I.11Классификация, ранжирование и сопоставление

Mantis — мультимодальная языковая модель TIGER-Lab на базе LLaMA 3, использующая визуальный энкодер SigLIP и архитектуру семейства LLaVA. Она принимает изображения вместе с текстом, в том числе чередующиеся последовательности изображений и текста, и формирует текстовые ответы. Модель предназначена для диалога о визуальном содержимом, особенно для задач с несколькими изображениями: сопоставления, рассуждений, установления связей между объектами и понимания последовательности событий. Также она поддерживает вопросы по одному изображению и показывает результаты, сопоставимые с сильными открытыми моделями в приведённых авторами тестах. Чекпойнт дообучен на наборе TIGER-Lab/Mantis-Instruct; в репозитории указаны веса Safetensors и лицензия Llama 3. Карточка описывает обучение и оценки на английском языке, но не сообщает размер контекстного окна. Модель требует ресурсов для запуска крупной мультимодальной модели; качество может зависеть от типа изображения и формулировки запроса, а заявленные результаты относятся к бенчмаркам авторов.

MaxViT XLarge TF 384 — модель классификации изображений семейства MaxViT, разработанная авторами MaxViT и перенесённая из официальной реализации TensorFlow в PyTorch Россом Уайтманом для timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; подходит для отнесения изображений к категориям и как визуальная основа для извлечения признаков и эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями самовнимания по оконным и сеточным разбиениям. Модель содержит около 475,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. В таблице карточки для неё указана точность Top-1 88,32% на ImageNet-1k. Модель принимает изображения и выдаёт оценки классов. Её большой размер и вычислительная стоимость могут затруднить запуск на ограниченном оборудовании. Лицензия репозитория — Apache-2.0.

MIKA Custom IR — модель NASA, дообученная на инженерных документах для поиска документов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерности 768 и рассчитана на асимметричный поиск: запрос пользователя сопоставляется с подходящими документами, например при проверке требований или поиске сведений о типе отказа. Модель построена на MPNet, содержит 136,7 млн параметров, принимает текст и выдаёт векторы; длина контекста — 514 токенов. Для её применения подходит Sentence-Transformers. В тестировании на трёх запросах дообученная модель показала MAP 0,807 против 0,648 у исходной SBERT-модели. Эта оценка основана на небольшом числе запросов и не гарантирует аналогичных результатов на других наборах документов. Лицензия в метаданных не указана; README содержит уведомление правительства США о правах на ПО, отказ от гарантий и условия отказа от претензий и возмещения убытков.

Это свёрточная модель MobileNetV4 для классификации изображений, разработанная Россом Уайтманом и опубликованная в библиотеке timm. Модель обучена на ImageNet-12k; в карточке указаны 23,6 млн параметров, 2,5 GMAC и размер входного изображения 384 × 384 пикселя. Модель предназначена для присвоения изображениям классов, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Компактные вычислительные требования делают её подходящей для классификации изображений в приложениях, где важны скорость и эффективность. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-12k; качество на других наборах данных и предметных областях может отличаться, а для прикладного использования может потребоваться настройка или проверка на целевых данных.

UniversalCEFR/ModernBERT-base-cefr-all-classifier — дообученная модель классификации текста на базе answerdotai/ModernBERT-base, разработанная для определения уровня CEFR по тексту. Она использует архитектуру ModernBERT encoder-only с 149 млн параметров и принимает текст длиной до 8192 токенов. В README приведены результаты оценки: F1 0,9528 и loss 0,1620; набор данных и подробности оценки не описаны. Модель подходит для автоматической оценки языковой сложности текста и распределения материалов по уровням CEFR. Весовые файлы представлены в формате safetensors; модель работает с библиотекой Transformers. Лицензия — Apache-2.0.

Модель prashantkhandelwal/movie-genres-classification — англоязычный классификатор жанров фильмов на основе BERT, дообученный разработчиком на google-bert/bert-base-uncased. Он принимает название и краткое описание фильма и присваивает ему один или несколько из 19 жанров, включая боевик, комедию, драму, ужасы, мелодраму, научную фантастику и триллер. Для выбора жанров README рекомендует применять sigmoid к выходам модели и использовать порог вероятности 0,5. Модель построена на архитектуре BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Она предназначена для многометочной классификации англоязычных описаний фильмов. Распространяется по лицензии Apache-2.0.

OBLIQ-IR-3B-no-distill — полноценно обученный плотный текстовый ретривер, созданный исследовательской группой DataScience-UIBK как абляционная версия OBLIQ-IR. Модель основана на nvidia/llama-nv-embed-reasoning-3b и дообучена без дистилляции по графу k ближайших соседей авторского стиля; в остальном использованы те же обучающие данные, конфигурация LoRA и расписание, что и в основном варианте. Вес модели — 3,2 млрд параметров, архитектура — двунаправленная Llama, контекст — до 131 072 токенов. Модель предназначена для плотного поиска по тексту и сравнения смысловой близости запросов и документов. В статье её оценивают на поиске по авторскому стилю, математике, публикациям в Twitter и материалам Конгресса США. На задаче поиска текстов по стилю её NDCG@10 составляет 0,096, тогда как дистилляция в основном варианте повышает этот показатель до 0,211; на остальных трёх задачах различия невелики. Репозиторий содержит объединённые веса bf16, поэтому они немного отличаются от исходного адаптера. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

OmniRewardModel — дообученная мультимодальная дискриминативная модель оценки предпочтений, разработанная авторами проекта OmniReward на базе MiniCPM-o-2_6. К модели добавлена value head, которая выдаёт скалярную оценку вознаграждения для входных данных и свободно сформулированных человеческих предпочтений. Модель предназначена для тонкой оценки соответствия предпочтениям в задачах с текстом, изображениями и видео, а также для оценки моделей на наборах OmniRewardBench. В метаданных указаны архитектура MiniCPMO, 7,1 млрд параметров и контекст 32 768 токенов; для работы используются веса Safetensors и библиотека Transformers. Базовая MiniCPM-o-2_6 также поддерживает аудио, но README OmniRewardModel явно упоминает текст, изображения и видео, поэтому поддержку аудио самой модели нельзя подтвердить. Модель полезна для ранжирования ответов и оценки генераций по заданным предпочтениям. В README не приведены численные результаты качества или конкретные ограничения применимости. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

OneJev-0.8B — мультимодальная модель принятия решений семейства OneJev, разработанная как полное дообучение Qwen/Qwen3.5-0.8B. Она принимает изображения, видеоматериалы или обычный текст вместе с вопросами и за один проход выдаёт калиброванную вероятность для каждого варианта ответа. Модель обучена на 99 193 вопросах из реальных запусков агентов, видео и изображений и предназначена для оценки вариантов в мультимодальных сценариях, в том числе при работе с агентами и графическими интерфейсами. Модель имеет плотную архитектуру Qwen3.5 и поддерживает диалоговый режим и анализ изображений. В README приведён замер: на H200 при изображении 1280×720 обработка одного вопроса занимает 31 мс, а десяти вопросов в одном запросе — 51 мс. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

OpenSearch Semantic Highlighter — обученный классификатор OpenSearch Contributors для семантического выделения предложений в документах. Он принимает документ и запрос и оценивает каждое предложение по бинарной шкале релевантности запросу. Модель предназначена для работы внутри кластера OpenSearch; в производственной среде рекомендуется развёртывать трассированную версию через плагин ML Commons. Это модель на архитектуре BERT с 136,7 млн параметров, доступная в формате safetensors и рассчитанная на контекст до 512 токенов. В карточке указана поддержка английского языка. Модель подходит для выделения релевантных фрагментов в результатах семантического поиска. Лицензия Apache-2.0.

Карточка модели unicamp-dl/ptt5-base-t5-vocab на Hugging Face совпадает с карточкой unicamp-dl/ptt5-base-portuguese-vocab, поэтому описание составлено по ней. PTT5-base-portuguese-vocab — модель семейства T5, разработанная командой Unicamp-DL и предварительно обученная на большом корпусе португалоязычных веб-страниц BrWac. Это базовая версия размера base с португальским словарём, обученным на португалоязычной Википедии; в метаданных указано 123,8 млн параметров, архитектура T5WithLMHeadModel и контекст до 512 токенов. Модель предназначена для генерации текста и может служить основой для задач на португальском языке, включая сходство предложений и определение логического следования, для которых авторы отмечают улучшение по сравнению с исходным T5. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Карточка не описывает конкретные ограничения качества или дополнительные настройки применения.

Qwen3-Nemotron-8B-BRRM — модель оценки ответов, разработанная NVIDIA по методу Branch-and-Rethink Reasoning Reward Model. Она сравнивает два ответа на запрос пользователя и помогает определить, какой из них качественнее, для оценки генераций LLM и интеграции в конвейеры RLHF. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Её двухэтапный подход сначала выбирает от одной до трёх важных для конкретного примера критериев и выявляет проблемы в ответах, затем проводит углублённый анализ с учётом выбранных критериев. Модель рассчитана на английский язык и поддерживает контекст до 40 960 токенов. В README сообщается о результатах на RewardBench, RM-Bench и RMB: средняя оценка составляет 82,6. Указанная лицензия — other; перед использованием следует проверить её условия. Авторы отмечают, что модель предназначена для интеграции в RLHF, однако автоматические оценки могут не совпадать с человеческими суждениями и зависят от критериев оценки и данных.

UMUTeam/roberta-spanish-sentiment-analysis — модель команды UMUTeam для классификации тональности испанских текстов. Это дообученная модель MarIA на архитектуре RoBERTa, основанная на PlanTL-GOB-ES/roberta-base-bne. Для классификации последовательностей используется RobertaForSequenceClassification; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель присваивает тексту одну из трёх меток: негативную, нейтральную или позитивную. Она обучена на объединении нескольких наборов данных, включая TASS и данные о тональности в политической и других областях, и может применяться для анализа мнений в испаноязычных текстах. Модель распространяется по лицензии Apache-2.0.

Карточка модели zhyun/search_x на Hugging Face совпадает с карточкой mykor/KURE-v1, поэтому описание составлено по ней. KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

semnasnet_075.rmsp_in1k — компактная модель классификации изображений из библиотеки timm. Она основана на архитектуре MNasNet с канальным вниманием Squeeze-and-Excitation и обучена на ImageNet-1k. Модель содержит около 2,9 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,2 GMACs на обработку изображения. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Обучение проводилось с оптимизатором RMSProp, усреднением весов EMA и аугментациями, включая RandomErasing и mixup. Доступны веса PyTorch и safetensors; лицензия — Apache-2.0.

Skywork-Reward-V2-Qwen3-4B — модель оценки ответов на основе Qwen3-4B, разработанная командой Skywork. Она присваивает вознаграждение диалогам и ответам, помогая сравнивать варианты и отбирать более предпочтительные для обучения или проверки языковых моделей. Модель использует архитектуру Qwen3ForSequenceClassification и обучена на 26 млн пар предпочтений в составе серии Skywork-Reward-V2. Модель предназначена для ранжирования ответов по качеству и предпочтительности, в том числе в конвейерах оценки и обучения с обратной связью. В метаданных указаны 3,7 млрд параметров, контекст до 40 960 токенов и формат safetensors. Карточка серии сообщает о результатах на нескольких бенчмарках reward-моделей; конкретные результаты этого варианта не выделены в предоставленных данных. Лицензия — Apache-2.0. Как и другие модели оценки предпочтений, результат следует считать оценочным сигналом, а не гарантией фактической правильности или полезности ответа; качество оценки может зависеть от предметной области и формулировки входа.

ler001/SLIT_scoring — модель оценки текста на базе архитектуры Qwen2, дообученная с помощью TRL как reward model. Она предназначена для присвоения входному тексту числовой оценки, например для ранжирования вариантов ответа или оценки качества текста. Модель содержит 14 млрд параметров, принимает текст и выдаёт оценку; максимальный контекст составляет 32 768 токенов. В карточке не названа базовая модель: указано значение «None», поэтому определить её идентификатор нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

tanfiona/unicausal-seq-baseline — модель классификации предложений по причинно-следственной связи. Она присваивает тексту метку LABEL_0 для неп причинного и LABEL_1 для причинного предложения. Модель построена на архитектуре BERT и имеет 135,5 млн параметров; заявленный контекст составляет до 512 токенов. В карточке указано, что модель обучена на нескольких наборах данных. Модель предназначена для автоматической разметки предложений как причинных или неп причинных, например, при анализе текстовых коллекций. Она принимает текст и выдаёт метку класса. Репозиторий содержит веса PyTorch; лицензия в метаданных обозначена как unknown, поэтому условия использования по карточке определить нельзя.

UniSkill_Bert — англоязычная модель классификации текста, разработанная Nurlan Musazade и соавторами для сопоставления университетских курсов с профессиональными компетенциями из таксономии ESCO. Она дообучена на базе google-bert/bert-base-uncased и предназначена для систем поиска и рекомендаций, которые связывают курсы с навыками или навыки с курсами. В исследовании сопоставляются названия курсов и навыки, а также отдельные предложения описаний курсов и навыки; авторы сообщают F1 87% на части размеченных данных. Модель построена на BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Результаты относятся к graduate-level курсам и ограниченным группам профессий ESCO, поэтому качество на других предметных областях и наборах навыков может отличаться.

timm/visformer_small.in1k — модель классификации изображений и извлечения визуальных признаков на архитектуре Visformer, представленная в экосистеме timm. Она обучена на ImageNet-1k и предназначена для отнесения изображений к категориям, а также для получения эмбеддингов, пригодных как визуальные признаки в последующих задачах. Модель содержит около 40,2 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 4,9 GMACs. Модель можно использовать для классификации изображений общего назначения и как backbone для компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не сообщает точность на тестовых наборах или ограничения по классам за пределами обучения на ImageNet-1k.

vit_large_patch16_dinov3_qkvb.lvd1689m — визуальный энкодер семейства DINOv3 на архитектуре Vision Transformer с патчами 16×16, опубликованный в timm. Модель содержит 303,1 млн параметров и предназначена для извлечения признаков из изображений; её дистиллировали на наборе LVD-1689M от модели DINOv3 ViT-7B. Указанный размер изображения — 256×256 пикселей. Энкодер можно использовать для получения эмбеддингов и карт признаков, а также как основу для задач классификации и сегментации изображений. Вариант qkvb включает смещения QKV-проекций, значения которых равны нулю; это соответствует поведению исходных моделей и Transformers. В timm периоды RoPE создаются в float32, тогда как оригинальные модели хранят их в bfloat16, поэтому возможны небольшие численные различия. Лицензия обозначена как DINOv3 в карточке модели и как other в метаданных Hugging Face.

V-JEPA 2 — модель понимания видео, разработанная FAIR в Meta. Это плотная модель семейства VJEPA2 с 1,3 млрд параметров; репозиторий содержит веса в формате Safetensors и предназначен для использования через Transformers. Модель кодирует видео и изображения в представления для классификации видео, поиска по видео и использования в качестве видеоэнкодера для VLM. Для этого варианта при обработке видео требуется выбирать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные, поэтому естественный язык не является её основным входом или выходом. Лицензия — Apache-2.0.

V-JEPA 2 — видеомодель для понимания визуального содержимого, разработанная FAIR в Meta. Эта версия содержит архитектуру VJEPA2Model с плотной структурой и 1,3 млрд параметров; веса опубликованы в формате safetensors и предназначены для работы через Transformers. Модель кодирует видео и изображения для классификации видео, поиска похожих видеоматериалов и использования в качестве видеокодировщика для мультимодальных языковых моделей. Для видео требуется подавать 64 кадра; изображение можно повторить до нужного числа кадров. Модель ориентирована на визуальные данные и не заявляет поддержку конкретных естественных языков. Репозиторий распространяется по лицензии Apache-2.0. README описывает возможности понимания видео, но не приводит количественных оценок качества или подробных ограничений по применению.

p1atdev представляет конвертированную в формат библиотеки Transformers версию WD SwinV2 Tagger v3 от SmilingWolf. Это модель классификации изображений на архитектуре SwinV2 с 58,7 млн параметров, которая автоматически присваивает изображениям рейтинговые, персонажные и общие теги, включая метки для каталогизации изображений Danbooru. Репозиторий содержит веса Safetensors и ONNX и распространяется по лицензии Apache-2.0. Для ускорения можно использовать вариант через 🤗 Optimum: в README заявлены примерно на 30% более высокая скорость и на 50% меньший размер модели по сравнению с вариантом Transformers, при небольшом снижении точности. Модель предназначена для присвоения тегов изображениям; README приводит примеры рейтинговых меток general и sensitive, а также тегов персонажей. Она не генерирует описания изображений.

Qwen/WorldPM-72B-HelpSteer2 — модель предпочтений, созданная на базе WorldPM-72B и дообученная на 7 тысячах примеров датасета HelpSteer2. Это плотная архитектура Qwen2 с 71,5 млрд параметров; она оценивает ответы языковых моделей и предназначена для сравнения их качества и релевантности. Модель выявляет намеренные ошибки, нерелевантные или неполные ответы и может использоваться для оценки ответов при обучении и проверке LLM. Модель обучена на данных о человеческих предпочтениях; README сообщает о масштабном обучении семейства WorldPM на 15 млн примеров предпочтений и отмечает лучшие результаты при оценке в объективных областях по мере увеличения размера моделей. Для субъективных оценок устойчивого улучшения с ростом модели не обнаружено: результат может зависеть от стилевых предпочтений. Контекст составляет 2048 токенов, для работы требуется Transformers версии 4.40.0 или новее. Лицензия — Apache-2.0.

XCiT Large 24 P16 224 fb_in1k — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), опубликованная авторами статьи и предобученная на ImageNet-1k. В ней около 189,1 млн параметров; она рассчитана на изображения размером 224 × 224 пикселя и может использоваться также как визуальная основа для извлечения признаков и эмбеддингов. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Репозиторий поддерживает форматы PyTorch и safetensors; метаданные указывают библиотеку timm. Лицензия — Apache-2.0.

keremberke/yolov8m-shoe-classification — модель компьютерного зрения на архитектуре YOLOv8, опубликованная keremberke и предназначенная для классификации изображений обуви по бренду. Она различает три класса: adidas, converse и nike. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics; карточка указывает датасет keremberke/shoe-classification. Модель подходит для автоматической сортировки фотографий обуви по этим трём брендам и для демонстрационных сценариев классификации изображений. Данных о размере модели, языках или лицензии в предоставленных источниках нет.

ynie/albert-xxlarge-v2-snli_mnli_fever_anli_R1_R2_R3-nli — модель ALBERT-XXLarge-v2 для классификации текстовых пар по задаче Natural Language Inference (NLI). Она разработана пользователем ynie и опубликована на Hugging Face; модель также доступна через Transformers в форматах PyTorch и TensorFlow. Обучение выполнено на комбинации SNLI, MNLI, FEVER-NLI и ANLI R1, R2, R3. Модель принимает пару текстов и определяет, является ли второй текст следствием первого, нейтральным утверждением или противоречит ему. Архитектура — AlbertForSequenceClassification: 3,3 млрд параметров, 12 скрытых слоёв, 64 головы внимания, размер скрытого представления 4096; максимальная длина входа составляет 512 токенов. Выходные классы — entailment, neutral и contradiction. Сильная сторона модели — специализация на текстовом логическом выводе и проверке отношений между утверждениями, включая устойчивость к сложным примерам из ANLI. Модель не является генеративной и не предназначена для свободного создания текста; результат зависит от качества и формата входной пары, а длинные входы ограничены контекстом в 512 токенов. Лицензионные условия в доступных данных не установлены.

jarredparrett/all-MiniLM-L6-v2_tuned_on_deepparse_address_mutations_comb_3 — англоязычная модель Sentence Transformer, дообученная на наборе deepparse_address_mutations_comb_3 для сопоставления адресов с вариациями написания и опечатками. Модель основана на энкодере BERT all-MiniLM-L6-v2, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель подходит для поиска совпадающих адресов, оценки сходства пар адресов и отбора вариантов для последующей проверки. README сообщает о высокой точности на бинарной классификации пар из указанного набора, однако приведённые результаты относятся к этому типу данных и не гарантируют качество на других языках и доменах. Условия лицензии в предоставленных источниках не приведены.

i-dot-ai разработала эту модель на базе all-MiniLM-L6-v2 для поиска по законодательству Великобритании. Это дообученная модель Sentence Transformers с архитектурой BERT и 25,9 млн параметров: она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысловой близости, семантического поиска и кластеризации. Контекст модели — до 512 токенов. Модель дообучена на 6 тысячах пар «вопрос—ответ» по британским общим публичным законам 2010–2023 годов. Вопросы для обучающего набора сгенерированы GPT-4o, а ответы взяты из разделов законов. По оценке авторов, дообучение улучшило результат на 12% относительно базовой модели; также авторы сообщают о сопоставимом качестве с text-embedding-3-large на своей оценке. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.