I.11Классификация, ранжирование и сопоставление

p1atdev/siglip-tagger-test-3 — экспериментальная модель классификации изображений, дообученная разработчиком p1atdev на базе Google SigLIP SoViT-400m. Она предсказывает теги Danbooru по изображению и возвращает подходящие метки с оценками уверенности; можно задать порог, чтобы отфильтровать результаты. Модель содержит около 544,9 млн параметров и распространяется в формате Safetensors. Для обучения использованы 5000 изображений Danbooru и 9517 общих тегов; теги персонажей и рейтинга не включены. Модель подходит для автоматического тегирования иллюстраций и поиска изображений по тегам. Автор отмечает экспериментальный характер модели и не рекомендует использовать её в производственной среде; в README приведены низкие значения loss и accuracy на оценочной выборке, поэтому качество предсказаний следует проверять на целевых данных. Лицензия — Apache-2.0.

Модель nahiar/spam-detection-xlm-roberta-v2 разработана на базе XLM-RoBERTa и дообучена для бинарной классификации текстов социальных сетей на спам и обычные сообщения. Она рассчитана на модерацию публикаций и комментариев в Twitter/X, Instagram, TikTok, Facebook и на форумах, а также на предварительную фильтрацию текста перед анализом тональности или тем. Архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и выдаёт метку класса; README заявляет поддержку индонезийского и английского языков и приводит метрики на отложенной выборке: accuracy 0,9645 и macro F1 0,9639. Модель предназначена для готового применения через Transformers pipeline. Она классифицирует только спам и обычные сообщения, не оптимизирована для формального текста, может хуже работать на очень коротких или неоднозначных сообщениях и сохраняет риск смещения. Лицензия — Apache-2.0.

SwissBERT — маскированная языковая модель ZurichNLP для текстов, связанных со Швейцарией. Она основана на архитектуре X-MOD и содержит 151,8 млн параметров. Модель обучалась на более чем 21 млн швейцарских новостных статей из Swissdox@LiRI; для неё создан специализированный словарь подслов и языковые адаптеры для швейцарского стандартного немецкого, французского, итальянского, ретороманского Grischun и швейцарского немецкого. Максимальная длина контекста — 514 токенов. Основная задача модели — предсказывать пропущенные токены. Её также можно применять для разметки сущностей и частей речи, классификации текстов и получения векторных представлений слов, предложений и документов; генерация связного текста не является её назначением. Модель лучше подходит для письменных текстов о Швейцарии, а на других тематиках и вариантах языка может работать хуже. Предобучающий корпус не был полностью обезличен, поэтому модель могла запомнить опубликованные сведения. Лицензия — CC BY-NC 4.0.

SirSahOl опубликовал конверсию модели togethercomputer/Tev1-0.8B-experimental для локального запуска на Apple Silicon с использованием MLX. Это чат-модель на архитектуре Qwen3_5ForConditionalGeneration с 0,8 млрд параметров и контекстом до 32 768 токенов. Веса представлены в формате safetensors с точностью 16 бит. Модель предназначена для диалоговой генерации текста и структурированных задач принятия решений, где требуется выбрать один из заданных вариантов. Конверсия рассчитана на GPU Apple Silicon и требует около 8 ГБ объединённой памяти. Лицензия указана как неизвестная.

JeremiahZ/TinyBERT_4L_zh_backup — резервная копия официального репозитория модели Tiny BERT 4L zh, доступная для загрузки через Transformers как BertModel. Это компактная модель семейства BERT с 12,6 млн параметров, предназначенная для извлечения признаков из текста. Карточка связывает её с китайским языком; максимальная длина контекста составляет 512 токенов. Модель можно применять как основу для получения контекстных представлений китайского текста в задачах NLP. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия и конкретные результаты оценки в предоставленных данных не описаны.

TT-VidT — разработанный KohakuBlueleaf самоконтролируемый видеоэнкодер для выделения движения. Модель сочетает визуальный путь DINOv3 ViT-B/16, обрабатывающий кадры независимо, и компактный временной путь Temporal Transfer, который передаёт информацию между кадрами с помощью motion-токенов. Эту версию предварительно обучили на OpenVid-1M; она содержит 195,5 млн параметров и принимает последовательность из 8 RGB-кадров размером 256 × 256, рассчитанную на частоту 6 кадров в секунду. Основной выход — вектор движения размерности 768 для каждого кадра. Эмбеддинги подходят для классификации видео и могут использоваться как признаки движения в задачах поиска, описания и генерации видео; перечисленные сценарии за пределами классификации представлены авторами как возможные направления применения. В опубликованной оценке замороженный энкодер показал результаты на нескольких наборах данных распознавания действий. Для загрузки используются PyTorch и Transformers. Веса доступны по лицензии Apache-2.0.

tutran27 разработал sentence-transformers-модель на основе BAAI/bge-m3, дообучив её на парах текстов из вьетнамского правового датасета PhapDien. Модель кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 1024; для сравнения векторов используется косинусное сходство. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. В README указан предел в 768 токенов на последовательность, тогда как метаданные каталога сообщают о контекстном окне базовой модели в 8194 токена. Модель предназначена для семантического поиска и извлечения релевантных правовых положений по запросам, а также для ранжирования текстов по смысловой близости. Обучение на примерах из законодательства Вьетнама делает её подходящей для поиска по документам PhapDien; качество на других корпусах или языках не описано. Лицензия в предоставленных данных не указана.

V-SPLADE — разработанная NAVER и соавторами разреженная модель поиска по визуальным документам. Она находит страницы PDF, слайды и отсканированные отчёты по текстовому запросу, кодируя изображения страниц в разреженные векторы для поиска через инвертированный индекс. Модель содержит 250 млн параметров и использует архитектуру BiModernVBert; доступна в формате safetensors и рассчитана на работу через Sentence Transformers. При обработке запросов применяется обученный Bag-of-Words lookup без запуска нейросетевого кодировщика, а страницы документов проходят через модель. Такой подход предназначен для быстрого построения индексов и масштабного поиска без GPU на этапе обработки запросов. README приводит результаты на визуальных бенчмарках, однако они не гарантируют аналогичного качества на других корпусах. Лицензия Apache-2.0.

hezarai/word2vec-cbow-fa-wikipedia — модель векторных представлений персидских слов, разработанная Hezarai. Она обучена алгоритмом CBOW на данных Википедии и предназначена для извлечения эмбеддингов слов для задач обработки персидского текста. Модель можно использовать как основу для поиска семантически близких слов и других NLP-сценариев, которым нужны векторные представления слов. Для работы автор предлагает библиотеку Hezar. Данные о размере вектора и условиях лицензии в предоставленных источниках отсутствуют.

caeher/xlm-roberta-base-b2-sv — базовая модель XLM-RoBERTa, дообученная разработчиком caeher для многоклассовой классификации испаноязычных текстов на четыре категории: нейтральный текст, оскорбительная речь, язык ненависти и угрозы или насилие. Модель предназначена для анализа публикаций в социальных сетях и служит базовым вариантом для сравнения с моделями, специально обученными на таком языке. Это плотная модель XLM-RoBERTa для классификации последовательностей с 305,2 млн параметров и контекстом до 514 токенов; в описанном эксперименте длина входа ограничивалась 128 токенами. На тестовой выборке указаны macro-F1 0,7949 и accuracy 0,7957, а результаты состязательных и целевых проверок показывают, что качество зависит от формулировок и условий применения. Модель принимает текст и выдаёт метку класса с оценкой. Лицензия — MIT.

BatteryBERT-uncased-abstract — англоязычная модель на архитектуре BERT, разработанная Шу Хуаном и Жаклин Коул для классификации аннотаций научных работ о батареях. Она дообучена на базе batterybert-uncased и рассчитана на классификацию текста, в частности аннотаций из набора batterydata/paper-abstracts. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классов. Модель подходит для автоматической сортировки и тематической разметки аннотаций исследований в области батарей. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка приводит ссылки на оценку качества и примеры использования, но подробности результатов в доступном тексте отсутствуют.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по документам Верховного суда Бразилии (Supremo Tribunal de Justiça). Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 и подходит для поиска семантически близких фрагментов, сравнения текстов и кластеризации. Модель основана на крупной португалоязычной версии BERTimbau, дообученной на юридических текстах и затем на задачах семантического сходства с использованием наборов ASSIN, ASSIN2, STS-B Multi-MT для португальского языка и IRIS STS. Контекст ограничен 512 токенами. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Модель рассчитана на поиск и сопоставление португалоязычных юридических предложений и документов. Для работы с другими языками или задачами качество не подтверждено; при обработке длинных документов их следует разделять на фрагменты в пределах контекстного окна.

Это порт модели prajjwal1/bert-tiny, созданный Sajal Labs: исходные веса и предобучение сохранены, а энкодер BERT и токенизатор WordPiece реализованы на C++ для инференса без Python, PyTorch и transformers. Модель имеет 2 слоя, размер скрытого состояния 128, 2 головы внимания, промежуточный размер 512 и около 4,4 млн параметров; использует словарь из 30 522 токенов и поддерживает контекст до 512 токенов. Репозиторий содержит веса safetensors, экспорт ONNX и файлы формата собственного C++-рантайма. Модель предназначена для извлечения векторных представлений текста и запуска компактного BERT-энкодера в приложениях на C++. В карточке сообщается о совпадении токенизации с оригиналом и близких результатах энкодера, а также о меньшем времени холодного запуска в указанном тесте на Apple M4; результаты бенчмарка относятся к конкретной платформе и сценарию. Базовая модель ориентирована на английский язык. Веса и код порта распространяются по лицензии MIT.

prithivMLmods/Betelgeuse-bert-base-uncased — англоязычная модель семейства BERT на базе архитектуры BertForMaskedLM, предназначенная для предсказания замаскированных токенов и получения контекстных представлений текста. Веса насчитывают 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует uncased-токенизацию WordPiece с словарём из 30 000 токенов и предварительно обучалась на английском корпусе с задачами masked language modeling и next sentence prediction. Модель подходит для восстановления пропусков в тексте и как основа для дообучения классификаторов, разметки токенов и систем ответов на вопросы. Она не предназначена для авторегрессионной генерации текста. Возможны смещения в предсказаниях, унаследованные от обучающих данных. Лицензия — CreativeML OpenRAIL-M.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная разработчиком bnkc123 на базе BAAI/bge-base-en-v1.5 на наборе пар запросов и релевантных ответов по финансовым документам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и извлечения финансовых сведений в RAG-системах. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию векторов; заявленная длина последовательности — до 512 токенов. Matryoshka-обучение позволяет усекать векторы до 512, 256, 128 или 64 измерений с сохранением полезности для поиска. В README приведены результаты поиска на нескольких размерностях, включая cosine accuracy@5 0,8686 для 768 измерений и 0,82 для 64. Модель рассчитана на английские тексты и финансовый контекст; качество за пределами этой области отдельно не подтверждено. Лицензия — Apache-2.0.

prabakar2307/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 пар текстов финансовой тематики на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью до 768 и предназначена для семантического поиска, сравнения текстов и поиска релевантных документов в финансовых материалах. Модель построена на BERT с пулингом CLS-токена и нормализацией векторов; максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с сохранением пригодности для поиска. README приводит результаты оценки информационного поиска на нескольких размерностях, однако они относятся к указанным в карточке наборам оценки. Модель принимает английский текст и выдаёт текстовые эмбеддинги. Лицензия — Apache-2.0. Она предназначена для финансовых текстов и не генерирует ответы; качество для других языков и областей карточкой не подтверждено.

dititce/bge-ft-legis-full — дообученная с помощью LoRA версия BAAI/bge-m3 для задач, связанных с законодательными текстами. Это плотная модель эмбеддингов на архитектуре XLM-RoBERTa размером 658,7 млн параметров с контекстом до 8194 токенов. Она предназначена для извлечения признаков из текста и может применяться для семантического поиска и сравнения сходства фрагментов законодательства. В карточке приведена загрузка через PEFT; доступны форматы ONNX и safetensors. Язык карточки — португальский, поэтому модель ориентирована на законодательные тексты на португальском языке. Лицензия в предоставленных данных не указана.

Bormokrut — русскоязычная модель генерации текста на архитектуре GPT-2, созданная дообучением Bormotuha методом SFT с использованием TRL. Она предназначена для извлечения из текста сущностей, аспектов и ключевого вопроса, а также для маршрутизации вопроса к экспертной области, например медицинской или гуманитарной. Модель содержит 42 слоя, размер скрытого представления 256 и 8 голов внимания; контекст — до 1536 токенов. В карточке приведены примеры извлечения сведений из текста и выбора области для вопроса. Указанные сценарии — узкоспециализированная обработка текста на русском языке. Модель распространяется по лицензии MIT. Короткий контекст ограничивает работу с длинными документами; карточка не приводит оценок качества или подробных сведений о проверке на разных типах входных данных.

SIRIS-Lab/citation-parser-SELECT — модель на базе архитектуры RoBERTa для классификации текста. В метаданных указаны библиотека Transformers, объём 151,8 млн параметров и максимальная длина входа 514 токенов. По идентификатору модели она предназначена для задач, связанных с разбором и классификацией библиографических цитат. Модель может использоваться как компонент конвейеров анализа научных публикаций, например для определения типа или категории фрагментов, связанных с цитированием. README не содержит сведений о разработчике, языках обучения и применения, обучающих данных, результатах оценки или лицензии, поэтому эти характеристики нельзя надёжно определить по предоставленным источникам.

Это компактная модель семейства ConvNeXt для классификации изображений, обученная Россом Уайтменом с использованием библиотеки timm на ImageNet-1k. В README указана основа рецепта ra4 на MobileNetV4-Conv-Small. Модель предназначена для отнесения изображения к классу из набора ImageNet-1k, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Она содержит около 2,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,3 GMACs на обработку изображения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. README не приводит показателей качества именно этой модели; её применение за пределами классификации ImageNet-1k может потребовать дополнительной проверки и адаптации.

Mitchins/deberta-v3-small-literary-explicitness — англоязычная модель классификации текста, разработанная на основе microsoft/deberta-v3-small и дообученная для анализа литературного контента. Она относит текст к одной из семи категорий явности, включая предупреждения о содержании, оскорбительную лексику и сексуальный контент; предназначена для литературных исследований, кураторской работы с текстами и поддержки модерации.

Модель anonymousresearch123/deka-qwen3-emb-0.6b-multipos-lawyer-anompos — полноценно дообученная версия Qwen/Qwen3-Embedding-0.6B для поиска судебных дел Верховного суда Таиланда. Она преобразует запросы и документы в нормализованные текстовые эмбеддинги для семантического поиска и сопоставления предложений. Используются архитектура Qwen3 и библиотека sentence-transformers; число параметров — 507,6 млн, контекст — до 32 768 токенов. Для запросов требуется префикс-инструкция, использованный при обучении, а для документов он не нужен. Модель обучена сопоставлять запросы, сформулированные в регистре lawyer, с текстами фактов и предназначена для поиска по юридическим материалам на тайском языке. В тестах на полном корпусе результат Recall@10 составил 25,24 для регистра lawyer и 27,62 для fact; показатели для user были ниже — 12,38. Репозиторий распространяется под лицензией Apache-2.0.

Это плотная модель текстовых эмбеддингов, созданная Anonymous Research путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел по решениям Верховного суда Таиланда. Она кодирует запросы и документы в векторы для семантического поиска и оценки сходства предложений; для запросов требуется префикс инструкции, использованный при обучении, а документы подаются без него. Модель основана на Qwen3, использует pooling последнего токена с левым дополнением и L2-нормализацию. Размер — 507,6 млн параметров, контекст — до 32 768 токенов; в обучении максимальная длина документов составляла 1300 токенов, запросов — 256. В тесте на полном корпусе для регистра fact достигнуты R@10 28,57 и MRR 0,2309; показатели различаются в зависимости от регистра запросов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

raphaelsty/distilbert-splade — модель на базе DistilBERT, обученная с помощью Sparsembed. В метаданных указана архитектура DistilBertForMaskedLM, форматы PyTorch и Safetensors и максимальный контекст 512 токенов. README отсылает к репозиторию Sparsembed за инструкциями по использованию. Модель предназначена для работы с текстом на английском языке. Метаданные классифицируют её задачу как fill-mask; обучение с Sparsembed также указывает на применение в разреженном поиске и представлении текста. Лицензия в доступных данных не указана.

EVE-Rerank-1.0-Legal — корейский cross-encoder для переранжирования судебных прецедентов в поисковой системе. Модель разработана ysmeta и дообучена на базе dragonkue/bge-reranker-v2-m3-ko; использует архитектуру XLM-RoBERTa для оценки релевантности пары «запрос — документ». Веса опубликованы в формате safetensors, модель содержит 658,7 млн параметров, поддерживает контекст до 8194 токенов; в примере использования задан max_length 512. Модель предназначена для второго этапа поиска: она сортирует найденные документы-кандидаты, повышая релевантные судебные решения в выдаче. В тесте EVE-Bench-Legal-2.0 с корейскими запросами и корпусом из 59 786 прецедентов связка с EVE-Embed-1.1 достигла nDCG@10 0,7721 и поставила релевантный прецедент на первое место для 93,6% запросов. Лицензия — Apache-2.0. Модель настроена на кандидатов, полученных именно от EVE-Embed-1.1; поведение с другими поисковыми моделями не проверено. Она охватывает судебные прецеденты, но не тексты законов, а обучающие метки релевантности созданы LLM и не проверены юристами. Ранжирование помогает находить документы, но не заменяет юридическую консультацию.

Immerwinter/gelectra-large-privacy-policy-content-policy — дообученная немецкоязычная модель ELECTRA Large для классификации текста по темам, связанным с содержанием политик конфиденциальности. README перечисляет категории Audience, Contact, Control, Deletion, LegalBasis, Policy, Processing, Purpose, Retention, Security/Privacy, Selling, Sharing, ThirdParty и UserRights; также упоминается английская версия. Модель принимает текст и выдаёт метки классов. Модель содержит 434,5 млн параметров, использует архитектуру ElectraForSequenceClassification и рассчитана на контекст до 512 токенов. Доступны форматы safetensors и ONNX. Лицензия — Apache-2.0. README не описывает качество классификации, обучающие данные или поддержку английского языка явно, поэтому надёжность и языковой охват за пределами немецкого требуют проверки.

GLiNER2 — модель извлечения информации, дообученная whr778 на синтетическом корпусе synthetic_sonnet5_1k на базе fastino/gliner2-base-v1. Она предназначена для извлечения сущностей, отношений между ними, событий и их аргументов, а также для классификации текста; в метаданных Hugging Face основная задача обозначена как token-classification. Модель использует библиотеку gliner2, а веса доступны в формате safetensors. Это экспериментальный контрольный чекпойнт, обученный на 1 497 записях в течение 10 эпох. В README приведены результаты на синтетическом отложенном тестовом наборе: например, F1 для сущностей — 0,904 строго и 0,933 с допуском, для отношений — 0,657 и 0,745 соответственно. Эти оценки показывают согласованность синтетических данных и не являются заявлением о качестве на публичных бенчмарках или реальных данных. Язык и лицензия обучающего набора не установлены; в метаданных лицензия модели указана как other.

NeuML H.G. BERT Small Embeddings — компактная модель эмбеддингов, дообученная NeuML на базе NeuML/hgbert-small с помощью sentence-transformers. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и построения источников данных для RAG. Архитектура основана на BERT и содержит 25,9 млн параметров; максимальная длина контекста — 512 токенов. Модель специально обучена на парах заголовков и аннотаций исторических англоязычных книг, а также поисковых запросах. Обучение включало MultipleNegativesRankingLoss и генерацию сложных отрицательных примеров; дистилляция не применялась, чтобы снизить риск утечки данных и сохранить сходство, характерное для текстов до 1899 года. В указанной в README оценке на BEIR-совместимом наборе модель показала NDCG 50,12; автор также отмечает возможность работы на CPU. Модель принимает текст и выдаёт векторы, пригодные для сравнения сходства и ранжирования. Она ориентирована на исторические англоязычные материалы и может хуже подходить для современных текстов и других предметных областей. Распространяется по лицензии Apache-2.0.

IndoBERT-Lite Base Model (phase1, 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 предназначена для извлечения контекстных представлений текста, которые можно использовать в прикладных системах обработки индонезийского языка. Модель содержит 136,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия — MIT. Карточка описывает предварительное обучение; качество на конкретных прикладных задачах зависит от последующего использования или дообучения.

kwoncho/KoFinBERT — корейская модель RoBERTa для классификации тональности предложений из корпоративных новостей на положительную, нейтральную или отрицательную. Модель разработана на основе исследования по классификации новостей о компаниях с использованием KoBERT и дообучена для этой задачи; в репозитории указаны 137,8 млн параметров и контекст до 514 токенов. Модель предназначена для анализа важных новостей в финансовой, управленческой и бухгалтерской сферах. Например, она может отличать нейтральное сообщение о росте долга компании от негативного сообщения, где рост связан с провалом стратегии. Для новостей низкой значимости точность может быть ниже; автор указывает F1 0,869 и отмечает, что улучшение относительно результата статьи невелико. Лицензия в предоставленных данных не указана.