I.11Классификация, ранжирование и сопоставление

sahilchachra/Laya-TypedDecisions-MXFP8 — квантованный MXFP8 вариант энкодерной основы Typed-Decisions из convaiinnovations/laya для запуска через MLX на Apple Silicon. Модель основана на ModernBERT-large: в README указаны 421 млн параметров, 1024 скрытых измерения и 28 слоёв; метаданные каталога приводят 394,7 млн параметров. Контекст в метаданных — 8192 токена, тогда как README указывает 1024 токена для исходной архитектуры. Репозиторий содержит только двунаправленный энкодер, а не отдельную голову принятия решений из Laya. Его можно применять для извлечения признаков из текста или как основу для собственной MLX-головы; это не модель для генерации текста, чата или прямого вызова API принятия решений Laya. README сообщает о проверке численного соответствия исходной модели и о расхождениях при квантовании: в одном из трёх тестовых вопросов MXFP8 изменил лучший ответ. Для чувствительных к точности оценок автор рекомендует исходные bf16/fp32 веса. Лицензия в предоставленных источниках не указана.

Llama-3.1-70B-Instruct-RM-RB2 — модель оценки предпочтений, разработанная Allen Institute for AI и выпущенная в составе набора reward-моделей для бенчмарка RewardBench 2. Это дообученный классификатор на архитектуре Llama 3.1 с 69,5 млрд параметров, который обрабатывает текст и присваивает оценку для бинарного сравнения предпочтений; его используют при оценке ответов языковых моделей, отборе вариантов Best-of-N и разработке обучения с подкреплением PPO. Модель обучалась на данных предпочтений, включая смеси датасетов Tulu 3 и Skywork Reward Preference. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. В RewardBench 2 основная версия набрала 76,1 балла; показатели различаются по категориям оценки. Модель предназначена для скоринга и классификации, а не для генерации ответов ассистента. Для использования требуется соблюдать Llama 3.1 Community License Agreement.

shtoshni/longformer_coreference_ontonotes — модель Longformer-large, дообученная автором репозитория на данных OntoNotes для разрешения кореференции. Она предназначена для анализа документов: связывает упоминания одного и того же объекта или лица в разных частях текста. В README указано, что этот энкодер документов нужно использовать вместе с остальными параметрами модели для выполнения задачи; отдельно он предоставляет извлечения признаков. Модель основана на архитектуре Longformer и содержит 454,1 млн параметров. Максимальная длина контекста — 4098 токенов; формат репозитория — PyTorch. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Marsilia-Embeddings-FR-Base — модель эмбеддингов на архитектуре XLM-RoBERTa, разработанная Sujet AI для поиска по финансовым текстам на французском языке. Она дообучена на 28 880 парах «вопрос — контекст» из Sujet-Financial-RAG-FR-Dataset и предназначена для построения векторных представлений предложений, семантического поиска и извлечения документов в RAG-системах. Модель содержит 305,2 млн параметров, принимает текст длиной до 514 токенов и выдаёт эмбеддинги размерности 768. Для сравнения представлений используется косинусное сходство. В карточке авторов заявлено, что на финансовых задачах модель превосходит некоторые закрытые модели эмбеддингов; оценка проводилась на тестовой части обучающего датасета. Модель распространяется по лицензии MIT. Она специально настроена на французские финансовые тексты, поэтому может хуже работать с другими языками и областями; результаты также зависят от смещений обучающих данных.

Это дообученная модель khadija69/mdeberta_ASE_kgl_large для классификации токенов. Она основана на DeBERTa-v2, содержит около 306 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате TensorFlow. В README указаны результаты обучения: эпоха 5, train loss 0,0984 и validation loss 0,2237. Модель предназначена для разметки отдельных токенов в тексте; конкретная схема меток и целевой сценарий не описаны. Лицензия — MIT.

AbdullahBarayan/ModernBERT-base-reference_AllLang2-Cefr2 — дообученная модель классификации текста на архитектуре ModernBERT, разработанная AbdullahBarayan. Она основана на answerdotai/ModernBERT-base, содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. По названию репозитория модель предназначена для многоязычной классификации с привязкой к уровням CEFR, однако карточка не описывает метки и оценку качества. Модель распространяется в формате safetensors по лицензии Apache-2.0.

codechrl/modernbert-mini — сжатый англоязычный encoder на архитектуре ModernBERT, созданный разработчиком codechrl дистилляцией answerdotai/ModernBERT-base. Модель предназначена как базовый чекпойнт для последующего дообучения под задачи понимания текста; её можно также использовать для заполнения пропусков в тексте. Веса доступны в формате safetensors, лицензия Apache-2.0. Вариант mini использует 6 слоёв Transformer с размером скрытого состояния 768 и содержит около 68,8 млн параметров по метаданным. Контекст составляет до 8192 токенов. В README заявлено сохранение 92,9% качества учительской модели на выбранных задачах GLUE при размере около 46,7% от исходного; дистилляция выполнена на FineWeb-Edu с применением маскированного языкового моделирования и согласования выходных логитов. Это базовый encoder, а не готовый классификатор или чат-модель: для классификации, поиска и других прикладных сценариев его нужно дообучить. README отмечает демонстрационный масштаб вычислений и рекомендует повторную дистилляцию с большим числом шагов и более крупным корпусом для производственного применения.

Molmo2-8B — открытая мультимодальная модель для понимания изображений, видео и наборов изображений, разработанная Allen Institute for AI (Ai2). Она объединяет языковую основу Qwen3-8B с визуальным энкодером SigLIP 2; каталог указывает плотную архитектуру Molmo2 и формат весов safetensors. Модель принимает визуальный материал и текстовые запросы, а ответы формулирует текстом. Модель предназначена для вопросов и ответов по изображениям и видео, описания сцен, подсчёта объектов, указания их местоположения и отслеживания объектов в видео. По данным README, она показывает сильные результаты на коротких видео, подсчёте и создании описаний, а на длинных видео конкурентоспособна. В метаданных указан английский язык; языки кроме него не подтверждены. Репозиторий распространяется по лицензии Apache-2.0. Контекстное окно в предоставленных данных не описано.

allenai/multicite-multilabel-roberta-large — англоязычная модель AllenAI для многометочной классификации цитирований. Она анализирует текст и может назначать ему несколько классов, что подходит для разметки упоминаний цитат в научных публикациях. Модель построена на архитектуре RoBERTa для классификации последовательностей и содержит 454,1 млн параметров; максимальный контекст составляет 514 токенов. Она представлена в формате PyTorch и распространяется по лицензии MIT. Карточка модели не содержит дополнительных сведений о конкретных метках, обучающих данных или качестве классификации.

Nawah-BERT-6M-v2 — компактная арабоязычная модель семейства BERT, разработанная в рамках Project Nawah. Это плотный энкодер с 6,2 млн параметров, обученный с нуля на 15 млрд токенов; используется архитектура BertForMaskedLM с контекстом до 2 048 токенов. Модель предназначена для восстановления скрытых токенов в арабском тексте и может служить компактной основой для последующей адаптации под задачи классификации. В карточке приведены результаты проверки восстановления маскированных токенов и дообучения для проверки правил, контроля отказов и маршрутизации запросов. Для классификации автор рекомендует усреднять представления непустых токенов: модель обучалась на упакованных фрагментах без токена [CLS], поэтому пулер классификатора, инициализированный случайно, не подходит. Доступна под лицензией Apache-2.0.

parity-reranker-juridico-br-v1 — кросс-энкодер, дообученный SamuelMauli на базе cross-encoder/ms-marco-MiniLM-L-6-v2 для ранжирования документов в юридическом домене Бразилии. Он оценивает пару «юридический запрос — кандидатный документ» и подходит для поиска по материалам о государственных закупках, решениях TCU и Lei 14.133/21. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Поддерживает португальский язык; доступны веса Safetensors и формат ONNX для использования через sentence-transformers и Transformers.js. Модель предназначена для переупорядочивания кандидатов в поисковой выдаче, а не для генерации текста. Качество зависит от соответствия запросов и документов обучающим примерам; README указывает на обучающий набор из 313 пар, поэтому перенос на другие юридические задачи или языки может быть ограничен. Лицензия — Apache-2.0.

PreFLMR_ViT-G — мультимодальная модель поиска документов семейства PreFLMR, разработанная LinWeizheDragon. Она принимает текстовый запрос, изображение или их сочетание и извлекает релевантные документы из предварительно индексированного корпуса; модель также подходит как поисковый компонент для систем retrieval-augmented generation и визуальных вопросно-ответных систем с опорой на знания. Архитектура — FLMRModelForRetrieval с визуальным энкодером ViT-G и текстовым энкодером Base-v2; в README для этого варианта указано 2,1 млрд параметров. Модель обучалась на задачах поиска «изображение—текст», «вопрос—текст» и «изображение и вопрос—текст», включая наборы WIT, MSMARCO, OKVQA и другие. Модель рассчитана на англоязычные запросы и мультимодальный поиск, а в карточке приведены результаты оценки на WIT, LLaVA, OVEN, KVQA, IGLUE, Infoseek, E-VQA, OKVQA и MSMARCO. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT. Для работы требуется подготовленный корпус и индекс, а сама модель извлекает документы, но не генерирует итоговые ответы; приведённые результаты относятся к указанным тестовым наборам.

Ertas AI разработала MiniLM L12 cross-encoder как первый этап двухэтапной системы для поиска фрагментов стенограммы перед созданием ответа на запрос по QMSum. Модель оценивает релевантность пары «запрос — текстовое окно» и помогает отобрать фрагменты встречи для последующего суммаризатора. Это дообученная модель на базе cross-encoder/ms-marco-MiniLM-L-12-v2 с архитектурой BERT и примерно 40 млн параметров. Модель обучена на английских запросах и стенограммах встреч из QMSum; рекомендуемый размер окна при обучении и использовании — 375 слов. Контекст ограничен 512 токенами, поэтому более длинные окна могут обрезаться, а размеры, отличные от обучающего, дают входы вне распределения. В опубликованной конфигурации система с этим локатором получила ROUGE-1 35,41 на тестовом наборе QMSum, но README отмечает, что преимущество над протокольной конфигурацией не подтверждено как устойчивое к смене seed. Модель предназначена для английских стенограмм встреч и не проверялась на других типах документов. Релевантность определяется перекрытием с размеченными эталонными фрагментами QMSum. Лицензия — Apache 2.0.

Модель разработана Giovannimaffeo для автоматической генерации юридических дескрипторов по судебным документам на португальском языке. Это дообученная плотная текстовая модель Qwen3.5 с архитектурой Qwen3_5ForCausalLM и 581,4 млн параметров; в карточке указано контекстное окно 262 144 токена. Модель предназначена для обработки португальских судебных документов и создания их тематических юридических описаний. Модель основана на unsloth/Qwen3.5-0.8B и обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation; LoRA-адаптер объединён с базовой моделью. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

Модель Jean-Baptiste/roberta-large-financial-news-sentiment-en — классификатор тональности финансовых новостей на базе RoBERTa-large, дообученный автором на наборе financial_news_sentiment_mixte_with_phrasebank_75. В обучающую выборку вошли предложения из Financial PhraseBank, подтверждённые не менее чем 75% аннотаторов, и около 2 000 вручную размеченных статей канадских финансовых новостей. Модель относит текст к одному из трёх классов: негативному, нейтральному или позитивному. Она предназначена для анализа тональности финансовых новостей, в частности новостей о канадском рынке. В README указаны macro F1 93,25% на общей оценке и F1 83,6% на канадских новостях. Модель содержит 454,1 млн параметров, имеет архитектуру RoBERTa для классификации последовательностей и контекст до 514 токенов. Поддерживаемый язык — английский. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Лицензия — MIT; результаты на канадских новостях заметно ниже общей оценки, поэтому качество для других рынков и типов финансового текста может отличаться.

SafeTechDev разработала AIMS-RU-Binary-Spam-Classifier — бинарный классификатор русскоязычных сообщений, который оценивает вероятность спама. Модель дообучена на DeepPavlov/rubert-base-cased: энкодер BERT использует представление токена [CLS], а классификационная голова выдаёт один логит для класса SPAM. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель предназначена для фильтрации спама и автоматической модерации сообщений, в частности в Telegram-чатах. В README приведены результаты проверки на внешнем датасете alt-gnome/telegram-spam: F1 0,95, precision 0,98 и recall 0,92. Перед подачей рекомендуется нормализовать текст по правилам, использованным при обучении: убирать разрежённое написание и ссылки, заменять гомоглифы, схлопывать повторы букв и приводить текст к нижнему регистру. Модель обучена и проверена на русском тексте; качество на других языках не гарантируется. Она классифицирует отдельное сообщение без учёта контекста переписки. Порог 0,7 можно настроить под данные и требуемый баланс между precision и recall; стандартный Transformers pipeline для text-classification не запускает эту модель напрямую из-за пользовательской классификационной головы.

Patent SBERT-adapt-ub — англоязычная SentenceTransformer-модель для создания эмбеддингов патентных текстов и оценки их семантического сходства. Её разработала Grazia Sveva Ascione из Bordeaux School of Economics, Université de Bordeaux. Модель дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с использованием triplet learning и имеет архитектуру BERT с 25,9 млн параметров. Модель преобразует аннотации, формулы изобретений и другие патентные тексты в плотные векторы размерности 384. Их можно использовать для поиска похожих патентов, кластеризации, картирования технологий и патентного ландшафтного анализа. Максимальная длина последовательности — 512 токенов; модель принимает текст и выдаёт эмбеддинги. Она адаптирована к патентной тематике и предназначена для анализа сходства предложений и абзацев. Качество за пределами патентного домена и результаты оценки в предоставленной карточке не описаны. Лицензия в доступных данных не указана.

pin/senda — модель на базе BERT, дообученная Институтом Александры для анализа тональности датских текстов. Она присваивает тексту одну из трёх меток: положительная, нейтральная или отрицательная тональность. Модель обучалась и тестировалась на размеченных твитах; её можно использовать для классификации коротких публикаций и других текстов на датском языке. Модель содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса для PyTorch, TensorFlow и Flax. На небольшом тестовом наборе Института Александры указаны accuracy 0,77 и macro-F1 0,73; результаты не гарантируют такого же качества на других источниках текстов. Лицензия — CC BY 4.0.

Spam-Bert-Uncased — англоязычная модель классификации текста, разработанная prithivMLmods на основе google-bert/bert-base-uncased. Модель дообучена на наборе Spam-Text-Detect-Analysis для бинарного распознавания спама и обычных сообщений (Spam/Ham). Архитектура — BERT для классификации последовательностей; размер составляет 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для фильтрации нежелательных сообщений, например SMS или другого короткого текста. В README сообщается о точности 0,9937 и F1 0,9761 на валидации; результаты относятся к указанному набору данных и не гарантируют такую же точность на других источниках. Лицензия — CreativeML OpenRAIL-M.

Это арабоязычный классификатор для определения позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 соревнования StanceEval-2026 командой NAMAA Community и дообучена на ahmedabdelali/bert-base-qarib. В основе — архитектура BERT с классификационной головой; размер модели составляет 162,4 млн параметров, максимальная длина контекста — 512 токенов. На вход модель получает текст твита и целевую тему, а на выходе относит позицию к одному из трёх классов: Favor (поддержка), Against (против) или None (нейтральная, не относящаяся к теме либо неясная позиция). Обучение и оценка проводились на известных модели темах: вакцины от COVID-19, цифровая трансформация и расширение прав и возможностей женщин. На dev-наборе Mawqif-v2 указана метрика Favg2 81,84. Модель предназначена для анализа арабских публикаций и тематического мониторинга. Результат для новых тем или других типов текста карточкой не подтверждён. Лицензия — Apache-2.0.

TahrirchiBERT-small — разработанная командой Tahrirchi компактная модель-энкодер на архитектуре BERT для узбекского языка в латинской письменности. В метаданных указано 80,1 млн параметров, а README сообщает о 67 млн; модель предобучена на корпусе узбекских веб-текстов и узбекских книгах с помощью маскированного языкового моделирования. Она чувствительна к регистру и принимает последовательности длиной до 512 токенов. Модель подходит для предсказания скрытых токенов и как основа для дообучения на классификации последовательностей и токенов, а также на ответах на вопросы. Для токенизации используется байтовый BPE с размером словаря 30 528. Модель распространяется по лицензии Apache-2.0.

ULTRA 3G — модель-основа для рассуждений по графам знаний, разработанная авторами проекта ULTRA. Она предсказывает связи: для запроса вида «сущность — отношение — ?» ранжирует сущности-кандидаты. Модель рассчитана на запуск без дообучения на графах с разными словарями сущностей и отношений; при необходимости её можно дообучить на конкретном графе. Архитектура использует графовые нейронные сети и модифицированные версии NBFNet. Вместо отдельных эмбеддингов сущностей и отношений для каждого графа ULTRA формирует переносимые представления отношений на основе их взаимодействий. В этом чекпойнте около 169 тысяч параметров; он предварительно обучен на трёх графах. Доступен в формате Safetensors, лицензия — MIT. Модель предназначена для дополнения графов знаний и оценки кандидатов на отсутствующие связи, в том числе в сценариях zero-shot. README сообщает о результатах на наборе более чем из 50 графов, но не приводит в предоставленной карточке полные сравнительные таблицы; результат зависит от графа и протокола оценки.

Wav2Vec2 XLS-R Adult/Child Speech Classifier — аудиомодель классификации речи, разработанная Wilson Wongso на основе XLS-R. Модель дообучена на wav2vec2-xls-r-300m для различения речи взрослых и детей. Она принимает аудио и выдаёт класс, определяющий, относится ли речь к взрослому или ребёнку. Модель содержит 402,7 млн параметров, использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в форматах PyTorch и Safetensors. Для оценки автор приводит точность 94,69% и F1 0,9508 на наборе Adult/Child Speech Classification Dataset. Карточка указывает английский язык. Лицензия — Apache-2.0. Данные для обучения были частными, поэтому их состав и репрезентативность проверить нельзя. Автор предупреждает, что модель может наследовать смещения из данных предобучения; результаты классификации не следует считать безошибочным определением возраста говорящего.

Sami92/XLM-R-Large-Sensationalism-Classifier — дообученная Sami92 модель XLM-RoBERTa Large для классификации предложений по признаку сенсационности. Она предназначена для анализа коротких текстов, в частности публикаций в Twitter, и относит их к сенсационным или несенсационным утверждениям. Для обучения использовались аннотированные данные Twitter из работы Ashraf et al. (2024), а оценка проводилась на отложенной тестовой части того же набора. В тесте модель достигла точности 0,86; F1 для сенсационного класса составил 0,71, для несенсационного — 0,91. Модель построена на архитектуре XLM-RoBERTa Large с классификационной головой, содержит около 658,7 млн параметров и рассчитана на последовательности длиной до 514 токенов. Метаданные связывают карточку с немецким языком; базовая XLM-RoBERTa поддерживает множество языков, однако обучение этого классификатора описано на данных Twitter, и отдельная проверка других языков не приведена. Модель опубликована под лицензией CC BY 4.0. Карточка отмечает недостаток сведений о рисках и ограничениях.

puvrocks27/yugioh-semantic-search — модель Sentence-Transformers на базе архитектуры BERT, разработанная для семантического поиска по текстам о Yu-Gi-Oh!. Она преобразует предложения и абзацы в плотные векторы размерности 384; метаданные указывают 40 млн параметров и контекст до 512 токенов. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска текстов по смыслу и группировки похожих описаний, например для поиска карт и материалов по Yu-Gi-Oh!. Для работы доступны Sentence-Transformers и Transformers с соответствующим pooling. Репозиторий содержит веса safetensors. Сведения о лицензии и языковой специализации в предоставленных источниках отсутствуют.

Avey-B Urdu 25M — компактный энкодер для языка урду, разработанный и обученный с нуля для masked language modeling на корпусе HPLT 3.0 Urdu. Модель имеет архитектуру Avey-B и 24,87 млн параметров; это не чат-модель и не генератор свободного текста. Для загрузки в Transformers требуется доверенный пользовательский код (`trust_remote_code=True`).

az-legal-retrieval-xlm — модель эмбеддингов предложений, разработанная для поиска правовой информации в законодательстве Азербайджана. Она основана на XLM-RoBERTa-base и дообучена на более чем 780 тысячах пар «запрос—фрагмент документа» с трудными негативными примерами, отобранными через BM25 и ранжирование cross-encoder. В метаданных указано 305,2 млн параметров и контекст до 514 токенов. Модель кодирует запросы и фрагменты законодательства в векторы для семантического поиска и сопоставления по смыслу. Она предназначена для поиска по корпусу законодательства Азербайджана и может использоваться для построения юридической поисковой системы или retrieval-компонента RAG. В опубликованном тесте на 939 запросах и 262 тысячах законодательных фрагментов она показала MRR@10 0,381, на уровне BGE-m3; эти результаты относятся к описанному набору данных и тесту. Модель использует архитектуру XLM-RoBERTa и формат safetensors. Лицензия — Apache-2.0. Карточка описывает настройку под законодательство Азербайджана; результаты для других правовых корпусов и языков не приведены.

BananaMind V2.5 Content Safety — текстовая модель классификации безопасности контента от Banaxi-Tech, дообученная на основе google/gemma-4-E2B-it на примерах из набора NVIDIA Nemotron 3.5 Content Safety. Она определяет, является ли входной текст безопасным или небезопасным, и для небезопасного текста указывает нарушенные категории. Модель предназначена для классификации запросов и ответов, разметки данных и помощи в проверке контента.

vinai/bartpho-word-base — базовая версия BARTpho-word, разработанная авторами Nguyen Luong Tran, Duong Minh Le и Dat Quoc Nguyen. Это предварительно обученная последовательностная модель на архитектуре BART, использующая схему денойзингового обучения и предназначенная для извлечения признаков из текста на вьетнамском языке. Модель содержит 105,8 млн параметров, имеет контекст до 1024 токенов и распространяется в формате PyTorch. Её можно использовать как основу для получения контекстных представлений текста и построения или дообучения приложений для вьетнамского языка. Лицензия — MIT.

stjiris/bert-large-portuguese-cased-legal-mlm-nli-sts-v0 (Legal BERTimbau) — модель эмбеддингов на архитектуре BERT large, разработанная в рамках проекта IRIS для семантического поиска по решениям Верховного суда Португалии. Она преобразует предложения и абзацы в плотные векторы размерности 1024, пригодные также для сравнения смысловой близости и кластеризации. Модель основана на stjiris/bert-large-portuguese-cased-legal-mlm, юридической версии BERTimbau large, и дообучалась на юридических предложениях, а затем на задачах NLI и семантического сходства с использованием ASSIN, ASSIN2 и STS-B Multi-MT для португальского языка. Размер модели — 433,2 млн параметров, максимальный контекст — 512 токенов. Модель подходит для поиска похожих юридических фрагментов, сопоставления судебных текстов и кластеризации документов на португальском языке. Лицензия — MIT. Она создавалась для юридического поиска в конкретном судебном контексте, поэтому качество на других предметных областях и языках не подтверждено; длина входного текста ограничена контекстом модели.