I.11Классификация, ранжирование и сопоставление

ERNIE 2.0 Base English — плотная модель Baidu на архитектуре ERNIE, выпущенная в формате PyTorch и преобразованная из официальной модели PaddlePaddle. В README ERNIE 2.0 описана как framework непрерывного предварительного обучения с последовательным добавлением задач и многозадачным обучением; этот репозиторий предоставляет английскую базовую модель с 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена для извлечения признаковых представлений текста, которые можно использовать как основу для последующей обработки или адаптации. В статье о семействе сообщается о результатах выше BERT и XLNet на 16 задачах, включая английские тесты GLUE; эти результаты относятся к экспериментам семейства, а не обязательно к этому чекпойнту отдельно. Для загрузки указаны AutoTokenizer и AutoModel из Transformers. Репозиторий содержит преобразованные веса PyTorch; лицензия в предоставленных данных не указана.

jhu-clsp/ettin-encoder-17m — англоязычная модель-энкодер из набора Ettin, разработанного исследователями Johns Hopkins University. Это компактная модель с 16,8 млн параметров на архитектуре ModernBERT, обученная методом masked language modeling; она предсказывает замаскированные токены в тексте. По описанию набора, модели Ettin обучались на общей открытой смеси данных и предназначены для сопоставления энкодерных и декодерных архитектур. Для этой версии README указывает размер XXS и сценарии мобильных и периферийных устройств. Модель подходит для заполнения пропусков в английском тексте и как основа для задач классификации и получения эмбеддингов после соответствующей настройки. В метаданных указаны контекст до 7 999 токенов, форматы PyTorch и ONNX и лицензия MIT. В README заявлены сильные результаты семейства Ettin в классификации и поиске, однако конкретные метрики для версии 17M не приведены. Это энкодер для понимания текста, а не генеративная модель для свободного продолжения текста; также она не предназначена для обработки языков, кроме английского, согласно доступным языковым тегам.

ff13/fashion-clip — модель семейства CLIP, представленная в формате ONNX для использования с Transformers.js. Репозиторий содержит веса ONNX и предназначен для запуска модели в веб-среде. По названию модель ориентирована на задачи с изображениями в сфере моды, однако README не описывает обучение, конкретные сценарии или характеристики исходной модели.

Immerwinter/gbert-large-privacy-policy-context — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к темам, перечисленным в карточке: аудитория, контактные данные, контроль, удаление, правовые основания, политика, обработка, цели, сроки хранения, безопасность и конфиденциальность, продажа, передача данных, третьи стороны и права пользователей. Модель принимает текст и возвращает метки классов; архитектура — BertForSequenceClassification, размер — 434,5 млн параметров, контекст — до 512 токенов. В репозитории представлены форматы Safetensors и ONNX. Модель рассчитана на немецкий язык и может применяться для тематической разметки документов о конфиденциальности. Карточка также содержит пометку «English version», но не уточняет, поддерживает ли классификатор английский текст. Лицензия — Apache-2.0. README не описывает качество, набор данных или ограничения классификации.

GraphCode-CErl-codesearch — модель для семантического поиска функций в репозиториях Erlang и C++. Она разработана MatthewsO3 на основе microsoft/graphcodebert-base и дообучена контрастивным обучением для поиска соответствий между запросом на естественном языке и фрагментом кода. Модель использует энкодер GraphCodeBERT с усреднением представлений токенов и L2-нормализацией. Она преобразует запросы и фрагменты кода в векторы общего пространства, которые можно сравнивать по косинусному сходству. Размер модели — 151,8 млн параметров, длина контекста — 514 токенов; для работы используется Transformers. Модель предназначена для построения индекса и поиска релевантных функций в кодовой базе. Обучение охватывало Erlang и C++; инструмент из репозитория также умеет индексировать Python, но модель на данных Python не обучалась, поэтому результаты для него могут быть менее точными. Точность может снижаться для функций без комментариев или документации и неоднозначных запросов; построение больших индексов на CPU медленное. Лицензия — MIT.

IndoBERT-Lite Base phase 2 uncased — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель содержит 136,3 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста, которые можно использовать как основу для задач обработки индонезийского языка и последующего дообучения. Доступны веса PyTorch и TensorFlow; в карточке показано использование через Transformers. Лицензия — MIT. Модель рассчитана на индонезийский текст; качество на других языках и в специализированных областях карточкой не подтверждено.

Gerwin/legal-bert-dutch-english — модель BERT, дообученная автором на юридических текстах на нидерландском и английском языках на основе многоязычной mBERT. Для дальнейшего обучения использовались 184 тысячи нормативных актов, решений, директив и парламентских запросов объёмом около 295 миллионов слов. Модель предназначена для извлечения признаков из юридических текстов и может служить основой для последующей тонкой настройки классификаторов, например для распределения документов по правовым темам. Модель содержит 194,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. В README приведены результаты классификации правовых тем на нидерландском и английском языках и многоклассовой классификации двуязычных документов. Для её использования требуется дообучение под конкретную задачу; результаты зависят от данных и процедуры настройки. Лицензия — Apache 2.0.

Turkish-NLI/legal_nli_TR_V1 — Sentence Transformers модель на базе BERTurk, дообученная на турецком датасете legal_nli_tr_v1 для работы с отношениями между юридическими текстами. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство векторов можно оценивать косинусной мерой. Архитектура использует BERT-энкодер с усреднением токеновых представлений, поддерживает последовательности до 512 токенов и рассчитана на турецкий язык. Модель подходит для поиска семантически близких юридических фрагментов, сравнения текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Обучающий набор содержит около 202 тысяч примеров. В README приведены оценки на sts-dev, включая Spearman по косинусному сходству 0,2431; качество на общих задачах семантического сходства может быть ограниченным. Лицензия — Apache-2.0.

Это многоязычная модель классификации текста, разработанная на базе mBERT и дообученная для выявления текстов, созданных ИИ-ботами в социальных сетях. Для каждого короткого сообщения она возвращает метку и оценку вероятности: LABEL_1 означает текст бота или генеративной модели, LABEL_0 — текст человека. Модель построена на архитектуре BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает до 512 токенов. README указывает поддержку 104 языков; настройка ориентирована прежде всего на арабский, болгарский, каталанский, китайский, английский, французский, немецкий, греческий, итальянский, японский, корейский, персидский, польский, португальский, русский, испанский и украинский. Лицензия — Apache-2.0. Модель предназначена для анализа коротких публикаций и оценки вероятности автоматизированного или сгенерированного текста. Для выявления ботов на уровне аккаунта рекомендуется усреднять оценки минимум по 20 сообщениям и подбирать порог под целевой домен; README приводит порог 0,4 для набора Fox-8-23. Оценки отдельных сообщений менее надёжны. Ограничения включают возможное снижение качества на менее представленных языках, уязвимость к адаптации ботов и риск ошибок на стилях письма и группах, недостаточно отражённых в обучающих данных. Модель не предназначена для длинных документов или принятия юридически значимых решений и решений модерации без проверки человеком.

MFANN 3b версии 0.10 — дообученная модель семейства Phi, разработанная netcat420 на датасете MFANN. Она предназначена для генерации текста и классификации текста с использованием данных MFANN. Модель содержит 3,5 млрд параметров, построена на плотной архитектуре PhiForCausalLM и имеет контекстное окно 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README указана базовая модель MFANN3bv0.9.10.

NanoVDR-Q-ModernBERT-Qwen3VL8B-4096-ML — текстовый энкодер примерно на 152 млн параметров, разработанный командой NanoVDR как башня запросов для визуального поиска по документам. Модель преобразует запрос в L2-нормированный вектор размерности 4096, совместимый с эмбеддингами документов от NanoVDR-D-HiRes-Qwen3VL8B-4096, NanoVDR-D-Fast-Qwen3VL8B-4096 и учительской Qwen3-VL-Embedding-8B. По метаданным это дообученная ModernBERT-base; README описывает дистилляцию по косинусному сходству на кэшированных эмбеддингах учителя. Модель предназначена для поиска релевантных страниц в документах по текстовому запросу, когда важнее качество выдачи, чем минимальная задержка. В README приведены результаты оценки на ViDoRe: в изоляции башни запросов средний NDCG@5 составляет 67,40 против 71,05 у учителя. Модель принимает обычный текст запроса без префикса-инструкции и выдаёт эмбеддинг; изображения она не принимает. Обучающая смесь включает 711 тысяч английских запросов и 778 тысяч переводов на пять европейских языков с латинской письменностью. Эти языки в README не перечислены. Переносимость на китайский, японский, арабский и другие нелатинские письменности не проверялась. Контекст модели по метаданным — 8192 токена. README сообщает, что модель примерно в пять раз медленнее DistilBERT-башни по запросам, но выигрывает у неё 1,04 пункта среднего NDCG@5 в приведённом сравнении. Лицензия — MIT.

VISAI-AI выпустила Human-Finetuned BGE-M3 CCL — дообученную модель BAAI/bge-m3 для поиска релевантных разделов тайского законодательства по запросам. Она основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Модель создаёт плотные и разреженные представления текста, а также многовекторные представления ColBERT; README описывает их использование для поиска и вычисления сходства текстовых пар. Дообучение выполнено на запросах и разделах законов из WangchanX-Legal-ThaiCCL-RAG: положительные примеры сформированы автоматическим поиском BGE-M3 и фильтрацией с помощью BGE-Reranker-v2-m3. На NitiBench-CCL авторы сообщают Recall@10 0,938 и MRR@10 0,809. Модель подходит для поиска по тайским юридическим документам и построения retrieval-компонента RAG. Доступна по лицензии MIT.

allenai/OLMo-2-1124-7B-RM — англоязычная диалоговая модель с 6,9 млрд параметров из семейства OLMo 2, разработанного Allen Institute for AI. Это дообученная версия OLMo-2-1124-7B-SFT: по карточке она прошла supervised fine-tuning и DPO на варианте набора Tülu 3; архитектура — плотная модель для классификации последовательностей, работающая через Transformers и PyTorch. Контекст составляет 4096 токенов. Модель предназначена для диалогов и задач следования инструкциям, включая математические задачи и оценивание ответов. Метаданные относят её к генерации текста и классификации текста; для практического использования reward-моделей карточка рекомендует библиотеку Open Instruct, поскольку поддержка в Transformers требует регистрации класса Olmo2ForSequenceClassification. Лицензия — Apache 2.0. Основной язык — английский. Карточка предупреждает, что у моделей OLMo-2 ограничено обучение безопасности, поэтому ответы могут быть проблемными, особенно при соответствующих запросах; автоматической фильтрации ответов нет.

A karsar által közzétett, Sentence Transformers formátumú, 124,3 млн параметртэй BERT-модель дообучена на hu_legal_dataset на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует венгерские юридические предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной мерой. Модель подходит для семантического поиска и сравнения юридических текстов, поиска перефразирований, кластеризации и классификации. Архитектура использует mean pooling, формат весов — safetensors. В README указана максимальная длина последовательности 128 токенов, а метаданные указывают нативный контекст 512 токенов. Лицензия Apache-2.0. Модель рассчитана на венгерский язык и юридические документы; результаты для других языков и областей не подтверждены. Для входа и выхода за указанный предел последовательности потребуется учитывать усечение текста.

MaziyarPanahi/phi-2-logical-sft — дообученная Maziyar Panahi модель Microsoft Phi-2 на наборе Open-Platypus. Она предназначена для генерации текста с акцентом на логические задачи и рассуждения, а также может применяться для ответов на вопросы и задач общего текстового помощника. Модель построена на плотной архитектуре PhiForCausalLM, содержит 3,5 млрд параметров и поддерживает контекст до 4096 токенов. Для использования указаны форматы PyTorch и Safetensors; автор также подготовил отдельную квантованную версию GGUF. Карточка приводит результаты оценки: loss 1,0075, среднее значение Open LLM Leaderboard 61,50, включая 61,35 на AI2 Reasoning Challenge и 75,14 на HellaSwag. Базовая Phi-2 описана как англоязычная модель, поэтому основное применение этой версии — англоязычная генерация и рассуждения. Модель распространяется по лицензии MIT.

Карточка модели nityaak/phi4mini-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/phi4mini-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

PropagandaDetection — модель классификации текста на базе Transformer-архитектуры DistilBERT, представленная IDA-SERICS. Она дообучена на обучающей выборке SemEval 2023 Task 3 для выявления пропаганды в тексте. Модель принимает текст и выдаёт результат классификации; контекст составляет до 512 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель предназначена для автоматического анализа текстов на предмет пропагандистского содержания, например для разметки материалов или поддержки исследовательского анализа. В метаданных указан английский язык. Условия лицензирования в доступных сведениях не описаны.

QuantOsimo Curriculum Embeddings v1 — дообученная модель Sentence Transformers, созданная Samuel Osagiede для поиска учебного контента в платформе QuantOsimo. Она преобразует текстовые фрагменты в нормализованные векторы размерности 384 и предназначена для семантического поиска и сравнения предложений и абзацев в RAG-сценариях. Модель основана на sentence-transformers/all-MiniLM-L6-v2 и дообучена на 1 077 учебных триплетах, составленных по фрагментам официальных спецификаций AQA, Edexcel и OCR для математики и естественных наук на уровнях KS2–KS5. В архитектуре используются BERT-энкодер, mean pooling и нормализация; сходство измеряется косинусной метрикой. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель рассчитана на поиск материалов британской школьной программы и может быть полезна для подбора источников к вопросам учеников и преподавателей. В README приведены высокие результаты на триплетной оценке, но они относятся к указанным учебным данным и не гарантируют качество на других предметах, программах или языках. Репозиторий не сообщает лицензию.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-4B, разработанная Jackrong. Модель ориентирована на задачи рассуждения: математику, текстовые задачи, логическую дедукцию, общие знания и выполнение инструкций. Также заявлена переносимость навыков рассуждения на программирование, хотя код не был основным направлением обучения. Поддерживаемые языки — английский, китайский и корейский; в карточке модель помечена как image-text-to-text, однако подробности о фактических возможностях обработки изображений не приведены. Модель содержит 4 млрд параметров и обучалась на более чем 14 000 образцах рассуждений в стиле Claude 4.6 Opus, включая наборы nohurry/Opus-4.6-Reasoning-3000x-filtered, Jackrong/Qwen3.5-reasoning-700x и Roman1111111/claude-opus-4.6-10000x. Версия v2 использует переработанную структуру рассуждений, направленную на сокращение избыточных цепочек и повышение эффективности вывода. По приведённым данным, средняя длина рассуждений снизилась на 33,77%, а эффективность на единицу длины рассуждения выросла на 41,54% для HumanEval и на 43,15% для HumanEval+. Основное преимущество модели — более экономичное и стабильное многошаговое рассуждение при сохранении широкого применения. Ограничение состоит в том, что по абсолютной точности HumanEval и HumanEval+ она уступает базовой Qwen3.5-4B: 0,7317 против 0,7683 и 0,6951 против 0,7256 соответственно. Контекстное окно, точная архитектура и аппаратные требования в README не указаны. Модель распространяется по лицензии Apache-2.0.

ResNeXt-101 32x4d — сверточная модель классификации изображений из библиотеки timm. Авторы статьи сначала обучили её на хештегах Instagram-1B методом полу-слабого обучения, затем дообучили на ImageNet-1k. Модель содержит 44,2 млн параметров и использует групповые свёртки в bottleneck-блоках; для классификации рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для отнесения изображений к категориям ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В карточке приведены варианты применения через timm и сравнительные метрики, но результаты для этой модели отдельно не указаны. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель обучена для классификации ImageNet-1k, поэтому её классы и качество могут не соответствовать специализированным или отличающимся от ImageNet изображениям.

RewardAnything-8B-v1-f32-GGUF — модель оценки ответов с 8 млрд параметров в формате GGUF, представленная prithivMLmods. Она основана на дообученной Qwen3-8B и предназначена для оценки ответов по принципам и критериям, заданным на естественном языке. Критерии можно менять во время работы без повторного обучения модели. Модель поддерживает текстовую генерацию и диалоговый режим. В README заявлены обобщение на новые критерии оценки, объяснение решений и применение в конвейерах RLHF, включая PPO и GRPO. Доступны варианты BF16, F16 и F32; файл F32 занимает 32,8 ГБ. Лицензия — Apache-2.0. Вариант GGUF рассчитан на локальный запуск, пакетную обработку и интеграцию с Ollama или Hugging Face. Качество и скорость зависят от выбранного файла и оборудования; заявленные результаты на RM-Bench и RABench приведены в README без численных подробностей.

gaotang/RM-R1-DeepSeek-Distilled-Qwen-7B — языковая модель для оценки предпочтений между двумя ответами. Она сначала генерирует структурированные критерии или цепочку рассуждений, затем выносит вердикт о предпочтительном ответе. Модель разработана в рамках проекта RM-R1; этот вариант дообучен на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2 с 7,1 млрд параметров. Модель предназначена для оценки ответов в сценариях RLHF и RLAIF, автоматического судейства диалогов и ответов на открытые вопросы, а также исследований объяснимой оценки и проверки рассуждений. Контекст составляет 131 072 токена. Карточка указывает поддержку английского языка и диалоговый режим; модель выдаёт текстовые обоснования и предпочтение. Репозиторий содержит веса Safetensors для Transformers. Лицензия MIT. Заявленные в карточке преимущества относятся к бенчмаркам оценки reward-моделей; фактическое качество может зависеть от типа ответов и способа использования модели. Для применения в оптимизации политик её следует использовать как оценщик пар ответов.

Модель ynie/roberta-large-snli_mnli_fever_anli_R1_R2_R3-nli — крупная предобученная RoBERTa-Large для классификации логических отношений между парой текстов. Её обучил Yixin Nie на наборах SNLI, MNLI, FEVER-NLI и состязательных примерах ANLI раундов R1–R3. Размер модели — 454,1 млн параметров, максимальная длина контекста — 514 токенов; доступны варианты весов PyTorch и Flax. Модель предназначена для задач inference по текстовым парам: определения, следует ли гипотеза из посылки, противоречит ли ей или не связана с ней. Её можно применять для проверки утверждений и оценки текстовых гипотез, в том числе на сложных примерах естественного языка. Лицензия — MIT.

Модель alisawuffles/roberta-large-wanli — дообученная на наборе WANLI модель RoBERTa-large для классификации текстовых пар в задаче вывода на естественном языке (NLI). WANLI — набор данных, созданный в сотрудничестве людей и ИИ. Модель подходит для определения, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. В карточке сообщается, что модель превосходит roberta-large-mnli на восьми тестовых наборах вне обучающего домена, включая результаты на HANS и Adversarial NLI. Это делает её полезной для оценки отношений между предложениями в условиях, отличающихся от обучающих. Модель основана на архитектуре RoBERTa-large, содержит около 454,1 млн параметров и имеет контекст длиной 514 токенов. Она принимает текст и выдаёт метки классов. Лицензия в предоставленных данных не указана.

SAIL-7B — мультимодальная модель ByteDance-Seed для задач зрения и языка. Это единая плотная Mistral-архитектура на 7,1 млрд параметров: модель кодирует исходные пиксели и генерирует текст в рамках одной архитектуры, без предварительно обученного визуального энкодера. Она предназначена для задач, где нужно отвечать на вопросы об изображениях и связывать визуальную информацию с текстом; авторы также сообщают о сильных визуальных представлениях, включая результаты в семантической сегментации. Модель работает через Transformers, использует формат PyTorch и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

Funnel Transformer Small — предварительно обученная модель семейства Funnel Transformer, представленная в научной работе и выпущенная авторами модели. Это компактная плотная трансформерная архитектура с конфигурацией B4-4-4 и декодером; модель обучалась на английских текстах без меток с целью распознавать заменённые токены. Она регистронезависимая и рассчитана на контекст до 512 токенов. Модель извлекает контекстные представления английского текста, которые можно использовать как признаки для классификаторов и других задач обработки целых предложений или токенов. Основные сценарии — подготовка признаков для классификации последовательностей, классификации токенов и ответов на вопросы; для генерации текста модель не предназначена. Доступны веса в форматах PyTorch и TensorFlow. Модель предобучена на BookCorpus, английской Википедии, ClueWeb, GigaWord и Common Crawl. Карточка рекомендует дообучать её под конкретную задачу; качество и пригодность для целевых данных зависят от такого дообучения. Лицензия — Apache-2.0.

HassanB4/t2_s1_marbert_text_target — арабоязычный классификатор выявления позиции автора твита по отношению к заданной теме, созданный для Track 2 (Unseen Targets) соревнования StanceEval-2026 командой NAMAA Community. Модель дообучена на UBC-NLP/MARBERTv2; архитектура — BERT для классификации последовательностей, размер — 190 млн параметров, максимальный контекст — 512 токенов. На вход подаются арабский твит и целевая тема, на выходе — одна из трёх меток: Favor (поддержка), Against (противодействие) или None (нейтральная, нерелевантная либо неясная позиция). Модель обучалась на данных Mawqif-v2 и оценивалась на темах, не встречавшихся при обучении; результат на dev-наборе — 82,08 Favg2. Лицензия — Apache-2.0.

Tongue — компактная модель идентификации языка от desert-ant-labs, предназначенная для определения языка коротких строк на устройстве. Она классифицирует текст длиной до 512 символов и выдаёт ранжированные коды ISO 639-1/639-3 с вероятностями и оценкой надёжности. Модель охватывает 84 языка: 59 распознаются по лексическим признакам, ещё 25 — по письменности; поддерживается 31 письменность. Для обработки используются нормализация, хеширование и маршрутизация по письменности на стороне приложения, а ONNX-граф содержит классификационную голову. Поставляются варианты весов int8 размером 2,01 МиБ и int4 размером 1,01 МиБ, а также граф ONNX в fp32 размером 8,4 МБ. По приведённым в карточке тестам точность особенно высока на коротких фразах и предложениях; вариант int4 немного уступает на очень коротком вводе. Модель рассчитана на офлайн-работу в браузерах, мобильных и настольных приложениях. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

transformers-ud-japanese-electra-base-discriminator — японская модель семейства ELECTRA, разработанная Megagon Labs и предварительно обученная примерно на 200 млн предложений из японской части корпуса mC4. Архитектура соответствует ELECTRA Base: 12 слоёв, скрытое представление размерности 768 и 12 голов внимания; число параметров — около 136,4 млн. Для токенизации используется SudachiTra с подсловным токенизатором WordPiece, максимальная длина контекста — 512 токенов. Модель предназначена для задач понимания японского текста и может служить дискриминатором ELECTRA или основой для дальнейшей адаптации под прикладные NLP-задачи. Это базовая модель предобучения, а не готовая диалоговая система. Репозиторий содержит веса PyTorch; лицензия — MIT.

Tulu V2.5 70B RM — англоязычная модель оценки ответов, разработанная Allen Institute for AI (AI2) как часть семейства Tulu. Это плотная модель на архитектуре Llama с 68,7 млрд параметров и контекстом 4096 токенов; она дообучена на базе allenai/tulu-2-70b с использованием данных UltraFeedback и предназначена для оценки предпочтительности ответов при обучении с подкреплением, в частности PPO. Модель принимает текстовые сообщения в шаблоне чата и выдаёт оценку, пригодную для ранжирования ответов. Модель рассчитана на исследовательские и обучающие сценарии: построение конвейеров RLHF, оценку вариантов ответа и эксперименты с обучением по предпочтениям. Карточка указывает английский язык и лицензию Apache 2.0. Хотя в README сказано, что модель является исследовательским артефактом, по критериям каталога это применимая исследовательская модель, а не промежуточный экспериментальный чекпойнт.