX-голов на Apple Silicon; это только энкодер, без отдельной обученной головы принятия решений и без генерации текста. Репозиторий содержит около 306,9 млн параметров по метаданным, использует формат safetensors и библиотеку MLX. Контекст — до 8192 токенов по метаданным; README описывает исходную архитектуру mmBERT-base как модель для более чем 100 языков. MXFP4-квантизация уменьшает размер модели на диске примерно до 163 МБ. README сообщает о проверке совпадения результатов портированного энкодера с исходной реализацией, но также отмечает заметное отклонение скрытых состояний после квантизации и возможные изменения ранжирования близких вариантов ответа. Для точных оценок и чувствительных к разрешению ничьих решений рекомендуется исходный bf16/fp32 энкодер. Лицензия в предоставленных данных не указана.

LibreHPS-4B v1.1 — мультимодальная модель оценки предпочтений, разработанная командой deepcrayon. Она принимает изображение или короткое видео вместе с текстовым запросом и оценивает, насколько результат соответствует запросу; также может сравнить два изображения и определить, какое, вероятно, предпочтёт человек. Модель полезна для отбора и ранжирования генераций, оценки качества по нескольким критериям и обучения генеративных моделей с обратной связью от предпочтений. Модель содержит 4 млрд параметров и использует плотную архитектуру Qwen3.5 с гибридом Mamba2 и полного внимания. Оценки выдаются по осям общего качества, соответствия запросу, визуальной связности и стиля; для видео добавляется естественность движения. Для загрузки и получения оценок нужны reward heads и пакет librehps; одних весов с обычным Transformers недостаточно. Лицензия — Apache-2.0. Обучение проводилось на результатах генераторов с разрешительным лицензированием, поэтому оценки изображений закрытых генераторов, включая Midjourney и большинство изображений OpenAI, могут быть ненадёжны. Модель не предназначена для модерации контента; оценка движения обучена на коротких роликах с 5–8 кадрами, поэтому применение к более длинным видео является экстраполяцией. Неопределённость в поле sigma для этого чекпойнта неинформативна; для неё следует использовать калиброванную вероятность.

Metis-0.4 — диалоговая текстовая модель семейства Mistral, разработанная Mihaiii. Она предназначена для рассуждений и понимания текста, особенно в сценариях с длинными системными инструкциями; модель не рассчитана на универсальную генерацию, например на сочинение историй. В README указано, что веса получены слиянием Metis-0.3 и Metis-0.1 с помощью mergekit, причём Metis-0.1 использовалась как базовая модель. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Для работы передайте системное сообщение, затем запрос. Модель обучена на частном наборе данных. Лицензия — Apache-2.0; качество за пределами задач рассуждения и понимания текста может быть ограничено.

MFANN3bv0.6 — языковая модель семейства Phi с 3,5 млрд параметров, дообученная netcat420 на наборе данных MFANN в состоянии на 2 мая 2024 года. Репозиторий создан 2 мая 2024 года; модель рассчитана на текстовые задачи и представлена в формате Safetensors. В метаданных основным тегом указана классификация текста, а карточка также заявляет генерацию текста; каталог отмечает расхождение и поддерживает оба сценария. Карточка приводит результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, но не описывает методику оценки. Контекст модели составляет 2048 токенов. Лицензия — Apache-2.0. README заявляет 2,78 млрд параметров, что расходится с метаданными, где указано 3,5 млрд; поэтому размер следует трактовать с осторожностью.

Это модель классификации изображений MobileNetV4 с обычными свёрточными блоками и AvgPool Anti-Aliasing, подготовленная Россом Уайтменом с помощью timm. Она обучена на ImageNet-1k и подходит для распознавания объектов и сцен на изображениях, а также для использования в качестве визуального backbone при извлечении карт признаков и эмбеддингов. Число параметров — 32,6 млн; вычислительная сложность — 7,1 GMAC. Размер изображения при обучении составлял 384 × 384 пикселя, при тестировании — 480 × 480. Модель принимает изображения и выдаёт метки классов ImageNet-1k. В репозитории размещены веса PyTorch в формате safetensors; лицензия — Apache-2.0. В README указано, что на момент публикации это единственные известные веса MobileNetV4, а официальные веса TensorFlow ещё не выпущены.

freelawproject/modernbert-embed-base_finetune_512 — англоязычная модель эмбеддингов, разработанная Free Law Project на основе дообученной nomic-ai/modernbert-embed-base. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Архитектура Sentence Transformer включает ModernBertModel, усреднение токенных представлений и нормализацию; максимальная длина входа составляет 8192 токена. Модель предназначена для семантического поиска по юридическим текстам, поиска похожих судебных документов и запросов, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Для дообучения использованы 2828 триплетов из датасета Free-Law-Project/opinions-synthetic-query-512; в README приведены высокие значения cosine accuracy на dev-оценках, но методика и применимость результатов за пределами указанных данных ограничены. Метаданные указывают лицензию CC0-1.0, тогда как README указывает Apache-2.0; лицензию следует проверить в репозитории перед использованием. Модель работает с текстом на английском языке и выдаёт векторы, а не готовые ответы.

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code. Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

Minetta Nemotron-3-Embed-8B-Legal — специализированная модель эмбеддингов для юридических текстов, дообученная на базе NVIDIA Nemotron-3-Embed-8B-BF16. Это плотная модель семейства Ministral 3 с 8 млрд параметров; она преобразует текст в векторы размерностью 4096 и рассчитана на длинный контекст до 262 144 токенов. Модель предназначена для семантического поиска и сопоставления юридических документов, включая судебные решения, договоры, законы и нормативные акты. Её можно применять для извлечения релевантных фрагментов в RAG-системах и поиска по юридическим корпусам. В README заявлены результаты на MLEB и MTEB(Law); результаты MLEB описаны как локальные запуски, отправленные на проверку, поэтому их следует считать самоотчётными. Модель обучена с помощью LoRA и контрастивного обучения с подбором трудных отрицательных примеров на открытых юридических источниках. Поддерживается английский язык; наиболее сильные области охвата — юрисдикции ЕС, США, Великобритании и Австралии. В README указана лицензия «other», без конкретных условий; модель предназначена для поиска и не заменяет юридическую консультацию.

Nemotron-3-Embed-8B-Medical — модель эмбеддингов для биомедицинских и клинических текстов на основе NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для поиска медицинской литературы и доказательств, извлечения контекста для RAG, проверки научных утверждений и тематической организации исследовательских коллекций. Модель содержит 8 млрд параметров, использует архитектуру Ministral 3 и библиотеку Sentence Transformers; заявленная длина контекста — 262144 токена. К весам базовой модели добавлена низкоранговая голова кластеризации, обученная на внешней литературе PubMed. Она меняет проекцию эмбеддингов для группировки документов по клиническим темам, сохраняя размер выходного вектора 4096 измерений. В README указаны результаты MTEB Medical и улучшения на двух наборах для кластеризации; оценивание проводилось с mteb 2.18.6. Модель поддерживает английский, китайский и польский языки; характеристики для китайского и польского унаследованы от базовой модели. Голова настроена на клинические категории и может хуже подходить для других таксономий. Для кодирования документов в Sentence Transformers следует явно задавать prompt_name="document"; при больших пакетах и длинных текстах возможен высокий расход памяти. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

NextViT Small — модель компьютерного зрения для классификации изображений, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 31,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В карточке приведена точность Top-1 85,964% для варианта nextvit_small.bd_ssld_6m_in1k_384; это результат указанного варианта с разрешением 384 пикселя, а не обязательно данного чекпойнта. Модель подходит для классификации изображений общего назначения и получения визуальных признаков. Она принимает изображения и выдаёт метки классов либо признаки в зависимости от выбранного режима. Репозиторий распространяется по лицензии Apache-2.0.

Это конвертация модели nomic-ai/nomic-embed-vision-v1.5 в формат GGUF для CrispEmbed. Модель преобразует изображения в 768-мерные L2-нормализованные эмбеддинги, совместимые с пространством эмбеддингов nomic-embed-text-v1.5, что позволяет искать изображения по текстовым запросам. Репозиторий содержит варианты GGUF в точности F16 и F32. Для сопоставления с текстовыми эмбеддингами README описывает дополнительную нормализацию LayerNorm без обучаемых параметров перед L2-нормализацией. По карточке заявлено совпадение результатов с Transformers на проверочных изображениях. Модель распространяется по лицензии Apache-2.0 с атрибуцией Nomic AI.

Это квантизированная GGUF-версия модели Llama-3_3-Nemotron-Super-49B-GenRM-Multilingual, разработанной NVIDIA и подготовленной bartowski с использованием llama.cpp и imatrix-квантизации. Модель относится к классу GenRM и предназначена прежде всего для оценки и ранжирования ответов ассистента по критериям полезности, корректности, полноты, ясности и соблюдения инструкций, а не для обычного диалогового использования. В карточке также указано, что при квантизации использовался датасет NVIDIA HelpSteer3. Модель основана на архитектуре Llama 3.3 и имеет 49 миллиардов параметров. Доступны варианты от BF16 до различных уровней GGUF-квантизации, включая Q8_0, Q6_K и Q5_K_M; рекомендуемым указан Q6_K. Поддерживаются английский, китайский, корейский, французский, испанский, русский, японский, немецкий, итальянский, португальский, польский, индонезийский, нидерландский и вьетнамский языки. Модель рассчитана на запуск через llama.cpp, LM Studio и совместимые проекты. Размер контекста в README не указан. Сильными сторонами являются мультиязычная оценка ответов, специализация на judging-задачах и доступность в нескольких вариантах квантизации, позволяющих выбирать баланс между качеством и требованиями к памяти. Ограничение состоит в узкой специализации: модель следует использовать как оценочную, а не как универсальную генеративную модель; характеристики качества и совместимости могут зависеть от выбранного варианта квантизации. Лицензия указана как NVIDIA Open Model License; ссылка на условия приведена в карточке модели.

grounded-ai/phi4-r1-guard — языковая модель, разработанная Jlonge4 и дообученная на unsloth/phi-4-bnb-4bit с использованием Unsloth и TRL. Она предназначена для оценки текстов: выявляет токсичность, проверяет ответы на галлюцинации по эталонному материалу и оценивает релевантность найденного контекста запросу в RAG-сценариях. Модель имеет 14,1 млрд параметров, архитектуру LlamaForCausalLM и контекстное окно 16 384 токена. Принимает текст и выдаёт объяснение решения с бинарной классификацией: toxic/non-toxic, yes/no или relevant/unrelated. В карточке заявлена поддержка английского языка. Модель выпущена под лицензией Apache-2.0. Её оценки и объяснения могут ошибаться; проверки галлюцинаций зависят от качества эталонного материала, а классификацию следует валидировать на данных целевого применения.

timm/qwen3_vit_306m_merge.qwen3_5_2b — модель-энкодер изображений, созданная как перенос весов визуальной части Qwen3.5-2B в формат timm. Она предназначена для извлечения признаков и получения векторных представлений изображений; выходной классификационной головы в чекпойнте нет, её нужно обучить отдельно для классификации. Модель содержит около 330,6 млн параметров, использует визуальный backbone шириной 1024 и проекцию до 2048 измерений. Визуальная архитектура включает абсолютные позиционные эмбеддинги с интерполяцией, 2D RoPE и пространственный merger; для изображения применяется свёртка Conv2d, полученная суммированием временных весов исходной Conv3d. Модель принимает RGB-изображения, поддерживает прямоугольные размеры, кратные 16; варианты с merger 2×2 требуют кратности 32. Типичный размер изображения — 768×768. В README указана нормализация каналов со средним и стандартным отклонением 0,5. Исходные веса визуальной части извлечены из Qwen3.5-2B без дополнительного обучения; языковые веса в репозитории отсутствуют. Лицензия — Apache 2.0. Высокая вычислительная стоимость (973,6 GMACs) может ограничивать применение на ресурсах с малой производительностью.

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности. Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский. Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

Reason-ModernColBERT — англоязычная модель много-векторных текстовых эмбеддингов, разработанная LightOn и дообученная на наборе reasonir-hq на основе lightonai/GTE-ModernColBERT-v1. Модель использует архитектуру ModernBERT с проекцией векторов с 768 до 128 измерений и поздним взаимодействием в стиле ColBERT: она кодирует текст в последовательности векторов, а сходство оценивается оператором MaxSim. Контекст документа — до 8192 токенов, длина запроса — до 128 токенов; модель содержит около 149 млн параметров и работает через PyLate. Она предназначена для семантического поиска и ранжирования документов по запросам, в том числе для поиска, требующего сопоставления нескольких смысловых фрагментов. В README сообщается о сильных результатах на бенчмарке BRIGHT для запросов, требующих рассуждений, однако показатели зависят от набора данных и сценария оценки. Модель принимает текст и выдаёт последовательности векторов, поэтому для получения результатов поиска её используют с индексом и поисковой системой либо для ранжирования переданных пар запрос-документ. Лицензия CC BY-NC 4.0 допускает использование с некоммерческими ограничениями.

ResNet101.tv2_in1k — модель классификации изображений семейства ResNet-B, опубликованная командой timm. Она обучена на ImageNet-1k в torchvision с рецептами обучения версии 2; архитектура использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 для нисходящих shortcut-соединений. Модель содержит 44,5 млн параметров и требует изображение размером 224×224 пикселя на этапе тестирования. Модель предназначена для классификации изображений по классам ImageNet, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и SafeTensors, а лицензия — BSD 3-Clause. Карточка не приводит оценки качества именно этой модели, поэтому сравнивать её точность по представленным данным нельзя.

ResNet-50.a1h_in1k — модель классификации изображений и извлечения визуальных признаков из семейства ResNet, опубликованная авторами библиотеки timm. Она обучена на ImageNet-1k по улучшенному рецепту ResNet Strikes Back A1 с оптимизатором LAMB, расписанием скорости обучения с прогревом, RandAugment, усиленным dropout и stochastic depth. Архитектура использует ReLU, свёртку 7×7 с пулингом и проекции 1×1 в shortcut-соединениях; модель содержит 25,6 млн параметров и требует изображения 224×224 пикселя для стандартной оценки. Модель предназначена для присвоения изображению одного из классов ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов в компьютерном зрении. Это общий визуальный классификатор, не специализированный для отдельной отрасли. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNeXt101-32x8d — свёрточная модель классификации изображений из библиотеки timm. Авторы статьи предварительно обучили её на наборе хештегов Instagram-1B с использованием слабого надзора, а затем дообучили на ImageNet-1k. Модель также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура включает начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках, связи с остаточными преобразованиями и ReLU. В модели 88,8 млн параметров; указан входной размер изображения 224×224. Она предназначена для классификации изображений и извлечения визуальных признаков. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

OpenAssistant/reward-model-deberta-v3-large-v2 — модель вознаграждения на базе DeBERTa-v3-large, разработанная OpenAssistant. Она оценивает ответ на вопрос по тому, насколько вероятно, что человек предпочёл бы его другому ответу. Модель обучена на данных WebGPT Comparisons, Summarize from Feedback, синтетических парных инструкциях и Anthropic HH-RLHF; в метаданных указаны 533,8 млн параметров и контекст до 512 токенов. Модель предназначена для оценки ответов при проверке систем вопросов и ответов, как функция вознаграждения в RLHF и для ранжирования ответов, в том числе при поиске потенциально токсичных вариантов. В README приведены точности на валидационных выборках четырёх датасетов, но отмечено, что результат на синтетических данных может быть завышен из-за поверхностных признаков в парах ответов. Поддерживается английский язык. Лицензия — MIT.

s-nlp разработала модель классификации текста на базе RoBERTa-base для оценки формальности английских предложений. Модель содержит 151,8 млн параметров, принимает текст и выдаёт оценку формальности в виде результата классификации. Длина контекста — до 514 токенов. Модель предназначена для определения, является ли предложение формальным или неформальным, а также для ранжирования текстов по формальности. Она обучена на GYAFC и корпусе формальности Pavlick и Tetreault (2016); при обучении использовались бинарная классификация и ранжирование внутри пакета. Аугментация регистра и пунктуации помогала уменьшить зависимость от этих поверхностных признаков. На тестовой выборке GYAFC указаны точность 0,9087 и F1 0,90; на нормализованных текстах результаты ниже: точность 0,8218 и F1 0,82. Качество зависит от жанра: для новостей корреляция Спирмена составила 0,4003, тогда как для ответов, блогов и писем — 0,7334–0,76. Модель ориентирована на английский язык и не предназначена для коммерческого использования; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях.

Immerwinter/roberta-wechsel-privacy-policy-content-retention — немецкоязычная модель классификации текста, созданная на основе benjamin/roberta-base-wechsel-german. Она предназначена для отнесения фрагментов политики конфиденциальности к теме Content и категории Retention; README перечисляет также соседние категории конвейера, включая Deletion, Processing и UserRights. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

rubert-nli-threeway-onnx — русскоязычный BERT-классификатор последовательностей, экспортированный в ONNX. Модель разработана для трёхстороннего распознавания логического отношения между посылкой и гипотезой: следование (entailment), противоречие (contradiction) или нейтральное отношение (neutral). Она принимает input_ids, attention_mask и token_type_ids и выдаёт logits для трёх классов. В репозитории представлены варианты fp32, fp16 и динамический int8. Версии fp16 и int8 предназначены для уменьшения размера и ускорения инференса на соответствующем оборудовании; для всех вариантов сохранены входы и выходы формата fp32/целочисленных идентификаторов. Контекст — до 512 токенов, размер модели — 205,1 млн параметров. README сообщает о проверке сохранения предсказанного класса на восьми наборах примеров, что не является широкой оценкой качества. Лицензия — Apache-2.0.

Карточка модели mitra-mir/setfit-model-Miscellaneous-Misinformation на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.