I.11Классификация, ранжирование и сопоставление

Berk2003/bge-reranker-legal-ft-v4-error-mined-hf — это кросс-энкодерный реранкер для юридических текстов, построенный на XLM-RoBERTa и обученный с помощью библиотеки Sentence Transformers. Он оценивает пары «запрос — документ» одним числовым баллом, чтобы упорядочивать найденные фрагменты по релевантности в семантическом поиске и системах поиска по юридическим материалам. В карточке указаны 988 обучающих примеров и один выходной балл на пару. Модель принимает только текст. В README указан предел последовательности 512 токенов; метаданные каталога приводят native context 8194 токена, поэтому фактический предел для данной конфигурации следует проверять при использовании. Данные примеров содержат вопросы и фрагменты на турецком языке, но это само по себе не подтверждает широкий список поддерживаемых языков. Лицензия в предоставленных данных не указана.

Cendol mT5-large Instruct — генеративная модель семейства Cendol, разработанная IndoNLP и дообученная на базе mT5 в варианте encoder-decoder. Модель содержит около 608 млн параметров по метаданным репозитория; README называет версию 1,2 млрд параметров. Она предназначена для одношагового выполнения инструкций на индонезийском и других языках Индонезии и поддерживает сценарии анализа тональности, тематической классификации, машинного перевода, суммаризации, ответов на вопросы и перефразирования. Модель принимает текстовые инструкции и генерирует текст. В README указана лицензия Apache 2.0. Авторы позиционируют Cendol прежде всего для исследований индонезийских языков; не следует рассчитывать на качество для других языков и многошагового диалога. Возможны неточные, предвзятые или нежелательные ответы, поэтому перед внедрением требуется проверка для конкретного применения.

ConvNeXt-Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman в библиотеке timm: веса визуального энкодера CLIP предварительно обучены с OpenCLIP на LAION-2B, затем дообучены на ImageNet-1k. Модель содержит около 200,1 млн параметров, требует входные изображения размером 256 × 256 и может использоваться как классификатор, основа для извлечения карт признаков или получения эмбеддингов изображений. В карточке приведены метрики ImageNet-1k и сравнение с другими моделями timm. Модель принимает изображения и выдаёт метки классов, карты признаков или векторы эмбеддингов. Лицензия репозитория — Apache-2.0. Карточка не описывает ограничения точности или сценарии, в которых модель может ошибаться; качество зависит от соответствия входных изображений обучающим данным и целевой задаче.

CPUBone Nano — модель классификации изображений и извлечения визуальных признаков, разработанная авторами статьи CPUBone и обученная на ImageNet-1k. Эта версия преобразована в формат state dict библиотеки timm и распространяется в формате safetensors под лицензией Apache 2.0. Модель рассчитана на эффективный вывод на CPU: она сочетает варианты grouped MBConv, уменьшенные свёрточные ядра и механизм внимания LowFormer в двух последних стадиях. В модели около 6,5 млн параметров, вычислительная сложность составляет 0,2 GMAC, стандартный размер входного изображения — 224 × 224 пикселя. Помимо классификации ImageNet-1k, её можно использовать для получения эмбеддингов и многомасштабных карт признаков. Для предобработки используются бикубическое изменение размера, центрированная обрезка с crop_pct=0.95 и статистики нормализации ImageNet. Скорость на CPU зависит от оборудования, среды выполнения, способа экспорта и размера пакета; показатели задержки из статьи относятся к конкретным устройствам и методике измерения.

alexandrainst/da-sentiment-base — модель DaNLP для определения тональности датских текстов. Она представляет собой BERT, дообученный на предварительно обученной датской модели BERT от BotXO, и классифицирует текст как положительный, нейтральный или отрицательный. Модель предназначена для классификации коротких текстов, в том числе сообщений в социальных сетях; при обучении использовались наборы Twitter Sentiment и EuroParl sentiment 2. Модель имеет около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны версии для PyTorch, TensorFlow и Safetensors. Лицензия в README указана как CC BY-SA 4.0, а в метаданных Hugging Face — Apache 2.0; сведения о лицензии расходятся, поэтому условия использования следует сверить с репозиторием. Карточка предупреждает о возможных стереотипных и вредных предсказаниях, а также не рекомендует применять модель для создания враждебной или отчуждающей среды.

DistilBERTurk — дистиллированная контекстная языковая модель для турецкого языка, выпущенная командой MDZ Digital Library Баварской государственной библиотеки (dbmdz). Это версия DistilBERT с регистрозависимой токенизацией, обученная на 7 ГБ данных, использованных для BERTurk, с регистрозависимой BERTurk в качестве учителя. Модель предназначена для использования в качестве основы для задач понимания турецкого текста, включая разметку частей речи и распознавание именованных сущностей. Дистилляция уменьшает модель по сравнению с учителем; авторы сообщают, что разница в общей производительности относительно BERTurk составляет около 1,18%, а в разметке частей речи DistilBERTurk превосходит 24-слойную XLM-RoBERTa. Модель работает с текстом и поддерживает контекст до 512 токенов. Репозиторий распространяется под лицензией MIT. В карточке указаны веса и форматы PyTorch, Safetensors и TensorFlow.

Это модель классификации тональности на базе DistilBERT, дообученная iam-tsr на корпусе комментариев YouTube. Она присваивает тексту одну из трёх меток: POSITIVE, NEUTRAL или NEGATIVE; модель рассчитана на разговорный английский, включая сленг, эмодзи и неформальные выражения. Архитектура — DistilBertForSequenceClassification, базовая модель distilbert/distilbert-base-uncased; контекст составляет до 512 токенов, а в обучении использовалась максимальная длина последовательности 128 токенов. Модель подходит для мониторинга реакции аудитории на видео, анализа отзывов и помощи в модерации комментариев. На тестовой выборке комментариев YouTube указаны accuracy 0,7301 и F1 0,7300. Распространяется по лицензии Apache-2.0.

adalbertojunior/distilbert-portuguese-cased — дистиллированная модель на архитектуре BERT, созданная на основе BERTimbau. Она предназначена для извлечения признаков из текста и может служить компактной отправной точкой для последующего дообучения на собственных данных. Модель содержит около 79,5 млн параметров и поддерживает контекст до 512 токенов; для загрузки используются форматы PyTorch и safetensors. Карточка сообщает, что в некоторых задачах точность может достигать 99% от результата исходной BERTimbau. Это относительная оценка для отдельных задач, а не гарантия качества на произвольных данных. Модель рассчитана на португальский язык, использует регистр букв и требует дообучения под конкретное применение. Лицензия в предоставленных данных не указана.

Карточка модели maastrichtlawtech/dpr-legal-french на Hugging Face совпадает с карточкой maastrichtlawtech/colbert-legal-french, поэтому описание составлено по ней. maastrichtlawtech/colbert-legal-french — модель поиска и сопоставления предложений для юридических текстов на французском языке. Она дообучена на базе antoinelouis/colbertv1-camembert-base-mmarcoFR и предназначена для поиска релевантных фрагментов в системах извлечения информации и RAG. Архитектура основана на CamemBERT и ColBERT; модель содержит 137,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки сходства и релевантности. В метаданных указан датасет maastrichtlawtech/lleqa и библиотека RAGatouille. Модель опубликована под лицензией MIT.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Это дообученная и уменьшенная версия Qwen/Qwen3-VL-Embedding-2B: модель отображает текст, изображения, видео и страницы документов в общее векторное пространство для поиска и сопоставления по смыслу. Веса содержат около 1,93 млрд параметров; заявлена работа на периферийных устройствах и скорость примерно в 1,1 раза выше базовой модели. Модель предназначена для мультимодального поиска, в том числе в цифровой криминалистике: например, для поиска изображений или документов по текстовому запросу в автономной среде. Внутренние оценки Urock-AI на MMEB-V2 показывают результат 63,2 против 68,9 у повторно оценённой базовой модели; на ряде тестов тонкого сопоставления результаты близки к базовой модели. Лицензия — Apache 2.0. Eddy-VL формирует эмбеддинги и не выполняет переранжирование найденных результатов. В README отмечено, что качество немного ниже, чем у полной базовой модели; отдельно не оценены многоязычные и специализированные доменные сценарии. Модель предназначена для поиска кандидатов и не должна быть единственным основанием для решений с высокими ставками.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Она дообучена на основе Qwen/Qwen3-VL-Embedding-2B и предназначена для семантического поиска по изображениям, видео, тексту и страницам документов: все эти данные отображаются в общее векторное пространство. Модель ориентирована на локальное и автономное развертывание, в том числе на периферийных устройствах и в изолированных средах цифровой криминалистики. Модель содержит 1,93 млрд параметров, распространяется в формате safetensors и, по заявлению разработчика, работает примерно в 1,1 раза быстрее исходной модели. На внутренней оценке MMEB-V2 её результат составил 63,2 против 68,9 у базовой модели в той же среде; на отдельных тестах композиционного понимания показатели близки к базе. В карточке также указана поддержка корейского и английского, однако отдельная оценка многоязычной производительности не приведена. Eddy-VL создаёт векторы для поиска и сопоставления, но сама не ранжирует результаты как специализированный реранкер и не принимает решения по найденным материалам. Разработчик рекомендует проверять кандидатов человеком, особенно в задачах с высокими последствиями. Модель распространяется по лицензии Apache 2.0.

Модель cea-list-ia/evalllm2026-mesh-finetuned разработана CEA-LIST для участия в соревновании evalLLM2026. Это дообученная на данных соревнования модель-ретривер на базе BAAI/bge-m3: она преобразует медицинские предложения в эмбеддинги и помогает находить соответствующие термины MeSH для связывания упоминаний сущностей. В README рекомендован префикс запроса «Represent this medical sentence for retrieving relevant MeSH terms:». Модель построена на XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Лицензия — Apache-2.0.

ssmits/Falcon2-8B-Spanish — испаноязычная плотная авторегрессионная языковая модель семейства Falcon, созданная с помощью mergekit на основе ssmits/Falcon2-5.5B-Spanish. Она предназначена для генерации текста и диалоговых сценариев; архитектура реализована классом FalconForCausalLM. Метаданные указывают размер 11,8 млрд параметров и контекст до 8192 токенов, а также поддержку испанского языка. Модель подходит для продолжения текста, ответов на вопросы и классификации текстовых данных. В карточке указан формат safetensors и лицензия Apache-2.0. README описывает слияние passthrough с одной исходной моделью; поэтому заявленная процедура объединения сама по себе не подтверждает улучшение качества. Результаты могут зависеть от сценария применения и требуют проверки на целевых данных.

FastViT T12 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT. Её обучили авторы работы FastViT на ImageNet-1k с дистилляцией; карточка опубликована в репозитории timm на Hugging Face. Модель содержит 7,6 млн параметров, использует гибридную архитектуру vision transformer и свёрточных операций со структурной репараметризацией. Для обработки изображений указано разрешение 256 × 256 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Компактный размер и вычислительная стоимость 1,4 GMAC делают её пригодной для визуальных задач с ограниченными ресурсами. Классификатор ориентирован на классы ImageNet-1k, поэтому для других наборов категорий может потребоваться адаптация. Лицензия обозначена как other; README предписывает соблюдать исходную лицензию, условия которой следует проверить в источнике модели.

FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

FrALBERT Base Cased — французская предварительно обученная языковая модель на архитектуре ALBERT, опубликованная пользователем cservan. Она обучена на французской Википедии с целями masked language modeling и Sentence Ordering Prediction; регистр букв сохраняется, поэтому модель различает, например, «french» и «French». По метаданным, модель содержит 137,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 512 токенов. Архитектура ALBERT разделяет веса между повторяющимися слоями Transformer, что уменьшает объём памяти при сохранении вычислительной стоимости, сопоставимой с BERT аналогичной глубины. Основной сценарий непосредственного использования — предсказание замаскированных токенов. Модель также предназначена для дообучения на задачах классификации последовательностей и токенов, заполнения слотов и ответов на вопросы; её представления можно использовать как признаки для таких задач. Она не предназначена для свободной генерации текста. Лицензия — Apache-2.0.

Immerwinter/gbert-large-privacy-policy-content-legalbasis — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к категории LegalBasis — правовому основанию обработки данных; README помещает её в набор моделей для анализа содержания таких документов. Модель содержит 434,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Репозиторий включает форматы ONNX и safetensors. Лицензия — Apache-2.0.

Immerwinter/gbert-large-privacy-policy-topic — немецкоязычная модель классификации текста, разработанная на базе deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к темам, связанным с обработкой персональных данных, например к аудитории, удалению данных, правовым основаниям, срокам хранения, безопасности, передаче данных третьим сторонам и правам пользователей. Модель использует архитектуру BERT для классификации последовательностей, имеет 434,5 млн параметров и принимает текст длиной до 512 токенов. Модель дообучена для тематической классификации немецких текстов о конфиденциальности. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. Модель может быть полезна для разметки и первичной сортировки разделов политик конфиденциальности; качество за пределами указанных тем и немецкого языка не подтверждено.

Gemma-2-2B Temporal Link Classification — модель AnirbanSaha, полученная полным дообучением Google Gemma 2 2B Instruct на наборе fahmidiqbal/tlink-classification. Она принимает текстовый запрос с двумя отмеченными фрагментами и генерирует метку временного отношения между ними: BEFORE, AFTER, OTHER или NONE. Модель предназначена для классификации временного порядка событий и отношений между фрагментами текста. Модель построена на плотной архитектуре Gemma2ForCausalLM, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык. Лицензия — Gemma. Метрики тестирования в карточке пока отсутствуют, поэтому качество классификации по опубликованным результатам оценить нельзя.

HerBERT-base-cased — польскоязычная языковая модель на архитектуре BERT, разработанная командой машинного обучения Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель содержит 151,6 млн параметров и обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный BPE-токенизатор с словарём из 50 тысяч токенов; длина контекста — 514 токенов. Модель предназначена для извлечения признаков из польского текста и может служить представлением текста для последующих задач обработки естественного языка. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель опубликована по лицензии CC BY 4.0, требующей указания авторства.

InternLM2-20B-Reward — наградная модель команды InternLM, разработанная на базе InternLM2-Chat-20B-SFT и предназначенная для оценки качества ответов языковых моделей по предпочтениям. Она обучена на более чем 2,4 млн пар предпочтений, полученных от людей и синтезированных ИИ, и применялась в RLHF-обучении InternLM2-Chat. Модель с плотной архитектурой InternLM2 содержит 19,3 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст диалогов и выдаёт оценку, которую можно использовать для сравнения ответов, ранжирования кандидатов и выбора лучшего ответа из нескольких сгенерированных вариантов. Обучающие данные охватывают английский и китайский языки, а также диалоги, письмо, поэзию, суммаризацию, кодирование и математику. В README приведён результат 89,5 на RewardBench. Модель ориентирована на оценивание предпочтительности ответов, поэтому её оценка не является гарантией фактической точности или безопасности. Лицензия указана как other; README сообщает, что веса открыты для академических исследований, а для коммерческого использования требуется запросить бесплатное разрешение.

legal-embed-modernbert-v1 — англоязычная модель эмбеддингов, разработанная автором репозитория путём дообучения nomic-ai/modernbert-embed-base на 16 068 парах вопросов и ответов с Law StackExchange. Она предназначена для поиска наиболее релевантного ответа или фрагмента по текстовому юридическому вопросу: например, для поиска по юридическим форумам, FAQ и материалам службы поддержки, а также для RAG-систем. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Обучение использовало максимальную длину последовательности 256 токенов и MatryoshkaLoss; векторы можно сокращать до 512, 256, 128 или 64 измерений с умеренной потерей качества. Для запросов и документов требуются префиксы «search_query: » и «search_document: » соответственно. В оценке поиска среди 1000 кандидатов на отложенных парах Law StackExchange модель показала Accuracy@1 0,893, Recall@10 0,994 и MRR 0,931. Она специализирована на разговорных юридических вопросах и уступает базовой модели при поиске по положениям договоров. Модель выдаёт эмбеддинги для поиска и сравнения, а не юридические рекомендации; её результаты не заменяют консультацию юриста. Лицензия — Apache-2.0.

ddesotto/legalize-embed-raw — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная для преобразования предложений и абзацев в плотные текстовые эмбеддинги размерностью 384. Архитектура включает BERT, усредняющий pooling и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель принимает текст, имеет максимальную длину последовательности 512 токенов и подходит для поиска и сопоставления текстов по смыслу. Обучающие пары anchor-positive и приведённые примеры связаны с испанскими юридическими документами, поэтому модель ориентирована на поиск фрагментов правовых текстов и подбор соответствующих положений. В README приведена оценка Information Retrieval на валидационных данных: cosine_accuracy@1 — 0,4174, @5 — 0,6776 и @20 — 0,8256. Использовать модель можно через библиотеку Sentence Transformers; сведения о лицензии в предоставленных данных отсутствуют.

MFANNv0.5 — экспериментальная модель для генерации текста и классификации, разработанная Makhi Burroughs в рамках эксперимента с цепочкой рассуждений. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель может использоваться для генерации ответов в чате и классификации текста. В README приведены результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, однако описание не уточняет методику оценки. Модель распространяется под лицензией Apache-2.0.

hendrydong/Mistral-RM-for-RAFT-GSHF-v0 — модель вознаграждения на базе Mistral-7B-Instruct-v0.2, предназначенная для классификации последовательностей. Её загружают через AutoModelForSequenceClassification с одним выходным значением; такой формат подходит для оценки ответов или предпочтений в сценариях обучения с обратной связью от человека. Модель имеет плотную архитектуру Mistral и около 7,1 млрд параметров. Метаданные указывают контекст длиной до 32 768 токенов и формат весов safetensors. README называет базовую модель, но не уточняет данные обучения, метрики качества или условия лицензии.

MLM-Filter-13B — мультимодальная модель семейства LLaVA, разработанная Weizhi Wang и соавторами для оценки качества пар «изображение—текст». Она выдаёт четыре оценки: соответствие изображения тексту, полноту описания объектов, качество текста подписи и семантическое понимание. Модель предназначена для фильтрации обучающих данных, оценки согласованности изображений и текстов в системах генерации изображений и подписей, а также для сценариев, где требуется оценить их соответствие. Модель содержит 12,9 млрд параметров, использует архитектуру LlavaLlamaForCausalLM и имеет контекст до 4096 токенов. Обучение включало инструкции из набора LLaVA-1.5 и примеры оценки качества пар изображение—текст. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не сообщает об ограничениях точности или поддерживаемых языках; оценки качества следует рассматривать в контексте описанных метрик и данных.

MMG/mlm-spanish-roberta-base — испаноязычная модель на архитектуре RoBERTa, разработанная MMG и обученная с нуля на 3,6 ГБ текстов в течение 10 эпох. Для обучения использовались четыре GPU Tesla V100. Модель предназначена для предсказания замаскированных токенов и может служить основой для анализа испанского текста и дообучения под задачи понимания языка. Модель содержит 153,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 512 токенов. В README приведены результаты оценки на испанском бенчмарке GLUES: 71,99% accuracy на XNLI, 74,85% accuracy на задаче парафразирования и 85,34 F1 на NER. Доступны веса PyTorch и Safetensors. Условия лицензии в предоставленных материалах не указаны.

fyaronskiy дообучил ModernBERT-large на наборе GoEmotions для многометочной классификации эмоций в английском тексте. Модель находит несколько эмоций одновременно или проверяет наличие заданных эмоций; она построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Нативный контекст — до 8192 токенов. Для исходной модели доступны веса Safetensors и версия ONNX, а также квантованная до INT8 версия ONNX. По результатам автора, ONNX ускоряет инференс примерно в 1,6 раза при сопоставимом качестве, а INT8 — примерно в 2,5 раза с небольшим снижением макро-F1. Качество заметно различается между классами: модель лучше распознаёт некоторые частые эмоции, тогда как редкие классы, например разочарование и осознание, даются ей хуже. Лицензия — MIT.

Berk разработал мультиязычную модель извлечения географических названий, дообучив mDeBERTa-v3-base для разметки фрагментов текста типами CITY, COUNTRY и ENTITY с тегами BIO. Модель содержит около 306 млн параметров, использует архитектуру DeBERTa-v2 и принимает последовательности длиной до 512 токенов. Репозиторий также включает варианты ONNX и gazetteer-компоненты для связывания найденных мест с городом, регионом и страной. Модель предназначена для извлечения и типизации мест в туристических запросах и маршрутах на 13 языках. Дополнительные словари и скрипты разрешают известные достопримечательности до города и страны, распознают регионы и уточняют географию неоднозначных названий. В README сообщается о высоких результатах на тестах маршрутов и улучшении обработки коротких запросов, включая названия стран и достопримечательностей. Для неоднозначного названия без контекста модель может опираться на заметность места, поэтому возможны ошибки выбора одноимённого города. Базовая модель выполняет классификацию токенов; связывание сущностей и обогащение географическими данными обеспечивают отдельные gazetteer-файлы и скрипты. Модель выпущена под лицензией MIT.

nategro/nps-mpnet-lds — модель Sentence Transformers на базе MPNet, дообученная для выявления в патентах предложений, описывающих проблему и её решение. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства, поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В карточке указано обучение с CosineSimilarityLoss на основе sentence-transformers/paraphrase-mpnet-base-v2. Лицензия в доступных данных не указана.