I.11Классификация, ранжирование и сопоставление

alt-gnome/spam-detector-v0.2 — русскоязычная модель классификации сообщений на спам и не спам, разработанная alt-gnome на основе RUSpam/spam_deberta_v4. Это дообученная DeBERTa с архитектурой DebertaForSequenceClassification, содержащая 95,2 млн параметров и принимающая текст длиной до 512 токенов. Модель обучалась на пользовательском наборе русскоязычных сообщений; в карточке указаны оптимизатор AdamW, скорость обучения 2e-5, размер пакета 16 и три эпохи.

Это испаноязычная модель классификации последовательностей, созданная дообучением mrm8488/spanish-TinyBERT-betito на датасете XNLI. Она использует архитектуру BERT и содержит 15,7 млн параметров; контекст ограничен 512 токенами. Модель предназначена для классификации текстовых пар в задаче естественно-языкового вывода: оценки отношения между посылкой и гипотезой. В карточке приведены результаты на оценочной выборке: accuracy 0,7475 и loss 0,7104. Модель хранится в формате PyTorch. Сведения о лицензии и более подробных ограничениях в доступных источниках отсутствуют.

Xenova/sponsorblock-classifier-v2 — модель классификации текста на базе архитектуры BERT с 136,7 млн параметров и максимальной длиной входного контекста 512 токенов. Модель опубликована в пространстве Xenova; разработчик и условия лицензирования в доступных данных не указаны. Модель предназначена для классификации фрагментов расшифровок видео по категориям, связанным с SponsorBlock: рекламная интеграция, неоплачиваемая самореклама, напоминание о взаимодействии с каналом и извлечение текста из видео. Она может использоваться в системах автоматической обработки субтитров и транскрипций для поиска и разметки таких сегментов. Сильная сторона модели — специализация на типичных сегментах видеоконтента и поддержка текстовой классификации через стандартный pipeline Hugging Face. Доступные данные не содержат сведений о поддерживаемых языках, качестве на отдельных наборах данных, полном наборе классов и лицензии; поэтому перед использованием в производстве необходима проверка на целевых данных.

akahana/tiny-roberta-indonesia — компактная модель семейства RoBERTa, предназначенная для извлечения признаков из текста на индонезийском языке. В карточке показаны применение как masked language model для заполнения пропусков и использование через конвейер feature-extraction. Модель содержит около 803,8 тыс. параметров и поддерживает контекст длиной до 256 токенов. Модель принимает текст и выдаёт векторные представления токенов или текста. Она может служить основой для получения признаков в NLP-задачах на индонезийском языке. Доступна в форматах PyTorch, Safetensors и TensorFlow; лицензия — MIT.

allenai/tulu-v2.5-13b-preference-mix-rm — англоязычная модель оценки ответов (reward model) из набора RLHF-моделей Tulu, разработанного Allen Institute for AI. Она основана на Llama 2 13B и дообучена на инструкциях и диалогах из смеси Tulu V2, а затем обучена оценивать предпочтения на наборе preference_big_mixture из Tulu 2.5 Preference Data. Модель предназначена для классификации и оценки текстовых ответов в сценариях обучения и оценки диалоговых помощников. Архитектура — плотная Llama с головой классификации последовательностей, размер — 12,9 млрд параметров, контекст — до 4096 токенов; основной язык — английский. Для корректной работы следует соблюдать шаблон чата токенизатора и завершать сообщение переводом строки. Лицензия — Apache 2.0. Карточка позиционирует модель как исследовательский артефакт.

H-Layba разработала классификатор тональности текста на основе bert-base-multilingual-cased, дообученного для анализа отзывов на урду. Модель относит текст к одному из двух классов: положительному или отрицательному. Она предназначена для анализа отзывов и других текстов на урду, например для автоматической оценки мнений пользователей. В карточке указаны точность 81% и взвешенная F1-мера 0,8098 на данных отзывов о фильмах IMDB. Архитектура — BERT для классификации последовательностей; размер — 205,1 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на наборе mirfan899/imdb_urdu_reviews, состоящем из 50 000 переводов отзывов IMDB с положительными и отрицательными метками. Лицензия — Apache-2.0. Результаты на этом наборе не гарантируют такое же качество на других жанрах и типах текстов.

facebook/webssl-dino5b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT примерно на 5 млрд параметров, обученный методом самообучения на 2 млрд веб-изображений MetaCLIP без языковой супервизии. Модель принимает изображения с разрешением 224×224 пикселя и извлекает визуальные признаки. Модель предназначена для получения представлений изображений и использования в задачах компьютерного зрения, включая оценку на визуальных бенчмарках. В README также сообщается о результатах на мультимодальных задачах, таких как визуальные вопросы и понимание OCR и диаграмм, однако отдельный интерфейс для этих задач не заявлен. В метаданных указана библиотека Transformers и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

xGen-MM Phi-3 Mini Instruct Interleave v1.5 — мультимодальная модель Salesforce AI Research для диалога по изображениям и тексту. Архитектура XGen-MM объединяет обработку визуальной информации с языковой моделью Phi-3 Mini; модель обучалась на данных для описания изображений и чередующихся последовательностях изображений и текста. Она предназначена для вопросов и ответов по одному или нескольким изображениям и показывает улучшенные результаты относительно xGen-MM-instruct на упомянутых в карточке бенчмарках для таких сценариев. Модель принимает текст и изображения, отвечает текстом и поддерживает английский язык. Репозиторий содержит веса в формате safetensors; метаданные относят модель к dense-архитектуре и задаче image-text-to-text. Карточка не сообщает длину контекста и число параметров именно этой версии. Лицензия — Apache-2.0. Разработчик ограничивает выпуск исследовательскими целями; возможны ошибки, смещения и риски безопасности, поэтому перед применением следует оценивать точность, безопасность и справедливость модели.

EIStakovskii/xlm_roberta_base_multilingual_toxicity_classifier_plus — модель классификации текста, разработанная на основе XLM-RoBERTa Base и дообученная для выявления токсичности. Она присваивает тексту одну из двух меток: Label_1 — токсичный, Label_0 — нетоксичный. Модель предназначена для проверки пользовательских сообщений и другого текста на английском, русском, французском и немецком языках. Модель использует архитектуру XLMRobertaForSequenceClassification, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указана точность 92% на валидации. Обучающие данные включали тексты на четырёх языках, в том числе переводы и собранные вручную примеры; подробности описания набора данных в README частично неполны. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с репозиторием.

AI Source Detector — модель классификации изображений на базе ViT-Base Patch-16 с входным разрешением 224 пикселя, дообученная для определения источника изображения. Она относит изображения к пяти классам: Stable Diffusion, Midjourney, DALL·E, реальные изображения и другие ИИ-генераторы. Модель содержит 113,2 млн параметров по метаданным Hugging Face; в README приведена оценка 86 млн параметров. Модель предназначена для классификации изображений по происхождению и выявления изображений, созданных ИИ. В README указано обучение на наборе примерно из 52 тысяч изображений и результаты на тестовой выборке: точность Top-1 91,6% и Macro F1 0,914. Эти показатели относятся к описанным выборкам и не гарантируют такой же результат на изображениях из других источников или распределений. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку timm; пример применения в README показывает pipeline image-classification. Лицензия модели — Apache-2.0.в

Antahkarana-7B — языковая модель Deepak Soni с 7,1 млрд параметров, построенная на Mistral-7B-v0.1 и предназначенная для генерации текста с последовательным дообучением на новых предметных областях. Модель распространяется как самостоятельный набор полных весов в формате safetensors; архитектуру обучали с помощью LoRA, а затем объединили с базовыми весами. Лицензия — Apache-2.0. В модели применены механизмы сохранения прежних знаний при обучении на новых данных и калибровки уверенности, позволяющей воздержаться от ответа при сомнении. В описанном эксперименте последовательного обучения на четырёх доменах она показала примерно в 3,8 раза меньше забывания, чем обычный LoRA, при более высокой точности. Заявленный контекст — 32 768 токенов; карточка указывает английский язык. Модель подходит для генерации текста и экспериментов с последовательным дообучением, включая классификацию, оформленную как генерация. Проверка непрерывного обучения ограничена четырьмя задачами классификации и не подтверждает качество открытого следования инструкциям. Механизм отказа от ответа несовершенен и может проявлять избыточную уверенность на специально подобранных бессмысленных вводах; модель также наследует ограничения, смещения и срез знаний Mistral-7B-v0.1.

hotchpotch/bekko-embedding-v1-a25m-pt — предварительно обученный плотный эмбеддинг-модель Sentence Transformer от hotchpotch на архитектуре mmBERT в стиле ModernBERT: 13 слоёв, размер скрытого состояния 384, 123,2 млн параметров и контекст до 8192 токенов. Она создана как начальная точка для дополнительного обучения на целевой задаче, а не для прямого использования как универсальная модель эмбеддингов или поиска. Модель предварительно обучена на многоязычных парах текстов с Matryoshka representation learning и обучением с учётом квантования. Её можно дообучить для поиска, классификации, ранжирования и других задач, а также использовать для воспроизведения конвейера обучения и сравнительных экспериментов. Для общего поиска автор рекомендует готовую модель bekko-embedding-v1-a25m. Модель основана на hotchpotch/mmBERT-L13H384-pruned. Доступна в формате safetensors; лицензия — MIT. Основное ограничение — отсутствие финального обучения с учителем для поиска: перед применением к целевой задаче чекпойнт нужно дообучить.

bekko-embedding-v1-a8m-pt — предварительно обученная плотная модель эмбеддингов от hotchpotch на архитектуре mmBERT в стиле ModernBERT: 4 слоя и размер скрытого представления 384. Она основана на hotchpotch/mmBERT-L4H384-pruned, использует многоязычные текстовые пары, обучение Matryoshka и обучение с учётом квантования; контекст — до 8192 токенов, размер — 106 млн параметров. Модель предназначена как отправная точка для дополнительного обучения под конкретную задачу: поиск по сходству, классификацию, ранжирование или другой прикладной сценарий, а также для воспроизведения и адаптации конвейера обучения bekko. Она не прошла финальную supervised-настройку для поиска и не предназначена для непосредственного использования как универсальная модель эмбеддингов или поиска. Лицензия — MIT.

asafaya/bert-base-arabic — предварительно обученная языковая модель BERT для арабского языка. Модель разработана для анализа арабского текста и предсказания скрытых токенов; её архитектура — BertForMaskedLM, размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Для предварительного обучения использовали около 8,2 млрд слов из арабской версии OSCAR, Википедии и других арабоязычных ресурсов общим объёмом около 95 ГБ. Корпус включает литературный арабский и некоторые диалекты, а также отдельные неарабские слова. Модель доступна в форматах PyTorch, TensorFlow и Flax; карточка приводит примеры загрузки через Transformers. Её можно применять как основу для задач заполнения пропусков и дообучать для других задач обработки арабского языка. Карточка просит цитировать публикацию, но не сообщает лицензию, поэтому условия использования по лицензии определить нельзя.

BERTino — итальянская модель семейства DistilBERT, предварительно обученная indigo.ai на большом корпусе текстов общего назначения. Корпус объединяет Paisà и ItWaC и содержит около 14 миллионов предложений, или 12 ГБ текста. Модель предназначена для заполнения маски в итальянском тексте и может служить основой для дообучения под другие задачи обработки языка. В карточке приведены результаты проверки на итальянских задачах синтаксического анализа, распознавания именованных сущностей и классификации предложений. Максимальная длина контекста — 512 токенов; доступны форматы PyTorch и TensorFlow. По сравнению с указанной в карточке моделью-учителем BERTino показала близкие, но несколько более низкие F1-результаты на приведённых задачах, при этом дообучение и оценка занимали меньше времени в описанном эксперименте. Модель распространяется по лицензии MIT.

Модель Legal BERTimbau разработана в рамках проекта IRIS для семантического поиска по материалам Верховного суда Бразилии Supremo Tribunal de Justiça. Это Sentence-Transformers-модель на базе BERTimbau large, которая преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучена методом TSDAE на юридических предложениях из примерно 30 тысяч документов; в README указано 212 тысяч шагов обучения. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов, размер — 433,2 млн параметров. Модель предназначена для поиска и группировки юридических текстов на португальском языке, в частности документов бразильской судебной практики. Лицензия — MIT. Результаты могут быть ограничены предметной областью и обучающими данными: README описывает настройку для семантического поиска в рамках конкретной юридической системы, а длина контекста ограничена 512 токенами.

mrm8488 дообучил компактную модель BERT-Tiny google/bert_uncased_L-2_H-128_A-2 для обнаружения спама в электронных письмах. Она использует архитектуру BERT для классификации текста, содержит 4,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации писем как спама или обычной почты. В README приведены результаты оценки на тестовом наборе: точность 98,6%, precision 98,51%, recall 98,71% и F1 98,61%. Обучение проводилось на SetFit/enron_spam. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других источниках писем не подтверждено.

wilfredomartel/bge-m3-tripLegalCL-300k — модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-m3 на 300 тыс. пар запросов и релевантных документов из набора TripLegal-CL. Она кодирует испанские предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство между ними можно оценивать по косинусной мере. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а максимальная длина входа составляет 8192 токена. Модель предназначена для семантического поиска и сопоставления испанских юридических запросов с документами, а также для поиска перефразировок, кластеризации и классификации текстов. В README приведены высокие показатели cosine accuracy на наборах оценки юридического поиска на испанском языке. Лицензия Apache-2.0. Описанные данные и оценки относятся к юридическому корпусу на испанском; качество для других языков и областей не подтверждено.

maifeng/boilerplate_detection — модель классификации финансового текста, предназначенная для выявления шаблонных и повторяющихся фрагментов в отчётах финансовых аналитиков и отличения их от содержательных деловых сведений. Она использует замороженный sentence transformer all-mpnet-base-v2 и классификационную сеть из трёх слоёв с размерностями 768 → 16 → 8 → 2. Модель обучена на отчётах аналитиков за 2000–2020 годы: повторяющиеся фрагменты одного брокера в пределах года размечались как шаблонные, остальные — как содержательные. Модель принимает текстовые сегменты и выдаёт классификацию; карточка предусматривает прямую загрузку пользовательской архитектуры вместо стандартного интерфейса pipeline. Она рассчитана на англоязычные финансовые аналитические отчёты. Лицензия — Apache-2.0.

hfl/chinese-macbert-large — крупная китайскоязычная модель семейства BERT, опубликованная HFL как ресурс к исследованию «Revisiting Pre-trained Models for Chinese Natural Language Processing». Она использует архитектуру BertForMaskedLM с 424,3 млн параметров и контекстом до 512 токенов. Модель обучена для заполнения пропусков; её предобучение MacBERT заменяет маскируемые слова похожими по смыслу, а также использует маскирование целых слов, N-грамм и предсказание порядка предложений. Модель подходит как исходная точка для китайских NLP-задач и как контекстная языковая модель для восстановления пропущенных токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия Apache-2.0. Основное ограничение — специализация на китайском языке и задача masked language modeling; сама по себе модель не является диалоговой генеративной системой.

DantheMan124/deberta-preference-reward — модель оценки предпочтений ответов, созданная на базе microsoft/deberta-v3-base. Она предназначена для попарного сравнения ответов языковых моделей на один и тот же открытый запрос и выдачи относительного сигнала качества, в том числе для локальной оценки без API. Модель DeBERTa-v3-base с регрессионной головой на 211,6 млн параметров дообучена на парах предпочтений UltraFeedback с помощью Bradley–Terry; используется формат safetensors, лицензия MIT. При обучении применялся лимит 512 токенов, а температура 1,167 калибрует вероятность предпочтения одного ответа другому по разности оценок. На тестовой части UltraFeedback указана попарная точность 0,7026. Модель компактна и может служить недорогим локальным судьёй, но её оценки отражают предпочтения в стиле AI-обратной связи из UltraFeedback, а не индивидуальные человеческие предпочтения. Модель имеет смещение в пользу длинных и подробных ответов, даже если они не точнее. Она рассчитана на сравнение двух ответов на один запрос: абсолютный балл нельзя надёжно пороговать, усреднять по наборам или сравнивать между разными запросами. Пары длиннее лимита обрезаются, что может повлиять на оценку.

deka-qwen3-emb-0.6b-infonce-lawyer-anompos — плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная anonymousresearch123 для поиска решений Верховного суда Таиланда по текстовым запросам. Она предназначена для семантического поиска по корпусу судебных дел: запросы обучались на сопоставление с фактическим изложением дела, а модель проверялась на пользовательских, юридических и фактических формулировках. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3 и библиотеку sentence-transformers. Она кодирует текст в L2-нормированные векторы; при обработке запросов требуется добавлять префикс инструкции, использованный при обучении, а к документам его добавлять не следует. Контекстное окно — 32 768 токенов; в обучении максимальная длина документа составляла 1300 токенов, запроса — 256. Обучающие данные относятся к тайскому языку. В тестировании на полном корпусе чистых релевантных оценок значение R@10 составило 16,19 для пользовательских запросов и 24,76 для юридических и фактических формулировок; качество заметно зависит от типа запроса. Модель распространяется по лицензии Apache-2.0.

ESG-BERT — доменная модель BERT для извлечения информации из текстов в области устойчивого инвестирования. Её разработали Mukut Mukherjee, Charan Pothireddi и Parabole.ai. Репозиторий содержит классификатор последовательностей на 136,7 млн параметров в форматах PyTorch и Safetensors; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для классификации текстов об ESG и устойчивых инвестициях. В карточке сообщается, что дообучение для классификации дало F1 0,90 против 0,79 у BERT-base и 0,67 у подхода на scikit-learn. Модель англоязычная. Карточка предупреждает о возможных стереотипах и вредных смещениях в предсказаниях. Лицензия указана как требующая уточнения.

IndoBERT base uncased — индонезийская версия BERT, разработанная командой IndoLEM. Модель обучена на корпусе объёмом более 220 млн слов из Википедии на индонезийском языке, новостных статей и веб-текстов. Это плотная трансформерная модель с архитектурой BERT и примерно 137,8 млн параметров; контекст — до 512 токенов. Модель предназначена для работы с индонезийским текстом. В конфигурации masked language modeling она предсказывает замаскированные токены; представления BERT также исследовались на задачах разметки частей речи и распознавания именованных сущностей в бенчмарке IndoLEM. Доступны веса PyTorch и Flax. Лицензия — MIT.

Indonesian RoBERTa Base IndoNLI — модель классификации текстовых последовательностей на основе RoBERTa, созданная Wilson Wongso. Базовая предобученная Indonesian RoBERTa Base дообучена на датасете IndoNLI, включающем тексты Википедии на индонезийском языке, новостей и веб-статей. Модель содержит 151,8 млн параметров по метаданным и принимает текстовые последовательности длиной до 514 токенов. Основное назначение — распознавание отношений логического следования между парами высказываний на индонезийском языке: например, проверка, следует ли одно предложение из другого или противоречит ему. В README приведены точности 77,06% на dev, 74,24% на тестовой подвыборке test_lay и 61,66% на test_expert. Модель можно применять для классификации текстовых пар в задачах NLI; пример карточки использует Transformers pipeline с названием sentiment-analysis. Весовые файлы доступны в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. Разработчик предупреждает о возможном переносе смещений из базовой модели и датасета IndoNLI; результаты на экспертной тестовой подвыборке заметно ниже, поэтому качество следует проверять на целевых данных.

InsTagger — авторегрессионная языковая модель, разработанная OFA-Sys для автоматической разметки запросов тегами. Она предназначена для анализа данных supervised fine-tuning (SFT): модель присваивает запросам инструкции теги, обученные на результатах InsTag, чтобы помочь отбирать и изучать обучающие примеры. Авторы использовали такие теги для выборки данных и обучения моделей TagLM. Модель основана на LLaMA-2, дообучена и имеет 6,6 млрд параметров. Это плотная архитектура LlamaForCausalLM с контекстом 2048 токенов; поддерживает английский язык и принимает текст, выдавая текстовую разметку. В README указана лицензия Apache-2.0. Модель можно запускать через FastChat с шаблоном Vicuna.

JGOS-31B-Think — корейская модель с акцентом на рассуждения, разработанная VIDRAFT. Это плотная модель семейства Gemma 4 с 31 млрд параметров, предназначенная для диалогов и задач с изображениями и текстом. В карточке заявлен пошаговый режим рассуждений; метаданные также указывают поддержку зрения. Модель можно развернуть через vLLM и OpenAI-совместимый API. Лицензия — Apache-2.0.

gogamza/kobart-base-v2 — корейская языковая модель семейства BART, распространяемая Heewon (Haven) Jeon. Это модель кодировщика-декодировщика, обученная восстанавливать исходный текст после добавления шума типа Text Infilling. Для обучения использованы более 40 ГБ корейских текстов, включая Википедию, новости, книги, диалоги и другие корпуса. В словарь Character BPE токенизатора размером 30 000 добавлены часто используемые в переписке эмодзи и текстовые смайлы. Модель предназначена для извлечения признаков из корейского текста и может служить основой для последующих NLP-задач. В README указаны результаты на NSMC, KorSTS и Question Pair, но сведения об оценочных наборах и методике приведены ограниченно. Размер модели в метаданных указан как 79,7 млн параметров; README приводит для KoBART-base архитектурную таблицу с 12 слоями и 124 млн параметров. Контекст составляет 1026 токенов. Лицензия — MIT. Возможны предвзятые или вредные стереотипные ответы, поэтому результаты требуют проверки.

komt-Llama-2-13b-hf — авторегрессионная языковая модель на архитектуре Transformer семейства Llama, разработанная Дэвидом Кимом (Changyeon Kim). Модель дообучена методом supervised fine-tuning с многоцелевыми инструкциями на корейском датасете, чтобы улучшить работу с корейским языком. Она содержит 12,9 млрд параметров и принимает текстовые запросы, генерируя текст; заявленная длина контекста — 4096 токенов. Модель предназначена для генерации текста по инструкциям, диалогов и задач на понимание корейского языка, включая семантическое сходство текстов. В README приведено сравнение с несколькими корейскими вариантами Llama 2 на бенчмарке корейского семантического текстового сходства. Карточка не содержит полного набора результатов и деталей использования, поэтому эти данные не позволяют оценить качество для других задач. Лицензия в метаданных указана как Apache 2.0.

msbayindir/legal-text-embedding-turkish-v1 — модель Sentence Transformers, разработанная на основе distilbert/distilroberta-base и дообученная для сопоставления турецких юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и подходит для поиска семантически близких документов, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает RoBERTa-трансформер с mean pooling; метаданные указывают 95,2 млн параметров и контекст до 514 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Для оценки сходства применяется косинусная мера; в README приведены результаты на наборе tr-dev: Spearman 0,9262 и Pearson 0,9287. Модель специализируется на турецких юридических текстах, поэтому её пригодность для других языков и областей не подтверждена. Лицензия в предоставленных данных не указана.