I.11Классификация, ранжирование и сопоставление

Nyaya-Embed-v1 — модель-биэнкодер, разработанная NyayaLabs для поиска разделов действующего индийского законодательства по вопросам граждан на английском, хинди и хинглише. Она дообучена на базе intfloat/multilingual-e5-base и предназначена для получения текстовых эмбеддингов, которые сопоставляют запросы с релевантными разделами законов. В системе Nyaya legal-guidance её используют как плотную часть гибридного поиска вместе с BM25. Модель основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает текст с префиксами query: и passage: по соглашению E5. Контекст — до 514 токенов. На отложенной выборке из 118 вопросов гибридный поиск с моделью показал полноту нахождения всех целевых разделов 73,7% при k=3 и 88,1% при k=8; результаты для хинди и хинглиша оценены на малом числе примеров. Модель выпущена по лицензии MIT и помогает находить правовые нормы, но не предоставляет юридических рекомендаций.

patembed-largenoprompts — модель Sentence Transformer семейства patembed, разработанная в рамках проекта PatenTEB для построения эмбеддингов патентных текстов. Это вариант без инструкционных префиксов, созданный как абляция для оценки влияния подсказок на качество. Архитектура основана на BERT для патентных текстов; метаданные указывают 443,5 млн параметров, а в README приведены 344 млн, 24 слоя и размер эмбеддинга 1024. Максимальная длина последовательности — 512 токенов. Модель рассчитана на английский язык и принимает текст, выдавая векторные представления для поиска и сравнения сходства. Модель предназначена для патентного поиска и извлечения документов, поиска предшествующего уровня техники, классификации и кластеризации патентов, а также анализа технологических направлений. Обучение проводилось в режиме многозадачного обучения на 13 задачах бенчмарка PatenTEB. Лицензия — CC BY-NC-SA 4.0, предусматривающая указание авторства, распространение производных материалов на тех же условиях и ограничения на коммерческое использование.

Patent CPC Predictor — дообученная модель Brad Grimm на основе microsoft/deberta-v3-small для предсказания кодов классификации патентов CPC по заголовку и аннотации патентной заявки. Она предназначена для автоматической классификации патентных документов по разделам, классам и подклассам CPC. В README указана точность 92% для раздела, 88% для класса и 85% для подкласса. Модель использует архитектуру DeBERTa V2, содержит 155 млн параметров и принимает текст с контекстом до 512 токенов. Для обучения использовались заголовки и аннотации выданных патентных заявок; метаданные указывают английский язык. Лицензия — MIT. Для применения потребуется настроить получение предсказаний CPC из выходов модели, поскольку карточка не описывает готовый интерфейс классификации и схему меток.

PrivaScope Topic Classifier — модель Wravn для многометочной классификации предложений из политик конфиденциальности. Она определяет, какие из 15 тематических категорий затрагивает отдельное предложение: например, обработку данных, цели, передачу третьим сторонам, права пользователей, безопасность, хранение и удаление данных. Модель предназначена для детального анализа англоязычных политик конфиденциальности и является тематическим классификатором в конвейере PrivaScope. Модель основана на PrivBERT (mukund/privbert), RoBERTa, дополнительно предобученной на текстах политик конфиденциальности. Для обучения классификатора использовали 3 078 предложений, включая вручную размеченные примеры и синтетические данные; в README приведены значения F1 Macro 0,87 и F1 Micro 0,88. Модель принимает текст и выдаёт несколько тематических меток. Она не определяет область действия политики, конкретное содержание и атрибуты — эти задачи выполняются отдельными моделями и правилами. Лицензия — MIT.

PubMedBERT Embeddings 100K — компактная модель статических эмбеддингов, созданная NeuML путём сокращения словаря версии PubMedBERT Embeddings 2M: оставлены наиболее часто встречающиеся 5% токенов. Модель предназначена для построения векторных представлений медицинских текстов, семантического поиска и использования в системах RAG; её можно подключать через txtai, Sentence-Transformers или Model2Vec. В карточке приведены результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary. По сравнению с исходной моделью без сокращения словаря точность заметно снижается, хотя модель превосходит наивный дистиллированный вариант без обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают контекст в 1 000 000 токенов.

Raptarchis — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. В метаданных указан греческий язык и датасет greek_legal_code; модель содержит 140,1 млн параметров и поддерживает контекст до 512 токенов. Модель обучена с использованием CosineSimilarityLoss и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценки, поэтому качество на конкретных наборах данных по имеющимся сведениям оценить нельзя.

Это предварительно обученный визуальный энкодер RoPE SoViT с 150-миллионным вариантом архитектуры p14 и компонентами SwiGLU, RMS и register-токенами; модель разработана проектом Birder и обучена с помощью CAPI. Она предназначена для извлечения признаков изображений общего назначения и использования в качестве основы для последующего обучения классификаторов, детекторов объектов и моделей сегментации. Модель содержит 171 млн параметров и принимает изображения размером 224 × 224 пикселя; обучение проводилось на разнообразном наборе примерно из 21 млн изображений. Энкодер не дообучен под конкретную задачу классификации. Карточка демонстрирует получение эмбеддингов изображений и карт признаков для обнаружения объектов; лицензия — Apache-2.0.

sahajBERT — модель ALBERT, совместно предварительно обученная для бенгальского языка с помощью masked language modeling и предсказания порядка предложений. Разработчики создали для неё специальный бенгальский токенизатор; для обучения использовались бенгальская Википедия и часть корпуса OSCAR. Модель содержит 435,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Модель предназначена для заполнения пропусков в тексте и дальнейшей тонкой настройки под задачи классификации последовательностей, разметки токенов и ответов на вопросы. В опубликованных оценках она показала F1 95,45 на бенгальском NER и точность 91,97 на классификации новостных категорий. Лицензия — Apache-2.0. В README раздел об ограничениях и смещениях обозначен как незавершённый.

SE-ResNeXt-D — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Архитектура сочетает блоки ResNeXt с групповыми свёртками, механизм внимания каналов Squeeze-and-Excitation и антиалиасинговое уменьшение разрешения Rectangle-2. Модель содержит 93,6 млн параметров; в карточке приведены результаты оценки при тестовом разрешении 288 × 288 пикселей. Она также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для классификации изображений общего назначения. Лицензия — Apache-2.0.

Модель Merikatorihuhu/SimCSE-finetuned-vietnamese-legal-documents — Sentence Transformer на основе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base, дообученный на 120 210 парах вьетнамских юридических текстов. Архитектура RoBERTa с mean pooling формирует плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности в README указана как 256 токенов, метаданные каталога указывают контекст 258 токенов. Модель предназначена для поиска юридических документов по смыслу, сравнения сходства предложений и фрагментов, поиска перефразировок, кластеризации и классификации вьетнамских юридических текстов. Она принимает текст и выдаёт эмбеддинги, пригодные для семантического поиска и ранжирования по сходству. В метаданных указаны библиотека sentence-transformers и формат safetensors. Лицензия в предоставленных данных отсутствует.

SkillReason-embedding-0.6b — плотная модель эмбеддингов для поиска подходящих навыков агента по запросам на естественном языке. Она разработана авторами проекта SkillReason и дообучена на Qwen/Qwen3-Embedding-0.6B с использованием рассуждений о необходимых возможностях как обучающего сигнала и обратной связи от поиска. В обычном режиме модель кодирует запрос и документы навыков для retrieval; генерация пояснений не требуется. Модель содержит около 507,6 млн параметров, использует архитектуру Qwen3ForCausalLM и pooling по последнему непустому токену. Контекст — до 32 768 токенов; формат весов — safetensors. Модель предназначена для поиска навыков, когда пользователь описывает цель задачи, но не называет нужную функцию или процедуру. Для качественного поиска README рекомендует применять инструкцию к запросам, а описания навыков представлять как «name | description | body» без этой инструкции. Модель также можно загрузить как причинную языковую модель для дополнительного анализа возможностей, однако этот режим не входит в стандартный сценарий поиска. Лицензия — Apache-2.0. Карточка перечисляет английский как язык модели; другие языки по имеющимся данным подтвердить нельзя.

SpanBERT/spanbert-base-cased — англоязычная предварительно обученная модель-кодировщик семейства BERT, разработанная исследователями, опубликовавшими проект SpanBERT. Она использует конфигурацию BERT base: 12 слоёв, скрытый размер 768 и 12 голов внимания; карточка указывает 135,5 млн параметров и контекст до 512 токенов. Особенность предобучения — маскирование и обучение на уровне текстовых фрагментов, чтобы лучше представлять и предсказывать spans. Модель предназначена для дообучения под задачи понимания текста, включая извлечение ответов из контекста, разрешение кореференции, извлечение отношений и классификацию. Она принимает текст и выдаёт контекстные представления токенов, а конкретные ответы или метки обычно формируются дообученной task-specific моделью. Доступны веса PyTorch и Flax. Авторы сообщают о результатах на SQuAD, кореференции и TACRED; эти результаты относятся к их оценкам и не гарантируют качество на других данных. Для предварительно обученных весов указана лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование. Архив проекта также отмечает, что лицензия распространяется на предобученные модели.

SPECTER2 aug2023refresh base — базовый текстовый энкодер семейства SPECTER2 от Allen AI, разработанный Amanpreet Singh, Mike D'Arcy, Arman Cohan, Doug Downey и Sergey Feldman. Он предназначен для получения эмбеддингов научных статей по заголовку и аннотации, а также коротких текстовых запросов. Модель основана на BERT и обучена на связях цитирования между научными публикациями; для задач классификации, поиска и сравнения статей её используют с подходящим адаптером SPECTER2. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Она ориентирована на научные текстовые представления и оценивалась на бенчмарках SciRepEval и MDCR. Для универсальных эмбеддингов карточка рекомендует allenai/specter2; для наилучшего результата на конкретной задаче следует подключить соответствующий адаптер. Лицензия — Apache 2.0.

Statim Decide Multilingual Base: Emotion adapter — это LoRA-адаптер Beko2210 для модели Beko2210/statim-decide-multilingual-base версии 0.7.0. Он настраивает модель на определение наиболее выраженной эмоции в коротком тексте с помощью выбора из заданных категорий. Адаптер поддерживает восемь языков, указанных в метаданных: немецкий, английский, испанский, французский, хинди, португальский, русский и китайский; португальский и русский не имели обучающих примеров для этой категории. В эксперименте точность на отложенных данных выросла с 0,6309 до 0,7007; на тесте из 150 примеров средний результат улучшился на 4,75 процентного пункта при объединении адаптера при загрузке и на 5,33 пункта при использовании q8_0 с runtime LoRA. Для работы требуется базовая модель с совместимым fingerprint и Statim 0.8.0 или новее. Адаптер доступен в форматах GGUF и safetensors. По уведомлению в карточке, с 3 октября 2026 года адаптер и базовая модель распространяются по лицензии PolyForm Noncommercial 1.0.0, поэтому коммерческое использование не разрешено.

Stella-PL-retrieval-8k — модель эмбеддингов на основе stella_en_1.5B_v5, дообученная командой sdadas для поиска по польским текстам. Она преобразует текст в векторы размерности 1024 и предназначена для извлечения релевантных документов по запросу. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров; базовое окно контекста составляет 131 072 токена, а README сообщает о специальном обучении на последовательностях до 8192 токенов. Модель адаптировали к польскому языку дистилляцией на 20 млн польско-английских пар, затем дообучили с контрастивной функцией потерь на 1,5 млн запросов. Для подбора положительных и отрицательных фрагментов использовали BAAI/bge-reranker-v2.5-gemma2-lightweight. В README указано значение NDCG@10 62,69 на польском бенчмарке PIRB. Репозиторий содержит веса safetensors и совместим с Sentence-Transformers; лицензия — Gemma. Модель в первую очередь рассчитана на польский поиск, поэтому её пригодность для других языков и задач не подтверждена приведёнными результатами.

orionweller/tart-dual-contriever-msmarco — модель на базе архитектуры BERT объёмом 136,7 млн параметров, опубликованная для удобства использования. Она предназначена для извлечения признаков из текста; метаданные указывают ограничение контекста в 512 токенов. Файлы модели представлены в формате Safetensors. Название указывает на связь с TART, Dual Contriever и MS MARCO, однако README не описывает обучение, назначение этих компонентов или конкретный сценарий применения. Лицензия в предоставленных данных не указана.

ToriiGate-0.5_GGUF — GGUF-квантизированная версия мультимодальной модели ToriiGate-0.5, разработанной Minthy и основанной на Minthy/ToriiGate-0.5 и Qwen/Qwen3.5-4B-Base. Модель предназначена для анализа изображений и генерации подписей и описаний к цифровым иллюстрациям, аниме-арту, скриншотам, комиксам и другим изображениям. Она может применяться для подготовки датасетов генеративных моделей, создания промптов, автоматической разметки, сортировки и классификации изображений. Модель поддерживает сценарии image-text-to-text и рассчитана преимущественно на англоязычные описания. Она распознаёт многочисленные визуальные концепции, действия, персонажей и их индивидуальные атрибуты, умеет использовать имена персонажей и предлагает несколько вариантов формата подписей, включая подробные структурированные описания и режимы с промежуточным рассуждением. Для повышения точности предусмотрены варианты grounding, в том числе использование тегов или описаний изображений. По заявлению автора, модель особенно сильна в области цифрового и аниме-арта и не имеет встроенной цензуры. К ограничениям относятся небольшой размер базовой модели, возможные ошибки при распознавании редких персонажей и риск смешения внешности и имён нескольких персонажей без дополнительного grounding. Точные размер, длина контекста и полный перечень поддерживаемых языков в предоставленных данных не указаны. Для запуска нужны совместимые llama.cpp-инструменты, GGUF-файл и мультимодальный проектор mmproj; доступны различные варианты квантизации, включая версии с Q8_0 для token embeddings и output tensor. Модель распространяется по лицензии MIT.

GanjinZero/UMLSBert_ENG — англоязычная версия CODER, модели векторных представлений медицинских терминов, разработанной Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. README отдельно уточняет, что это не UMLSBert; в статье CODER описана как модель для нормализации медицинских терминов с использованием знаний и межъязыковых представлений. Модель основана на BERT и предназначена для извлечения признаков из текста: представления терминов можно применять для их сопоставления и нормализации. Параметры модели — 136,7 млн, максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса PyTorch и safetensors. Модель рассчитана на английский язык и медицинскую терминологию. Доступна по лицензии Apache-2.0. README не приводит конкретных оценок качества или подробностей обучения этой английской версии.

UnBIAS — модель классификации текстов по степени предвзятости, опубликованная в репозитории newsmediabias/UnBIAS-classifier. Это дообученная для выявления предвзятости модель BERT на 136,7 млн параметров с архитектурой BertForSequenceClassification; базовая модель — bert-base-uncased. Она относит текст к одному из трёх классов: «Highly Biased», «Slightly Biased» или «Neutral». Модель рассчитана на анализ новостных статей и может помогать выявлять предвзятые формулировки в материалах СМИ. Контекст ограничен 512 токенами. В README приведены метрики на валидации, однако там же указано, что их нужно заменить фактическими значениями, поэтому считать их подтверждёнными нельзя. Модель распространяется по лицензии OpenRAIL.

anton-l/wav2vec2-base-lang-id — дообученная модель классификации аудио на основе facebook/wav2vec2-base. Она предназначена для определения языка по аудиозаписи и обучена на наборе данных anton-l/common_language. Модель содержит 113,3 млн параметров; в проверке на оценочном наборе показала точность 0,7945 и loss 0,9836. Модель использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает поддерживаемый перечень языков и условия записи аудио, поэтому результаты для конкретных языков и акустических условий по приведённым данным определить нельзя.

Web-SSL DINO ViT-3B Heavy Filtered 2B — визуальная модель семейства DINOv2, разработанная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT с 3,9 млрд параметров по метаданным, обученный методом самообучения на тщательно отфильтрованных веб-изображениях без языковой супервизии. Модель принимает изображения размером 224×224 пикселя и предназначена для извлечения визуальных признаков. В обучающую выборку Heavy2B преимущественно отбирались изображения с диаграммами, таблицами и документами с читаемым текстом; README сообщает, что такие изображения составляют 1,3% исходного набора MetaCLIP. Фокус на этих материалах улучшает возможности OCR и понимания диаграмм, при этом модель рассчитана и на общие задачи компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.

BEiT-3 — модель классификации изображений и извлечения визуальных признаков из семейства BEiT, представленная в библиотеке timm. Она предварительно обучалась на изображениях ImageNet-22k, текстовых документах и крупномасштабных парах изображение–текст с помощью masked data modeling, с фильтрацией данных по предметной области, а затем дообучалась на ImageNet-22k и ImageNet-1k. В этой версии модель преобразована для задач классификации только по изображению. Модель содержит 86,7 млн параметров, обрабатывает изображения размером 224 × 224 и может использоваться как визуальный backbone, для классификации, извлечения карт признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества или отдельных ограничений применения.

AbdulSami/bert-base-cased-cefr — модель на архитектуре BERT, дообученная для определения уровня владения английским языком по шкале CEFR на основе текста. Она предназначена для классификации текстов по уровням CEFR, например для оценки сложности учебных материалов или предварительной оценки письменных работ. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch через библиотеку Transformers. В README приведены значения потерь на обучении и валидации, но нет подробных метрик качества или описания разметки уровней. Лицензия — Apache-2.0.

lyeonii/bert-tiny — компактная англоязычная модель BERT, основанная на BERT-Tiny из семейства облегчённых моделей, выпущенных Google Research. В репозитории размещена конверсия исходных чекпойнтов TensorFlow в PyTorch; модель содержит 4,4 млн параметров и рассчитана на входную последовательность длиной до 512 токенов. Модель предназначена для извлечения признаков и построения текстовых представлений на английском языке. Её можно использовать как компактную основу для получения эмбеддингов или дальнейшей настройки под задачи обработки текста. По оценке на MRPC в карточке приведены F1 81,22 и accuracy 68,38 для варианта BERT-Tiny. Это uncased-модель: регистр букв не различается. Она поддерживает только английский язык, а её компактность сопровождается более скромными показателями на MRPC по сравнению с более крупными вариантами семейства. Лицензия — MIT.

Law Text2Vec — модель, представленная chestnutlzj для вычисления сходства между юридическими текстами. Она основана на архитектуре BERT, содержит 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель обучена на 936 727 примерах из национальной базы судебных дел с оценками сходства и подходит для построения векторных баз и поиска похожих юридических фрагментов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель ориентирована на китайские юридические тексты. Её можно применять для поиска похожих судебных дел, сопоставления формулировок правовых вопросов и организации поиска по юридическим коллекциям. Карточка не описывает результаты независимой оценки качества или поддержку языков помимо китайского.

clip-roberta-finetuned — дообученная модель davanstrien на датасете davanstrien/manuscript_noisy_labels_iiif. По архитектуре VisionTextDualEncoderModel она совместно кодирует изображения и текст, формируя признаки для сопоставления этих модальностей. Модель предназначена для извлечения признаков; карточка сообщает значение loss 2.5792 на оценочной выборке, но не описывает сценарии применения или подробности обучения.

Joel Zhang разработал модель на базе DeBERTa-v3-large для классификации отношений между парами текстов в задаче вывода на естественном языке (NLI). Она обучалась на SNLI, MultiNLI, FEVER и трёх раундах Adversarial NLI; по результатам тестирования показала точность 0,929 на SNLI и 0,612 на ANLI R3. Модель имеет архитектуру DeBERTa v2 для классификации последовательностей, содержит около 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык карточки и обучающих данных — английский. Модель подходит для проверки, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Её можно применять для проверки фактических утверждений по текстовым источникам и анализа логических отношений между фразами. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

rdp99/deberta-v3-small-finetuned-mnli — модель классификации последовательностей на базе DeBERTa V3 Small, дообученная для задачи MNLI. Она предназначена для оценки отношений между парами текстов, например определения, следует ли гипотеза из посылки, противоречит ей или не связана с ней. Архитектура — DeBERTa V2 для классификации последовательностей; модель содержит 155 млн параметров и поддерживает контекст до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,8776 и loss 0,6370. Датасет обучения не назван, поэтому результаты и переносимость на другие наборы данных или языки оценить по карточке нельзя. Базовая модель описана как англоязычная; лицензия модели — MIT.

ai4data разработала devdata-search-multilingual-e5-small-cgist — компактную bi-encoder модель эмбеддингов на архитектуре BERT, дообученную на базе intfloat/multilingual-e5-small для поиска по структурированным статистическим метаданным. Модель создаёт векторы запросов и описаний показателей, чтобы находить семантически подходящие записи; это компонент для построения поиска, а не размещённый поисковый сервис. При обучении на DevDataBench применялись перестановка полей и их случайное исключение, чтобы модель связывала смысл данных с названиями полей, а не с их порядком в сериализации. Для кодирования запросов и документов используются префиксы «query: » и «passage: ». Модель содержит 124,3 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors с лицензией Apache-2.0. Модель предназначена для поиска по статистическим показателям и метаданным наборов данных. Качество поиска зависит от соблюдения формата сериализации и префиксов; модель создаёт эмбеддинги, но сама не выполняет поиск по индексу и не предоставляет сервис.

zeromodels публикует конверсию DINOv3 ConvNeXt-Tiny в формате Keras 3 — самообучаемую визуальную основу, преобразующую изображения в признаки для последующих задач компьютерного зрения. Модель не содержит специализированной головы для конкретной задачи; полученные признаки можно использовать с отдельными классификаторами и другими downstream-компонентами. Репозиторий заявляет совместимость одной реализации с TensorFlow, Torch и JAX. Для обработки изображения предусмотрен процессор с нормализацией. Модель основана на facebook/dinov3-convnext-tiny-pretrain-lvd1689m; исходные веса Meta распространяются по лицензии DINOv3, указанной в Hub как other. README отсылает к лицензии DINOv3 для условий использования.