I.11Классификация, ранжирование и сопоставление

davanstrien/lfm25-encoder-goemotions-smoke — дообученный LiquidAI/LFM2.5-Encoder-350M классификатор эмоций в тексте. Модель использует плотный двунаправленный энкодер LFM2 и отдельную классификационную голову со средним pooling; размер составляет 444,6 млн параметров, контекст — до 128 000 токенов. Модель предназначена для многометочной классификации текста по 28 категориям GoEmotions: от восхищения, радости и благодарности до гнева, грусти и нейтрального состояния. В README приведена оценка F1: 0,2436 micro при настроенных порогах; при пороге 0,5 обе метрики F1 равны 0. Для загрузки требуется trust_remote_code=True, а для обслуживания через vLLM нужна стандартная архитектура. Лицензия в предоставленных данных не указана.

ME²-BERT — англоязычная модель классификации текста для предсказания моральных оснований. Её разработали как целостный подход, дообучающий предварительно обученную BERT-модель и объединяющий сведения о событиях и эмоциях для построения представлений текста, значимых для анализа морали. Базовая модель — google-bert/bert-base-uncased; архитектура представлена классом ME2BertModel, веса сохранены в формате safetensors. Модель предназначена для анализа моральных ценностей Care, Harm, Fairness, Cheating, Loyalty, Betrayal, Authority, Subversion, Purity и Degradation в англоязычных текстах. При обучении использовались абзацы новостных статей из набора E2MoCase с разметкой моральных ценностей, эмоций и событий. Авторы сообщают об улучшении результатов по сравнению с существующими методами, особенно в сценариях переноса между областями. Модель распространяется по лицензии MIT.

MedEmbed-small-v0.1 — компактная модель эмбеддингов, разработанная для медицинских и клинических текстов. Это дообученная на базе BAAI/bge-small-en-v1.5 англоязычная BERT-модель примерно на 40 млн параметров; она формирует плотные текстовые представления для информационного поиска и сравнения предложений. Максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска по медицинской литературе и клиническим материалам, поиска ответов на медицинские вопросы и извлечения релевантных документов. Для контрастивного обучения использовались триплеты запросов и ответов, подготовленные на основе клинических заметок PubMed Central с помощью синтетической генерации и сложных отрицательных примеров. В README заявлено преимущество над универсальными эмбеддинг-моделями на медицинских бенчмарках, включая MedicalQARetrieval, NFCorpus, PublicHealthQA и TRECCOVID. Модель выпущена под лицензией Apache-2.0. Она может хуже работать вне медицинской области; результаты не следует считать медицинскими рекомендациями или заменой экспертной оценки. В README не приведены точные численные метрики бенчмарков.

Это англоязычная модель-энкодер для поиска документов по вопросам индийского налогообложения и финансов. Она создана на основе sentence-transformers/all-MiniLM-L6-v2 и дообучена с помощью LoRA; число параметров в метаданных — 25,9 млн. Модель строит плотные векторные представления предложений, чтобы находить подходящие выдержки из законов и финансовых документов для систем поиска и RAG. Модель рассчитана на семантический поиск по вопросам и коротким документам. В README для тестового набора из 839 запросов сообщается о росте nDCG@10 на 0,145 относительно исходной модели; оценка усреднена по трём запускам. Лицензия — Apache-2.0. Модель поддерживает английский язык, а длина контекста по метаданным составляет 512 токенов. README указывает более короткий лимит в 256 токенов, поэтому при работе следует сверяться с используемой конфигурацией. Качество поиска на хинди и смешанном хинди-английском языке снижается; перенос на другие юридические или технические области не гарантирован.

mixer_b16_224.miil_in21k — модель классификации изображений и извлечения визуальных признаков, разработанная Alibaba-MIIL и обученная на ImageNet-21k. Она использует архитектуру MLP-Mixer, в которой обработка изображения строится на многослойных перцептронах без свёрточной основы. Модель содержит 67,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность указана как 12,6 GMACs. Модель подходит для классификации изображений по категориям ImageNet-21k и получения эмбеддингов изображений как основы для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; для использования указана лицензия Apache-2.0. Карточка не приводит сведений о поддержке текстовых или иных модальностей.

tsphua/modernbert-fingpt — модель классификации тональности финансовых текстов, созданная дообучением answerdotai/ModernBERT-base на наборе FinGPT/fingpt-sentiment-train. Она относит текст к одной из девяти категорий тональности — от выраженно негативной до позитивной — и предназначена для анализа финансовых новостей, сообщений и других материалов, связанных с рынком. В основе лежит encoder-only Transformer семейства ModernBERT с 149 млн параметров и контекстом до 8192 токенов. README описывает обучение с максимальной длиной последовательности 512 токенов; для практического применения это ограничивает длину текста, использованную при настройке модели. Модель принимает текст и выдаёт метку класса тональности. Лицензия — Apache-2.0.

Jaywhisker/msc_thesis_nuextract3_stage2_best_food — дообученная версия NuExtract3, созданная для извлечения POI, связанных с едой. Модель предназначена для преобразования входного текста или документов в структурированные данные о таких точках интереса. Обучение проходило в два этапа: сначала на 6092 слабомаркированных примерах, затем на 500 вручную размеченных примерах; лучший результат второго этапа для категории еды был на шаге 500. Модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 и поддерживает контекст до 262144 токенов. В карточке указаны safetensors и лицензия базовой модели NuExtract3 не приведена в предоставленных данных.

tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy — многовекторный энкодер, дообученный на синтетических парах запросов и страниц документов по энергетике. Он основан на vidore/colqwen2-v1.0-hf и предназначен для поиска релевантных страниц документов по текстовым запросам с помощью позднего взаимодействия MaxSim. Модель принимает текст и изображения страниц, включая страницы PDF, и представляет их последовательностями токенных векторов размерности 128. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на английских данных набора synthetic_doc_qa_energy_train; в README приведены метрики поиска на наборе energy-dev. Модель распространяется под лицензией Apache-2.0. Она подходит для семантического поиска по энергетическим отчетам и другим документам этой тематики, в том числе для извлечения страниц, отвечающих на вопрос. Результаты зависят от соответствия запросов и документов обучающим данным; карточка не заявляет о генерации ответов или универсальном OCR.

saitejasathiraju/nomic-embed-bns-legal — текстовая модель эмбеддингов, созданная автором карточки путём дообучения nomic-ai/nomic-embed-text-v1.5 для поиска по индийскому уголовному законодательству. Она предназначена для RAG-сценариев: сопоставляет англоязычный вопрос с нужным разделом BNS 2023, IPC 1860, BNSS 2023 или BSA 2023 и помогает отличать похожие положения внутри одного раздела закона. Модель основана на архитектуре NomicBert, содержит 136,7 млн параметров и принимает текст, формируя векторные представления для семантического поиска. Обучение проводилось контрастивным методом TripletLoss на 11 587 триплетах с трудными отрицательными примерами. Для запросов и документов следует сохранять префиксы search_query: и search_document:. Контекст составляет 2048 токенов; модель использует английский язык. В отложенной выборке точность ранжирования правильного раздела выше одного подобранного похожего раздела составила 0,9983; это не оценка полноты или качества поиска по полному корпусу. Модель не обучалась на судебных решениях и других законах, а карточка ограничивает её англоязычными запросами. Лицензия — Apache-2.0.

PubMedBert-PubMed200kRCT — модель классификации текста, дообученная автором репозитория на основе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext на наборе PubMed200kRCT. Она предназначена для разметки неструктурированных фрагментов текстов рандомизированных контролируемых исследований по пяти категориям: BACKGROUND, CONCLUSIONS, METHODS, OBJECTIVE и RESULTS. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. В README указаны точность 0,8942 и функция потерь 0,2833 на оценочной выборке. Модель подходит для автоматической сегментации и сортировки разделов аннотаций клинических исследований. Лицензия — MIT.

gyr66/relation_extraction_bert_base_uncased — модель для извлечения отношений между сущностями в англоязычном тексте. Это дообученная версия BERT Base Uncased, разработанная на основе google-bert/bert-base-uncased с использованием библиотеки Transformers. Модель имеет архитектуру BertForRelationExtraction, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена на наборе данных SemEval 2010 Task 8. На оценочном наборе указаны F1 0,8616 и функция потерь 0,9300. Основной сценарий — классифицировать семантическое отношение между сущностями в тексте. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В карточке нет подробностей о схеме разметки, качестве на других наборах данных и ограничениях применения, поэтому приведённые метрики относятся только к указанному оценочному набору. Для работы с текстами на других языках или с контекстом длиннее 512 токенов модель не заявлена.

ac0hik разработал модель классификации тональности французского текста на основе CamemBERT. Это плотная модель с архитектурой CamembertForSequenceClassification, содержащая 137,8 млн параметров и принимающая последовательности длиной до 514 токенов. Модель дообучена на французской части набора tweet_sentiment_multilingual с дополнительными отобранными данными тональности из разных источников. Модель относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Она подходит для анализа тональности французских публикаций в социальных сетях и других коротких текстов. На оценочной выборке автор сообщает точность 0,7654 и значение функции потерь 0,7877; лицензия — MIT.

Это дообученная и объединённая с базовой моделью Qwen3.5-9B модель от te-sla для классификации эмоций в сербских публикациях и генерации структурированного результата. Она принимает текст и выдаёт JSON-массив с нулём, одной или двумя метками из фиксированного набора: гнев, ожидание, отвращение, страх, радость, грусть, удивление и доверие. Модель построена на Qwen3.5-9B; обучение выполнено адаптером LoRA, который затем объединён с базовыми весами. Репозиторий содержит BF16-веса для прямой загрузки через Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для исследовательского анализа сербских публикаций в социальных сетях и формирования структурированных меток эмоций. В описанной оценке на 3000 примерах тестового набора macro-F1 составил 0,526, а все ответы прошли строгую проверку JSON; эти результаты внутренние, тестовый набор использовался в предыдущих этапах работы и не является независимой внешней проверкой. Модель требует памяти для запуска 9-миллиардной модели в 16-битном формате, выдаёт наборы меток без калиброванных вероятностей и проверялась на сербских текстах Reddit и Twitter. Не предназначена для клинических заключений, определения психического состояния автора или решений с серьёзными последствиями.

Xhenifer/sesotho-sentiment-afriberta — классификатор тональности на основе AfriBERTa large, дообученный для анализа заголовков новостей на языке сесото. Модель относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Она содержит 148,1 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для автоматической разметки тональности заголовков новостей на сесото. Обучение проводилось на 2 209 размеченных заголовках; для компенсации дисбаланса классов применялась взвешенная функция потерь. На отложенной выборке из 442 примеров Macro F1 составил 0,661, а F1 для нейтрального класса — 0,605. Доступны веса Safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Модель lokas/spam-usernames-classifier — классификатор имён пользователей на спам и не спам, разработанный автором репозитория на основе bert-base-multilingual-cased. Она принимает строку с именем пользователя и возвращает распределение вероятностей по двум классам. Модель содержит 205,1 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает вход длиной до 512 токенов. Модель предназначена для фильтрации спамных имён пользователей в регистрационных формах, сообществах и пользовательских каталогах. По README, обучение проводилось на примерно 50 тысячах вручную размеченных примеров с приблизительно равным числом спамных и обычных имён; точность на тестовой выборке составила 82%. Результат следует проверять с учётом особенностей данных и возможной смены шаблонов спама. Репозиторий распространяется по лицензии Apache-2.0.

Synatra-V0.1-7B-Instruct — корейская инструктивная языковая модель StableFluffy на базе mistralai/Mistral-7B-Instruct-v0.1. Это плотная модель Mistral с 7,1 млрд параметров, обученная для генерации текста и диалогового следования инструкциям; она принимает текстовые запросы и выдаёт текст. Для форматирования запросов используются маркеры [INST] и [\INST], причём в карточке особо рекомендован пробел в конце запроса. Модель рассчитана прежде всего на корейский язык, имеет контекст до 32 768 токенов и доступна в формате PyTorch. README приводит результаты оценок на корейских наборах задач, включая BoolQ, SentiNeg и WiC. В карточке описана ошибка обучения: вместо ожидаемого [/INST] применялся [\INST], поэтому форматирование инструкций может требовать внимания. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

google/t5-efficient-small — англоязычный предварительно обученный чекпойнт Google на архитектуре T5, опубликованный вместе с исследованием об эффективности масштабирования трансформеров. Это вариант Deep-Narrow: модель использует более глубокую и узкую архитектуру; метаданные указывают 38,5 млн параметров, контекст 512 токенов и обучение на C4. README приводит для стандартной конфигурации Small оценку 60,52 млн параметров, поэтому сведения о размере в источниках расходятся. Модель обучена на задаче восстановления текстовых фрагментов и предназначена для последующего дообучения на конкретной англоязычной NLP-задаче, например суммаризации, ответах на вопросы или классификации текста. Сам чекпойнт не является готовым прикладным решением: практическое качество зависит от дообучения. Доступны варианты весов для PyTorch, TensorFlow и Flax. Контекст составляет 512 токенов. Лицензия — Apache-2.0.

Twitter-roBERTa-base — модель RoBERTa-base, дообученная на примерно 58 млн твитов поверх исходного чекпойнта RoBERTa-base. Она предназначена для работы с текстом из Twitter и примеров на английском языке, включая предсказание скрытых слов и получение представлений твитов. Для предобработки автор рекомендует заменять имена пользователей на @user, а ссылки — на http. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов; опубликованы варианты для PyTorch, TensorFlow и Flax. Карточка описывает обучение и применение модели, но не сообщает лицензию.

Карточка модели Fsoft-AIC/videberta-xsmall на Hugging Face совпадает с карточкой Fsoft-AIC/videberta-base, поэтому описание составлено по ней. Fsoft-AIC разработала ViDeBERTa-base — предварительно обученную монолингвальную языковую модель для вьетнамского языка на архитектуре DeBERTaV3. Модель содержит 211,6 млн параметров, обучена на разнообразном вьетнамском тексте объёмом 138 ГБ и рассчитана на контекст до 512 токенов. Эта версия предназначена для тонкой настройки на задачах понимания вьетнамского текста, включая классификацию токенов, разметку частей речи и распознавание именованных сущностей. В карточке приведены результаты экспериментов на наборах VLSP POS, PhoNER и ViQuAD. Репозиторий содержит веса PyTorch. Информация о лицензии в предоставленных данных отсутствует.

VideoMAEv2-Huge — большая видеомодель OpenGVLab, предварительно обученная в течение 1200 эпох методом самоконтролируемого обучения на наборе UnlabeledHybrid-1M. Она основана на архитектуре VideoMAE v2 и представлена в работе Wang и соавторов для CVPR 2023. Модель предназначена для извлечения признаков из видео; в каталоге Hugging Face её основная задача указана как классификация видео. Модель принимает видео и выдаёт признаки, пригодные для последующих задач анализа и классификации. В репозитории опубликованы веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель anirudh21/albert-base-v2-finetuned-rte — версия ALBERT-base-v2, дообученная на задаче распознавания текстовых следствий RTE из набора GLUE. Она предназначена для классификации пары предложений, например определения, следует ли гипотеза из данного текста. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 136,3 млн параметров и принимает контекст длиной до 512 токенов. На оценочной выборке указаны accuracy 0,7581 и loss 1,2496. Модель подходит для экспериментов и классификации текстовых пар в сценариях, близких к RTE; эти результаты не гарантируют качество на других доменах и распределениях данных. Доступна в формате PyTorch по лицензии Apache-2.0.

Модель ulisesbravo/autotrain-p3-7h82s-lsn5g — дообученная BERT для классификации последовательностей текста, созданная с помощью AutoTrain. Она предназначена для отнесения текста к заданным классам; по описанию базовой модели, её применение связано с португалоязычными решениями бразильских судов. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики валидации: accuracy 0,749, а также macro F1 около 0,749. Эти результаты характеризуют только указанную проверочную выборку. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

AraBERTv0.1 — предварительно обученная языковая модель для арабского языка, разработанная командой AUB Mind Lab на архитектуре Google BERT. Это вариант BERT-Base с примерно 162,4 млн параметров и контекстом до 512 токенов; модель обучалась на арабских текстовых корпусах, включая Wikipedia, OSIAN и 1.5B Arabic Corpus. Версия v0.1 использует предварительно сегментированные тексты: префиксы и суффиксы разделялись с помощью Farasa Segmenter. Модель предназначена прежде всего для восстановления замаскированных токенов и может служить основой для дообучения под задачи понимания арабского языка, например анализа тональности, распознавания именованных сущностей и ответов на вопросы. Для v0.1 рекомендуется применять препроцессор AraBERT; для сегментации требуется Farasa. README описывает более новые варианты AraBERT, но они не являются этим чекпойнтом. Доступны форматы PyTorch, TensorFlow и Flax. Условия лицензии в предоставленных данных не указаны.

CAMeLBERT-DA — предварительно обученная модель семейства BERT, разработанная CAMeL Lab для обработки арабского языка. Она обучена на корпусе диалектного арабского языка и содержит 136,3 млн параметров. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под задачи арабского NLP, включая распознавание именованных сущностей, разметку частей речи, анализ тональности и определение диалекта. Архитектура — BertForMaskedLM с контекстом до 512 токенов. Модель рассчитана на арабский язык, в частности на диалектные варианты; карточка также описывает оценку на наборах данных MSA. Доступны версии весов PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

CAMeLBERT-MSA-eighth — арабская модель семейства BERT, разработанная CAMeL Lab и предварительно обученная на одной восьмой корпуса для современного литературного арабского языка (MSA). Это вариант модели CAMeLBERT, представленный в исследовании о влиянии языкового варианта, размера корпуса и типа задачи на арабские предобученные языковые модели. Модель содержит 136,3 млн параметров, использует архитектуру BERT с головой masked language modeling и принимает последовательности длиной до 512 токенов. Она предназначена для заполнения пропусков в тексте и как основа для дообучения на задачах обработки арабского языка, включая распознавание именованных сущностей, разметку частей речи, анализ тональности, определение диалекта и классификацию поэзии. Для предобучения использовались корпуса современного литературного арабского языка, включая Arabic Gigaword, Arabic Wikipedia и OSIAN. Модель рассчитана на современный литературный арабский и может хуже подходить для диалектов и других языков. Для специализированных задач обычно требуется дообучение. Лицензия — Apache-2.0.

Yoshitomo Matsubara дообучил bert-base-uncased на наборе RTE из бенчмарка GLUE с использованием torchdistill и Google Colab. Это англоязычная модель классификации последовательностей на базе BERT с 136,7 млн параметров и контекстом до 512 токенов. Она предназначена для классификации текстовых пар в задаче распознавания текстового следования: определения, следует ли гипотеза из посылки. Автор сообщает об итоговом балле GLUE 77,9; это результат набора задач, а не отдельная оценка качества на RTE. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

textattack/bert-base-uncased-snli — модель семейства BERT, разработанная TextAttack и дообученная для задачи распознавания текстовых отношений на датасете SNLI. Она принимает пару предложений: посылку и гипотезу — и классифицирует их связь как следование, нейтральность или противоречие. Модель имеет архитектуру BERT с 136,7 млн параметров и поддерживает контекст до 512 токенов. Она предназначена для классификации пар англоязычных предложений и исследовательских задач, связанных с natural language inference и оценкой устойчивости NLP-моделей. В Hugging Face доступна для Transformers и PyTorch, а также имеет совместимость с JAX. Сильная сторона модели — специализированная настройка на SNLI и готовность к применению в задачах inference без дополнительного обучения. Ограничения связаны с узкой предметной специализацией, зависимостью от распределения данных SNLI и ограниченной длиной контекста; модель не является универсальной генеративной языковой моделью.

BERT Spanish Sensationalism Classifier — модель Julen Neila для выявления сенсационной подачи в испанских новостях. Это дообученная для бинарной классификации модель BERT на базе dccuchile/bert-base-spanish-wwm-cased; она принимает сочетание заголовка и основного текста и относит новость к одному из двух классов — с сенсационными приёмами или без них. Модель построена на Transformers, содержит 137,1 млн параметров, использует формат Safetensors и поддерживает контекст до 512 токенов. Модель предназначена для анализа новостных материалов, мониторинга СМИ, исследований журналистики и включения в конвейеры классификации контента. Лицензия — Apache 2.0. Она может хуже работать на коротких текстах и заголовках без контекста, не предназначена для текстов на других языках и может плохо переноситься за пределы традиционных цифровых СМИ. Следует учитывать возможные смещения обучающих данных и отдельно проверять модель перед применением в значимых решениях.

pysentimiento/bertweet-hate-speech — англоязычная модель классификации коротких сообщений из Twitter, разработанная проектом pysentimiento. Это RoBERTa-классификатор на 162,4 млн параметров, дообученный на корпусе SemEval 2019 Task 5 HatEval, подзадача B; базовая модель BERTweet была обучена на англоязычных твитах. Контекст модели составляет 130 токенов. Модель одновременно определяет, содержит ли текст язык ненависти, направлен ли он на конкретного человека и является ли агрессивным. Она подходит для разметки и анализа англоязычных публикаций в социальных сетях. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Archit Rastogi разработал эту модель как дообученную версию BAAI/bge-small-en-v1.5 для создания эмбеддингов юридических текстов, связанных с Кодексом США. Модель основана на архитектуре BERT, содержит 40 млн параметров и принимает текст на английском языке; максимальная длина контекста — 512 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель предназначена для семантического поиска по юридическим документам, сопоставления запросов с фрагментами Кодекса США и получения эмбеддингов для последующих NLP-систем. В README заявлена точность 75% на тестовой выборке USLawQA; результаты относятся к описанной автором оценке и не гарантируют качество на других юридических корпусах или задачах.