I.11Классификация, ранжирование и сопоставление

PIXIE-Rune-v1.5 — модель эмбеддингов на базе Sentence Transformers, разработанная компанией TelePIX Co., Ltd. Она предназначена для семантического поиска и информационного поиска, особенно на корейском и английском языках; модель также показывает хорошие результаты в аэрокосмической тематике и подходит для поиска по техническим документам и ответов на вопросы по ним. Архитектура включает XLM-RoBERTa, пулинг CLS-токена и нормализацию выходных векторов. Модель содержит 658,7 млн параметров, формирует эмбеддинги размерности 1024 и поддерживает контекст до 8194 токенов по метаданным; в README указана максимальная длина последовательности 6144 токена. Для сравнения текстов используется косинусное сходство. Модель обучена с дообучением на наборах данных информационного поиска на корейском и английском языках. Она может применяться для семантического поиска, извлечения релевантных документов и построения многоязычных систем поиска. Лицензия — Apache-2.0. Ограничения: основная оптимизация выполнена для корейского и английского языков, а качество на других языках и за пределами задач поиска в карточке не подтверждено. Для использования в поисковой системе требуется отдельный механизм индексации и ранжирования результатов.

PIXIE-Spell-Preview-1.7B — модель эмбеддингов компании TelePIX, построенная на архитектуре Qwen3 и оформленная как Sentence Transformer. Она предназначена для семантического поиска и извлечения релевантных документов по запросам на корейском и английском языках, с особым вниманием к аэрокосмической тематике. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и использует косинусное сходство для сравнения; карточка указывает максимальную длину последовательности 8192 токена, а метаданные — контекст до 40960 токенов. Её можно применять для поиска по технической документации, ответов на вопросы с извлечением источников и построения семантического поиска в аэрокосмических и других предметных коллекциях. В README приведены результаты оценки на корейских и англоязычных наборах для поиска, включая задачи с длинными документами, многошаговыми вопросами и научными материалами. Модель распространяется по лицензии Apache-2.0.

Qwen-2.5-Nemotron-32B-Reward — разработанная NVIDIA модель вознаграждения на архитектуре Transformer Qwen2.5 с 32 млрд параметров, дообученная на основе Qwen/Qwen2.5-32B-Instruct. Она оценивает ответ языковой модели на запрос пользователя и выдаёт одно числовое значение: более высокий балл указывает на более качественный ответ в рамках того же диалога. Модель предназначена для сравнения ответов и оценки их качества, в том числе по чатовым, математическим, программным и безопасностным сценариям. Модель принимает текст. В README указан максимум 128 тыс. токенов на вход, при этом обучение проводилось на диалогах длиной до 8 тыс. токенов; метаданные Hugging Face указывают нативный контекст 32 768 токенов. Поэтому оценки для длинных диалогов могут быть менее надёжны. Числовые оценки сопоставимы в рамках одного запроса, но не предназначены для сравнения ответов на разные запросы. Модель распространяется по лицензии other; README заявляет возможность коммерческого и некоммерческого использования. Для запуска описана интеграция с Transformers и потребность в GPU-памяти, зависящая от конфигурации оборудования.

Q-Judger — дообученная мультимодальная модель оценки изображений, созданных по текстовому запросу. Она основана на Qwen3.6-27B и принимает описание запроса вместе с сгенерированным изображением, после чего формирует JSON с оценками по иерархии критериев. Модель доступна в формате safetensors и использует библиотеку Transformers. Модель предназначена для автоматизированного сравнения и анализа качества генерации изображений. Она оценивает визуальное качество, композицию и эстетику, соответствие изображения запросу, правдоподобие, безопасность и творческие аспекты, включая отрисовку текста и визуальное повествование. Итоговые оценки агрегируются по уровням критериев; в README также описана проверка согласованности ранжирования с оценками экспертов. В метаданных указаны английский и китайский языки. Модель выпущена под лицензией Apache-2.0. Она является оценщиком изображений, а не моделью для их генерации; результаты следует трактовать как структурированную автоматическую оценку, а не как гарантированную замену экспертной проверке.

AraBERTv02+Word+CE — модель оценки читабельности арабского текста, разработанная CAMeL Lab дообучением AraBERTv02-base с функцией потерь cross-entropy. Модель использует вариант Word из корпуса BAREC-Corpus-v1.0 и предназначена для классификации текста по уровню читабельности; пример в карточке показывает получение уровня из результата text-classification. Модель построена на архитектуре BERT, содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на арабский язык и доступна для использования через библиотеку Transformers. В карточке указана лицензия MIT.

AraBERTv2+D3Tok+Reg — модель оценки читаемости арабского текста, разработанная CAMeL Lab дообучением AraBERTv2 с функцией потерь Mean Squared Error. Модель использует вариант входных данных D3Tok из корпуса BAREC-Corpus-v1.0 и выдаёт числовую оценку, которую можно преобразовать в уровень читаемости. Для работы текст нужно предварительно обработать в формате D3Tok. Модель предназначена для автоматической оценки читаемости предложений и текстов на арабском языке, например при анализе учебных материалов или подборе текстов по уровню сложности. Она построена на архитектуре BERT для классификации последовательностей, содержит 162,4 млн параметров и поддерживает контекст до 512 токенов. Для запуска доступна через Transformers pipeline. Лицензия — MIT; качество и применимость зависят от соответствия входной предобработки варианту D3Tok.

Это англоязычный биомедицинский Cross Encoder, дообученный авторами tomaarsen на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на данных MIRIAD. Модель оценивает пары «вопрос — текст» и предназначена для переранжирования результатов поиска и семантического поиска по биомедицинским материалам. Архитектура основана на BERT и реализована как BertForSequenceClassification с одним выходным баллом. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 384 токена. Модель принимает текст на английском языке и выдаёт оценку релевантности пары текстов. В README приведены результаты оценки на наборах NFCorpus, SciFact и SciDocs, причём качество различается между наборами. Лицензия — MIT. Ограничения: модель рассчитана на англоязычные биомедицинские тексты, а последовательности ограничены указанной длиной; показатели на отдельных тестовых наборах неоднородны, поэтому качество для других корпусов не гарантировано.

ResNetV2-152x4 BiT — модель классификации изображений и визуальная backbone-модель, обученная авторами статей Big Transfer на ImageNet-21k. Она построена на архитектуре pre-activation ResNet и использует Group Normalization и Weight Standardization вместо Batch Normalization. Модель содержит около 1,107 млрд параметров, рассчитана на изображения размером 224 × 224 пикселя и требует значительных вычислительных ресурсов. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Обучение на ImageNet-21k даёт ей широкие визуальные представления для задач компьютерного зрения; доступные веса представлены в форматах PyTorch и Safetensors и используются через библиотеку timm. Лицензия — Apache-2.0. Модель обрабатывает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Она не предназначена для понимания текста или мультимодального диалога; при переносе на узкие предметные области может потребоваться дополнительная адаптация.

aronjose2005/resume-strength-model — дообученная модель DistilBERT для классификации текста. Она предназначена для оценки силы резюме по тексту, что следует из названия модели; в карточке не описаны классы и правила оценки. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В README приведены метрики на оценочном наборе: accuracy, precision, recall и F1 равны 0,95; состав и происхождение набора данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает подробные сценарии применения и ограничения оценки, поэтому результаты следует интерпретировать с учётом неизвестных данных обучения и классов.

RaushanTurganbay/reward_model_deberta_large_Anthropic_hh — модель оценки вознаграждения на базе DeBERTa-large-v3, дообученная на датасете Anthropic/hh-rlhf. Она сравнивает последний запрос человека с ответом ассистента и предназначена для оценки качества ответов в сценариях обучения и отбора диалоговых моделей. В README сообщается точность 87% на этом датасете; число параметров — 533,8 млн, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт оценку классификации; заявленная точность относится к исходному датасету и не гарантирует такое же качество на других данных. Лицензия — Apache-2.0.

OpenAssistant/reward-model-deberta-v3-base — модель оценки ответов, разработанная OpenAssistant на базе DeBERTa-v3-base. Получая вопрос и сгенерированный ответ, она предсказывает, насколько ответ предпочтителен по человеческим оценкам; модель предназначена для сравнения качества ответов в системах вопросов и ответов и для использования в качестве функции вознаграждения при RLHF. Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Она обучена на наборах сравнений WebGPT, резюме и синтетических инструкций. В README приведена точность на проверочных выборках, но отдельно отмечено, что результаты на синтетических парах могут быть завышены из-за поверхностных признаков. Лицензия — MIT.

OpenAssistant/reward-model-deberta-v3-large — модель вознаграждения на базе DeBERTa-v3-large, разработанная OpenAssistant и обученная на сравнениях ответов, оценённых людьми. По вопросу и сгенерированному ответу модель оценивает, насколько ответ предпочтителен; её предназначение — оценка ответов в системах вопросов и ответов и выдача сигнала вознаграждения для RLHF. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и работает с контекстом до 512 токенов. В карточке указаны английский язык и наборы данных с человеческими сравнениями ответов и синтетическими парами инструкций. Условия использования определяются лицензией MIT. В README приведены точности на валидационных выборках WebGPT, Summarize from Feedback и синтетического набора, однако авторы отмечают, что последний может содержать поверхностные шаблоны, упрощающие различение ответов. Поэтому оценки модели могут зависеть от распределения данных и не гарантируют качества человеческого суждения для произвольных ответов.

OpenAssistant/reward-model-electra-large-discriminator — модель вознаграждения, разработанная OpenAssistant и обученная на человеческих предпочтениях. Она оценивает ответы на вопрос, чтобы определить, какой из них предпочтительнее; её можно применять для оценки QA-моделей и как функцию вознаграждения в RLHF. Модель использует архитектуру ELECTRA Large с классификационной головой для последовательностей и содержит 433,9 млн параметров. Она принимает текст и выдаёт классификационную оценку; нативная длина контекста составляет 512 токенов. Обучающие данные включают WebGPT Comparisons, Summarize from Feedback и синтетические пары инструкций и ответов. Карточка приводит точность на валидации для нескольких наборов данных, но отмечает, что различение синтетических пар может опираться на поверхностные закономерности. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0. Её оценки могут зависеть от распределения и артефактов обучающих данных, поэтому результат не следует считать универсальным суждением о качестве ответа.

ReXNet-150 — свёрточная модель классификации изображений из семейства ReXNet, опубликованная авторами работы «Rethinking Channel Dimensions for Efficient Model Design» и представленная в библиотеке timm. Модель обучена на ImageNet-1k и содержит около 9,7 млн параметров; рекомендуемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Компактный размер и вычислительная стоимость около 0,9 GMAC делают её подходящей для эффективных задач компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

nahiar/sentiment-analysis-v2 — модель классификации тональности текстов из социальных сетей, разработанная на основе XLM-RoBERTa-Base. Она определяет положительную, нейтральную или отрицательную тональность и предназначена для публикаций и комментариев на индонезийском и английском языках, в том числе в Twitter/X, Instagram, TikTok, Facebook и на форумах. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Доступна в формате safetensors и запускается через библиотеку Transformers. В README сообщаются accuracy 0,8527, macro F1 0,8525 и weighted F1 0,8525 на отложенной валидационной выборке со сбалансированным распределением тональности. Модель можно применять для анализа тональности публикаций, фильтрации комментариев и контроля качества контента. Она дообучена на FacebookAI/xlm-roberta-base и распространяется по лицензии Apache-2.0. Качество может снижаться на очень коротких или неоднозначных сообщениях; модель не оптимизирована для формальных текстов и может быть подвержена смещениям. README называет задачу классификацией по трём классам, хотя в перечне ограничений ошибочно указано «Binary classification».

Sentiment-xDistil — англоязычная модель на базе xtremedistil-l12-h384-uncased, дообученная для классификации тональности новостных заголовков. Её создали как инструмент для фильтрации финансовых новостей вместе с моделью Topic-xDistil. Модель относит заголовок к одному из трёх классов: Negative, Neutral или Positive. Оценка тональности отражает предполагаемое влияние новости на экономику или описанный актив. Обучающие данные включали более 300 тысяч новостных заголовков и твитов, размеченных с помощью ChatGPT 3.5; на тестовой выборке из 17 527 примеров заявлены точность 94,59% и F1 93,44%. Модель построена на архитектуре BERT для классификации последовательностей, содержит 40 млн параметров и поддерживает контекст до 512 токенов. Подходит для автоматической сортировки англоязычных финансовых заголовков и анализа новостного потока. Качество зависит от соответствия входных текстов тематике и стилю обучающих данных; показатели из README относятся к указанной тестовой выборке. Лицензия — MIT.

SmallReason-ColBERT (32M) — англоязычный поисковый ретривер с поздним взаимодействием ColBERT, разработанный авторами исследования SmallReason-ColBERT. Модель содержит около 31,9 млн параметров и дообучена на базе mixedbread-ai/mxbai-edge-colbert-v0-32m для поиска по запросам, требующим многошагового рассуждения. Для каждого токена запроса и документа формируются векторы, а релевантность оценивается через MaxSim; дополнительная небольшая головка из 129 параметров взвешивает токены запроса. Контекст модели — 7999 токенов. Модель предназначена для семантического поиска и повторного ранжирования документов, особенно по длинным, сложным и насыщенным символами запросам. В README приведён результат 21,41 mean nDCG@10 на BRIGHT; для использования головки важен специальный загрузчик WeightedColBERT.from_base из сопутствующего репозитория: обычная загрузка PyLate её молча пропускает и даёт базовый вариант с более низким результатом. Модель поддерживает английский язык и распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Многовекторное представление требует больше памяти для хранения документов и вычислений при поиске, чем одно-векторный retrieval. Головка может ухудшать качество на очень коротких запросах; на OBLIQ-Bench модель показывает слабый результат, а обучение опирается на синтетические данные и mined hard negatives, чьи смещения могут наследоваться моделью.

Модель jatinmehra/smolLM-fined-tuned-for-PLAGAIRISM_Detection — англоязычный классификатор для бинарного выявления плагиата в парах предложений. Автор дообучил SmolLM2-135M-Instruct от HuggingFaceTB и адаптировал архитектуру Llama для классификации последовательностей с двумя метками. Модель предназначена для проверки сходства предложений и может применяться при первичном анализе учебных работ. В README сообщается точность 96,20% и F1-мера 0,96 на тестовом наборе из 73 474 примеров; эти показатели относятся к датасету MIT Plagiarism Detection Dataset и не гарантируют такую же точность на других текстах. Модель имеет 134,5 млн параметров, принимает текст, а контекст составляет до 2048 токенов. Распространяется по лицензии MIT.

STAR-QA — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для поиска ответов в документах по аудиту, управлению рисками, комплаенсу и связанным нормативным материалам. Она кодирует текстовые фрагменты в плотные векторы размерности 768 для семантического поиска и кластеризации, в том числе как компонент конвейера RAG. Модель обучена на примерно 18 тысячах пар «вопрос — ответ», сформированных из двухпредложных фрагментов документов с помощью LLM; при дообучении применялась MultipleNegativesRankingLoss. В README приведено сравнение с базовой моделью на отложенной выборке STAR-QA, где STAR-QA показала более высокие значения Precision@3, Recall@3 и MRR@10. Архитектура MPNet содержит 136,7 млн параметров, максимальный контекст — 514 токенов. Модель подходит для поиска релевантных фрагментов по запросам и группировки похожих текстов в профильных корпусах. Она создаёт эмбеддинги, а не готовые ответы; качество за пределами описанных областей и оценки на выборке STAR-QA не подтверждены. Лицензия — Apache-2.0.

StoryEmb — модель для построения представлений художественных историй, опубликованная авторами статьи «Story Embeddings — Narrative-Focused Representations of Fictional Stories». Это дообученный вариант на базе intfloat/e5-mistral-7b-instruct, обученный на дополненных данных. Модель предназначена прежде всего для поиска историй со схожим повествованием; при использовании рекомендуется добавлять префикс задачи «Retrieve stories with a similar narrative to the given story: ». Репозиторий также содержит веса адаптера для дальнейшего дообучения. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Доступный формат весов — safetensors. Лицензия — MIT. Карточка описывает специализированное применение для поиска историй, но не сообщает оценки качества и подробностей об ограничениях на длину входных историй.

Модель HassanB4/t2_s4_camelbert_text_target — классификатор арабских публикаций по отношению к заданной теме, созданный для Track 2 соревнования StanceEval-2026 командой NAMAA Community. На вход она принимает арабский твит и целевую тему, а на выходе определяет позицию автора: поддержка (Favor), несогласие (Against) или нейтральное, не относящееся к теме либо неясное отношение (None). Это дообученная модель CAMeL-Lab/bert-base-arabic-camelbert-da на основе архитектуры BERT, с 136,3 млн параметров и контекстом до 512 токенов. Она обучалась на данных Track 2 из набора Mawqif-v2 и предназначена для обобщения на темы, которые не встречались при обучении. На отладочной выборке указана метрика Favg2 74,98. Модель подходит для автоматического анализа позиции в арабских сообщениях по заданным темам. Она рассчитана на арабский язык и классификацию тональности позиции, а не на свободную генерацию текста. Распространяется по лицензии Apache-2.0; результат на отладочной выборке не гарантирует такое же качество на других источниках, диалектах или темах.

Это модель классификации изображений EfficientNet-B2 из семейства timm. Её обучили авторы работ по EfficientNet и Noisy Student на ImageNet-1k и неразмеченных данных JFT-300M, а затем перенёс в PyTorch Росс Уайтман. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит около 9,1 млн параметров, требует изображения размером 260 × 260 пикселей и имеет вычислительную стоимость около 1,0 GMAC. Карточка также описывает извлечение признаков и эмбеддингов, но не приводит метрик качества или сведений о поддержке языкового ввода. Модель рассчитана на визуальные задачи ImageNet-1k; её применение к другим наборам данных может потребовать адаптации.

UltraRM-13B — модель оценки вознаграждения, разработанная OpenBMB для исследований выравнивания языковых моделей. Она основана на LLaMA 2 13B и дообучена на смеси UltraFeedback, Anthropic HH-RLHF, Stanford SHP и Summarization. Модель оценивает текстовые ответы по предпочтениям и предназначена, в частности, для сравнения вариантов ответа и выбора лучшего при best-of-N генерации. Модель имеет плотную архитектуру LlamaRewardModel с 12,9 млрд параметров, принимает текст и выдаёт оценку предпочтительности. Указанная длина контекста — 4096 токенов. В README сообщается о результатах на открытых наборах тестов предпочтений и об использовании в экспериментах по выравниванию; конкретные языки не перечислены. Лицензия — MIT.

Vietnamese Legal Embedding — модель эмбеддингов текста, разработанная bqbbao6 на базе intfloat/multilingual-e5-base и дообученная для поиска по юридическим документам на вьетнамском языке. Она сопоставляет запросы с релевантными фрагментами законов и нормативных актов, чтобы находить материалы для ответа на правовые вопросы и использовать их в системах RAG. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для поиска рекомендуется добавлять к запросам префикс «query: », а к фрагментам корпуса — «passage: ». Модель обучалась на 250 000 тройках запросов и фрагментов в разных областях вьетнамского права. README сообщает о результатах оценки на наборе GreenNode/zalo-ai-legal-text-retrieval-vn, где модель превзошла указанные базовую и вьетнамскую модели сравнения. Модель рассчитана на поиск по текстам на вьетнамском языке без предварительной сегментации слов; для пайплайнов с сегментацией автор предлагает отдельную версию. Результат — векторные представления, которые следует использовать для семантического поиска и ранжирования фрагментов. Лицензия в предоставленных сведениях не указана.

ViLegalBERT-ext — вьетнамская языковая модель для юридических текстов, разработанная как продолженное предобучение Qualcomm-AI-Research/BamiBERT. Это encoder архитектуры BERT-base с 12 слоями и целью masked language modeling в стиле RoBERTa; модель содержит около 103 млн параметров и принимает последовательности длиной до 2048 токенов. Токенизатор byte-level BPE позволяет обрабатывать исходный вьетнамский текст без отдельной предварительной сегментации слов. Модель предназначена для заполнения пропусков и как основа для дообучения на юридическую классификацию документов, распознавание именованных сущностей, ответы на вопросы и поиск по правовым материалам, а также сопоставление сходных текстов и пунктов договоров. Она обучена на очищенном корпусе вьетнамских юридических текстов объёмом 20,57 ГБ, около 7,15 млрд токенов. Для открытой генерации текста модель не предназначена. Лицензия указана как other. Известные ограничения: возможна слабая работа с нестандартными диалектами вьетнамского языка и влияние временного сдвига понятий; всесторонняя оценка на общих задачах не проводилась, а результаты downstream-бенчмарков ещё не опубликованы.

Это вариант модели CLIP от OpenAI с визуальным энкодером ViT-B/16 и текстовым энкодером на основе Transformer с masked self-attention. Энкодеры обучены сопоставлять изображения и текст по контрастивной функции потерь. Репозиторий предназначен для загрузки через timm и OpenCLIP; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель подходит для извлечения признаков изображений и классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Её могут использовать исследователи для изучения обобщения и устойчивости компьютерного зрения; прикладное использование требует тщательной проверки на конкретной задаче и фиксированной таксономии классов. Модель рассчитана на английский язык. CLIP может хуже справляться с тонкими различиями между классами и подсчётом объектов; результаты и смещения могут меняться в зависимости от формулировки категорий, а оценки выявили различия между демографическими группами. Распознавание лиц и задачи наблюдения исключены из допустимых сценариев, а развёртывание модели карточка не рекомендует.

unslothai/vram-40 — модель на архитектуре Llama, опубликованная Unsloth. Карточка Hugging Face указывает задачу извлечения признаков и использование через Transformers как `AutoModel` с токенизатором. Назначение модели — получать числовые представления входного текста для последующей обработки. Доступные сведения не подтверждают её размер, языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.

Карточка модели MiniMaxAI/VTP-Base-f16d64 на Hugging Face совпадает с карточкой MiniMaxAI/VTP-Large-f16d64, поэтому описание составлено по ней. VTP-Large-f16d64 — крупный визуальный токенизатор, обученный командой MiniMax совместно с исследователями Huazhong University of Science and Technology. Модель реализует подход Visual Tokenizer Pre-training (VTP): совместно оптимизирует контрастивное обучение изображений и текста, самообучение и реконструкцию, чтобы формировать латентные представления изображений с семантической информацией. Модель предназначена для извлечения признаков изображений, классификации без примеров и с линейным пробингом, реконструкции изображений и подготовки латентных представлений для генеративных моделей, включая DiT. В отчёте авторы приводят точность zero-shot-классификации 78,2, rFID 0,36 и ускорение сходимости генерации в 3 раза по сравнению с рассмотренными методами дистилляции. Репозиторий содержит веса в формате safetensors; для использования предлагается библиотека Transformers. Авторы отмечают, что работа ещё продолжается. Для модели указана лицензия other, поэтому условия использования следует проверять в материалах проекта перед внедрением. README описывает визуальные сценарии, но не приводит сведения о поддержке текстового входа в самой модели.

spencercdz/xlm-roberta-sentiment-requests — дообученная модель XLM-RoBERTa на базе cardiffnlp/twitter-xlm-roberta-base-sentiment, созданная для анализа сообщений в социальных сетях во время чрезвычайных ситуаций. Общий текстовый энкодер передаёт представление текста двум классификационным головам: одна определяет тональность (положительная, нейтральная или отрицательная), другая предсказывает категории, связанные с бедствиями и гуманитарными запросами. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors. Модель предназначена для сортировки обращений за помощью, оценки обстановки и выявления потребностей для планирования гуманитарного реагирования. Она обучена на наборе disaster_response_messages с более чем 26 тысячами сообщений и может классифицировать их по 37 категориям, а также определять жанр сообщения. На тестовой выборке указаны micro-F1 0,724 и macro-F1 0,351. Для работы с двумя выходными головами требуется специальный код: стандартный pipeline text-classification из Transformers напрямую не подходит. Низкая точность по подмножеству меток (subset accuracy 0,259) и macro-F1 указывают, что результаты по отдельным категориям могут быть неоднородными. Лицензия в предоставленных данных не указана.

hharsha/agentic-github-tagger — компактная модель генерации тегов, разработанная на базе T5-small и дообученная автором карточки на датасете hharsha/agentic-github-meta с помощью LoRA; адаптер затем объединён с базовыми весами. Модель преобразует текстовые описания проектов в стиле GitHub в список тегов через text-to-text генерацию и предназначена для каталогов проектов в областях агентных систем, RAG и LLMOps. Модель построена на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров по метаданным и имеет контекст 512 токенов. Она принимает текст и выдаёт текст, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Компактный размер делает её подходящей для запуска на CPU и автоматических подсказок тегов для карточек проектов. Теги могут повторяться или быть неполными; модель не предназначена для разметки в критически важных сценариях.