I.11Классификация, ранжирование и сопоставление

BGE Small Structural Separator — компактная текстовая модель на архитектуре BERT, разработанная для структурно-разделённого поиска научных документов. Она дообучена на основе BAAI/bge-small-en-v1.5: изменена только строка входных эмбеддингов токена [unused2], остальные параметры сохранены. Модель содержит 40 млн параметров и рассчитана на контекст до 512 токенов. При подготовке документа токен [unused2] добавляют перед непустым заголовком и каждым предложением, разделённым пунктуацией. Документ кодируется в нормализованный CLS-вектор, а запрос — обычным способом; поиск выполняется по косинусному сходству эмбеддингов. Модель предназначена для плотного поиска, в частности по научным текстам. В заявленном авторами тесте BEIR8 прирост macro NDCG@10 составил 0,012705 относительно исходной BGE-модели, однако расширенная оценка MTEB не подтвердила широкого переноса улучшения. Для использования доступны Transformers и AutoModel/AutoTokenizer. Лицензия — MIT. Ограничения: контекст ограничен 512 токенами; результаты улучшения ограничены структурно подходящими задачами BEIR8, а на шести задачах расширения MTEB macro NDCG@10 снизился на 0,011038.

Camie Tagger v2 — модель Camais03 для автоматической многометочной разметки аниме- и манга-иллюстраций. Она предсказывает теги из набора примерно 70 527 вариантов, включая художников, персонажей, серии, визуальные признаки и возрастной рейтинг; модель рассчитана на анализ изображений и не генерирует их. В основе — Vision Transformer (ViT), около 143 млн параметров. В README указаны обучение на разрешениях от 384 до 512 пикселей и оценка на 20 116 тестовых изображениях: 67,3% micro F1 и 50,6% macro F1 при соответствующих оптимизированных порогах. Для редких тегов предлагается профиль с макро-оптимизированным порогом; выбор порогов позволяет настраивать компромисс между точностью и полнотой. Модель предназначена для каталогизации иллюстраций и поиска по их тегам, в том числе для определения персонажей и серий. Это специализированная модель для аниме-изображений, поэтому её результаты могут быть менее надёжны на других типах изображений; длинный хвост редких тегов и неполнота исходной разметки также влияют на метрики и предсказания. Доступны веса Safetensors и ONNX. Лицензия — GPL-3.0.

CEFR BERT Classifier — дообученная на размеченных данных модель на базе XLM-RoBERTa для классификации английского текста по пяти уровням владения языком: A1, A2, B1, B2 и объединённому уровню C1/C2. Разработчик описывает её как часть ансамблевой системы оценки уровня языка. Модель предназначена для автоматической оценки сложности английских текстов и может использоваться в образовательных инструментах, например для подбора материалов по уровню ученика. Она имеет архитектуру RoBERTa с классификационной головой, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Использует библиотеку Transformers и формат весов safetensors. В README указаны точность 98,17% и QWK 0,9908 на внутридоменном тесте, но на внешнем тесте показатели значительно ниже: точность 25,43% и QWK 0,3367. Это указывает на слабый перенос на тексты вне обучающего домена; заявленные результаты не следует считать гарантией качества на произвольных текстах. Лицензия — MIT.

Карточка модели manelalab/chrono-bert-v1-20141231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20231231, поэтому описание составлено по ней. ChronoBERT v1 2023-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она построена на архитектуре ModernBERT как двунаправленный трансформерный энкодер с 149 млн параметров и контекстом до 8192 токенов; основная задача по карточке — предсказание пропущенного токена. Модель обучена на датированных текстах, чтобы снизить риск утечки информации из будущего и смещения при анализе исторических данных. Её можно применять для восстановления пропусков в тексте, извлечения представлений и задач понимания языка, в том числе для экономического и финансового анализа. В README указано, что модели серии превзошли стандартный BERT по GLUE; эти результаты относятся к серии в целом и не подтверждают отдельную оценку именно версии 2023-12-31. Модель рассчитана на английский язык, использует библиотеку Transformers и распространяется по лицензии MIT. Это энкодер для понимания текста, а не генеративный чат-ассистент; временная согласованность зависит от выбранного временного среза модели и данных.

orbis-marianne/deberta-v3-sta-rel — модель классификации текста, опубликованная командой ORBIS-MARIANNE для выявления отношений между аргументативными высказываниями. Она предназначена для анализа аргументации на уровне высказываний: принимает текстовую последовательность и относит её к одному из классов отношений. Модель основана на архитектуре DeBERTa-v2 для классификации последовательностей; содержит около 211,6 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для извлечения структуры аргументации из текстов, например для определения связей между тезисами и аргументами. Карточка указывает задачу text-classification; репозиторий разработчика описывает классификацию отношений между аргументативными высказываниями как одну из задач модуля Argumentation Mining Transformers. Подтверждённых сведений о поддерживаемых языках и лицензии недостаточно, поэтому они здесь не уточняются.

deka-qwen3-emb-0.6b-infonce-fact — плотная модель эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда (deka). Она обучена методом InfoNCE сопоставлять запросы с текстами раздела fact; для запросов требуется префикс инструкции, использованный при обучении, а документы подаются без него. Модель использует pooling последнего токена с левым padding и L2-нормализацию; максимальная длина при обучении составляла 256 токенов для запросов и 1300 для документов. Базовая модель поддерживает контекст до 32768 токенов. На тесте по полному корпусу для запросов и документов раздела fact показатель R@10 составил 33,81, тогда как для запросов раздела user — 8,57, что указывает на существенную зависимость качества от регистра текста. Модель содержит 507,6 млн параметров, использует библиотеку sentence-transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

Это плотная модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная anonymousresearch123 для поиска дел, рассматривавшихся Верховным судом Таиланда. Она обучена по triplet objective сопоставлять запросы в стиле юриста с текстами фактических обстоятельств дела; для запросов требуется добавлять использованный при обучении префикс-инструкцию, а документы следует кодировать без него. Модель использует pooling последнего токена с левым заполнением и L2-нормализацию; число параметров — 507,6 млн, контекст — до 32 768 токенов. README приводит результаты поиска на полном корпусе с отдельными метриками для пользовательских, юридических и фактических формулировок. Модель предназначена для семантического поиска и ранжирования релевантных судебных дел по запросу на тайском языке. Она распространяется в формате safetensors под лицензией Apache-2.0. Приведённые метрики различаются в зависимости от регистра текста: лучшие результаты показаны для запросов, сформулированных как факты; точность на пользовательских запросах заметно ниже. Для корректной работы важно соблюдать формат запросов и документов, применённый при обучении.

aellxx/disaster-tweet-distilbert — модель классификации англоязычных сообщений в Twitter, дообученная на основе distilbert-base-uncased-finetuned-sst-2-english. Она предназначена для определения, связано ли сообщение с бедствием, например для первичной сортировки потока твитов. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов; формат весов — PyTorch. В README приведено значение loss 0,4605 на оценочном наборе, но его состав и подробности обучения не описаны. Лицензия — Apache-2.0.

ClimateBERT — дообученная языковая модель на базе RoBERTa с классификационной головой для определения, относится ли абзац о климате к конкретным или неконкретным. Модель разработана для классификации климатических текстов и дообучена на наборе данных climatebert/climate_specificity, начиная с climatebert/distilroberta-base-climate-f. Модель содержит 95,4 млн параметров, принимает текст и выдаёт метку класса. Контекст — до 514 токенов. Она предназначена для анализа абзацев; на отдельных предложениях качество может быть ниже. Лицензия — Apache-2.0.

EmbeddingGemma-300m finetuned on MIRIAD — модель Sentence Transformers на базе google/embeddinggemma-300m, дообученная для поиска медицинских сведений. Она преобразует вопросы и фрагменты научных медицинских статей в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель содержит 302,8 млн параметров, работает с текстом на английском языке и принимает последовательности длиной до 1024 токенов. Модель предназначена для извлечения релевантных фрагментов научных медицинских публикаций по подробному запросу. В README приведены результаты оценки на наборах MIRIAD: точность cosine_accuracy@1 составляет 0,822 на eval и 0,802 на test, а @5 — 0,945 и 0,942 соответственно. Это специализированная модель поиска, а не система для постановки диагноза или генерации медицинских рекомендаций. Модель опубликована разработчиком, не связанным с Google, и распространяется по лицензии Apache-2.0. Она дообучена на первых 100 000 пар вопрос–фрагмент из MIRIAD; качество вне медицинского поиска по научным статьям и для других языков не подтверждено приведёнными данными.

EVA02 Small Patch14 336 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Чекпойнт опубликован командой timm: авторы статьи предварительно обучили модель на ImageNet-22k с помощью masked image modeling, используя EVA-CLIP как учителя, а затем дообучили на ImageNet-1k. Модель использует архитектуру Vision Transformer с mean pooling, SwiGLU и Rotary Position Embeddings (RoPE); в ней 22,1 млн параметров, а штатный размер изображения составляет 336 × 336 пикселей. Модель подходит для присвоения изображению метки класса из набора ImageNet-1k, а также как визуальная основа для получения представлений изображений. В карточке приведено сравнение с более крупными моделями EVA02 и EVA, но метрики именно этого чекпойнта не приведены. Репозиторий timm содержит веса PyTorch и safetensors в формате float32; авторы отмечают, что оригинальные чекпойнты в некоторых случаях доступны в float16 или bfloat16. Лицензия — MIT.

EVE-Embed-1.0-Legal — модель эмбеддингов, разработанная ysmeta для поиска корейских судебных прецедентов по запросам, сформулированным обычным языком практикующих юристов. Это дообучение dragonkue/BGE-m3-ko на парах запрос–прецедент; архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, библиотека — Sentence Transformers, веса представлены в safetensors. Модель принимает текст и выдаёт векторные представления для семантического поиска и сравнения предложений. Контекст — до 8194 токенов по метаданным; в обучении использовалась максимальная длина последовательности 384 токена. По оценке на корейских судебных решениях модель улучшает поиск по практическим запросам относительно базовой модели, сохраняя её качество на общих корейских запросах. Карточка сообщает, что версия 1.1 превосходит её на обновлённом бенчмарке; версию 1.0 имеет смысл использовать для воспроизведения опубликованных результатов. Она ориентирована на корейские судебные прецеденты, а не на поиск статей законов; охват некоторых категорий дел, в частности патентных и семейных, ограничен. Результаты поиска не являются юридическим толкованием или консультацией. Лицензия — Apache-2.0.

fractalego/fewrel-zero-shot — модель для извлечения отношений между сущностями с нуля, основанная на статье «Exploring the zero-shot limit of FewRel». В этой версии используется BERT Large, дообученный на SQuAD; в метаданных указаны архитектура BertForQuestionAnswering, 433,9 млн параметров и контекст до 512 токенов. Модель предназначена для классификации отношений между сущностями в тексте без примеров целевых классов. README приводит результаты для сценариев с 5 и 10 вариантами отношений, но не описывает языки, лицензию или ограничения по применению. Репозиторий содержит веса PyTorch.

FinanceConnect-13B-i1-GGUF — квантизированная версия языковой модели FinanceConnect-13B, разработанной ceadar-ie и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на финансовую предметную область и обучалась с использованием набора данных FinTalk-19k. Модель предназначена для задач обработки естественного языка в финансовом контексте, включая суммаризацию, классификацию, перевод и работу с профильными текстами. Указан английский язык. Размер базовой модели составляет 13 млрд параметров; доступны варианты с разными типами квантизации imatrix и размером файлов примерно от 3,0 до 10,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Главное преимущество модели — специализация на финансовой тематике и возможность локального запуска благодаря компактным GGUF-квантизациям. Ограничения связаны с потерями качества при сильной квантизации: README отмечает, что некоторые варианты имеют низкое качество, тогда как Q4_K_M назван быстрым и рекомендуемым, а IQ-квантизации могут быть предпочтительнее сопоставимых по размеру вариантов. Сведения о контекстном окне, мультимодальности и конкретной архитектуре не указаны. Модель распространяется по лицензии Apache-2.0.

samirmsallem/gbert-base-definition_classification — немецкоязычный классификатор предложений, дообученный автором на базе deepset/gbert-base для поиска определений в научных текстах. Модель на основе BERT содержит 137,1 млн параметров, принимает текстовые входы и классифицирует предложение как определительное или не содержащее определения. Контекст — до 512 токенов. Модель обучена на специально размеченном наборе примерно из 10 000 обучающих и 2 000 тестовых примеров из немецких статей Википедии. В карточке сообщается о точности около 96% на оценочной выборке; тестовые метрики после четырёх эпох включают accuracy 0,963. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель подходит для автоматического поиска определений в немецкоязычных научных материалах и подготовки кандидатов для последующей разметки или извлечения терминов. Результаты могут хуже переноситься на другие жанры и области, поскольку обучение проводилось на предложениях из Википедии. Лицензия в предоставленных сведениях не описана.

GigaCheck-Classifier-Multi — мультиязычная модель проекта LLMTrace для бинарной классификации текста: она определяет, написан ли текст человеком или сгенерирован искусственным интеллектом. Модель основана на трансформерной архитектуре Mistral и дообучена на 7,1 млрд параметров версии Mistral-7B-v0.3. Она принимает текст и выдаёт метку класса; заявленная длина контекста — до 32 768 токенов. Модель обучена на англоязычной и русскоязычной частях набора LLMTrace Classification и предназначена для анализа происхождения текста, академических исследований и разработки инструментов обнаружения AI-контента. В тестировании на отложенной части набора авторы сообщают F1 98,64 для класса AI, F1 98,00 для класса Human и среднюю точность 98,46. Качество может снижаться на текстах, созданных более новыми LLM, а также в предметных областях и стилях, слабо представленных в обучающих данных. Возможны ложные срабатывания и пропуски, поэтому результат не следует считать безошибочным доказательством авторства. Лицензия — Apache-2.0.

dascim/greekbart-sentiment-classification — модель классификации тональности греческих текстов, созданная авторами GreekBART в École Polytechnique путём дообучения базовой модели dascim/greekbart. Она решает задачу бинарной классификации тональности и подходит для определения эмоциональной окраски греческих отзывов, новостей и других текстов. Модель построена на архитектуре mBART и использует 95 млн параметров; максимальная длина контекста составляет 1024 токена. Для работы нужны текстовые данные, результатом являются метки классов. Модель рассчитана на греческий язык. Репозиторий использует библиотеку Transformers и формат весов safetensors. Лицензия MIT разрешает использование модели на её условиях.

Модель Aardiiiiy/indobertweet-base-Indonesian-sentiment-analysis разработана на основе IndoBertweet-base-uncased и дообучена для анализа тональности текстов на индонезийском языке. Она классифицирует текст по трём категориям: негативная, позитивная и нейтральная; обучалась на сообщениях Twitter и других социальных платформ по темам политики, катастроф и образования. Модель построена на архитектуре BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Для оценки использовались accuracy, F1-score, precision и recall, а подбор гиперпараметров выполнялся с Optuna. Подходит для анализа тональности публикаций и реакций в соцсетях. Результаты могут зависеть от культурных особенностей и состава обучающих данных; модель может хуже справляться с событиями и контекстами, отсутствовавшими при обучении. Три класса не охватывают всю сложность эмоций. Лицензия — MIT.

Intern-S1-mini — BBB Martins v27 L4 — это полноразмерный чекпойнт, полученный дообучением модели jiosephlee/Intern-S1-mini-lm командой, опубликовавшей репозиторий. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров; для запуска указана библиотека Transformers, веса сохранены в формате safetensors. Она предназначена для генерации текста в сценариях переноса и ранжирования результатов анализов (assay) для набора BBB Martins (L4). Чекпойнт выбран по метрике ranking_validation/overall/knn_id_mae_ood_f1_error_at_3 со значением 0,3382. В репозитории также есть конфигурация модели, токенизатор и метрики чекпойнта; обучение было прервано после сохранения опубликованных весов. Контекст модели составляет до 65 536 токенов. Лицензия в предоставленных данных не указана.

Jisr-WordAlign-29M — модель на базе энкодера арабско-английского машинного перевода Jisr, разработанная oddadmix и дообученная с нуля в рамках этой задачи для выравнивания слов. Это плотная архитектура MarianMTModel на 29 млн параметров: 6 слоёв энкодера размерностью 448; декодера нет. Модель получает параллельные арабские и английские предложения и строит матрицу сходства слов по скрытым состояниям, объединяя представления субслов до уровня слов. Контекст — до 1024 токенов. Модель предназначена для извлечения соответствий между словами в арабских и английских переводах, включая египетский диалект и диалектные транскрипты. В README приведены результаты на MSA, египетском арабском и диалектных транскриптах; подход с взаимным argmax выдаёт взаимно однозначные связи. Лицензия — Apache-2.0. Выравниватель не поддерживает связи один-ко-многим: например, арабская клитика может требовать нескольких соответствий, но используемое правило сопоставления оставляет для слова только одну связь. Метки для оценки получены с помощью LLM и имеют заметные расхождения между проходами, поэтому приведённые AER полезнее для сравнения моделей, чем как абсолютная оценка истинности разметки.

jua-4B-legal-only — модель текстовых эмбеддингов, созданная командой ufca-llms на основе Qwen/Qwen3-Embedding-4B и адаптированная для поиска по бразильским юридическим материалам. Она предназначена для плотного семантического поиска по судебной практике и законодательству, особенно в сценариях с институциональной юридической формулировкой запросов. Модель обучалась только на юридической супервизии: парах JUÁ-Juris, данных законодательного надзора на основе Ulysses и небольшом синтетическом расширении законодательных запросов. В отличие от смешанного варианта, в обучении не использовался SQuAD-pt. Модель поддерживает португальский (в первую очередь бразильский) и английский языки; размер — 3,7 млрд параметров, контекст — до 40 960 токенов. Для поиска рекомендуется использовать инструкции в запросах. Специализация на юридической области может снижать устойчивость на неоднородных задачах и широком семантическом поиске. Лицензия — MIT.

LiteraLevel v4 — модель регрессии для оценки сложности английской прозы с точки зрения изучающих язык. Она разработана как итоговый проект модуля программы по науке о данных в FES Acatlán, UNAM. Модель дообучена на distilroberta-base и содержит 95,2 млн параметров по метаданным; в README указаны 6 слоёв и 82 млн параметров базовой архитектуры. Контекст модели — до 514 токенов. Модель оценивает текст по шкале от 0 до 5, сопоставленной с уровнями CEFR от A1 до C2; пользовательская шкала приложения преобразует эту оценку в диапазон 0–2. Она предназначена для подбора английских книг и оценки сложности глав или отрывков. Для длинного текста рекомендуется разбивать его на фрагменты примерно по 250 слов и усреднять оценки после ограничения каждого результата диапазоном 0–5. По приведённым автором проверкам модель хорошо упорядочивает тексты по уровню, однако точность зависит от набора данных, а оценка может быть завышена для текстов начального уровня. Это не сертификация владения языком. Модель рассчитана только на связную прозу на английском; для меню, списков, таблиц и стихов оценка не имеет смысла. Обучающие данные происходят из одного корпуса, что ограничивает обобщение. Лицензия CC BY-NC-SA 4.0 требует указания источника, запрещает коммерческое использование и требует распространять производные материалы на тех же условиях.

Llama 3 Tulu 2 70B UF Mean RM — языковая модель оценки вознаграждения, разработанная AllenAI на базе allenai/llama-3-tulu-2-70b. Она дообучена на UltraFeedback, в частности на наборе ultrafeedback_mean_aspects, и предназначена для оценки ответов в сценариях RLHF и обучения с PPO. Модель использует плотную архитектуру Llama с классификационной головой; содержит 69,5 млрд параметров и поддерживает контекст до 2048 токенов. Основной язык — английский. Модель подходит для вычисления оценок ответов и поддержки экспериментов по обучению языковых помощников на предпочтениях. В оценке RewardBench получила общий балл 71,0; результаты различаются по категориям, поэтому эти показатели не гарантируют качества в конкретном приложении. Для входа рекомендуется использовать формат карточки с завершающим переводом строки. Лицензия репозитория указана как Apache 2.0; карточка также включает лицензию Meta Llama 3.

LLaVA-OneVision Qwen2 72B — мультимодальная языковая модель от разработчиков LLaVA, представленная в репозитории llava-hf. Она дообучена на базе Qwen2 на синтетических мультимодальных инструкциях и предназначена для диалогов, в которых нужно анализировать изображения, несколько изображений или видео и отвечать на вопросы по ним. Архитектура сочетает визуальный энкодер SO400M с Qwen2; модель имеет 72 млрд параметров и сохранена в формате Safetensors с точностью bfloat16. Модель поддерживает сценарии с одним или несколькими изображениями, а также понимание видео; единая архитектура помогает переносить навыки между этими сценариями. В карточке приведены языковые метки английского и китайского. Для запуска через Transformers требуется версия 4.45.0 или новее; работа с видео и URL/локальными путями через шаблон чата описана для Transformers 4.48 и новее. Для инференса нужна значительная вычислительная память, а 4-битная загрузка через bitsandbytes предполагает совместимый CUDA GPU. Лицензия — Apache-2.0.

LLaVA-OneVision-Qwen2-7B-OV-Chat — мультимодальная языковая модель для диалогов с изображениями и видео. Она разработана командой LLaVA и дообучена на основе Qwen2 на синтетических данных для следования мультимодальным инструкциям; визуальная часть архитектуры использует SO400M. Модель объединяет понимание одиночных и нескольких изображений, а также видео в одном чекпойнте. Модель принимает текстовые запросы вместе с изображениями или видеоматериалом и генерирует текстовые ответы. Её можно применять для описания изображений, ответов на вопросы о визуальном содержимом, сравнения нескольких изображений и анализа видео. Карточка указывает поддержку английского и китайского языков. Чекпойнт распространяется в формате safetensors и рассчитан на использование через Transformers; README также описывает запуск в bfloat16 и варианты инференса с 4-битной квантизацией. Лицензия — Apache-2.0. Качество ответов может зависеть от сложности визуальной сцены и формулировки запроса; мультимодальная генерация может содержать ошибки и неверные выводы о содержимом изображений или видео.

Модель sarthak-wiz01/mcq-deberta-v3-small разработана как часть дипломного проекта по машинному обучению и генеративному ИИ. Это дообученная для пятиклассовой классификации последовательностей модель DeBERTa V3 Small с 155 млн параметров, основанная на microsoft/deberta-v3-small. Она принимает научный вопрос с пятью вариантами ответа, объединёнными в одну строку, и предсказывает номер правильного варианта от 0 до 4. Модель предназначена для решения тестов с выбором ответа, в частности научных вопросов. В README указаны точность 0,99 на валидации и MAP@3 0,752 на таблице лидеров Kaggle. Контекст ограничен 512 токенами; карточка указывает английский язык. Доступны файлы ONNX и safetensors, а для загрузки приведён пример с Transformers. Лицензия — MIT.

On-Task BERT — англоязычный классификатор высказываний учащихся, разработанный на основе BERT-base-uncased и дообученный на репликах из расшифровок уроков математики. Модель относит высказывание к категории «по теме» или «не по теме». Она принимает текст и выдаёт метку класса; архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа участия учеников в математических уроках, например для автоматической разметки реплик по соответствию теме занятия. В README указаны результаты на отложенной выборке из 470 примеров: точность 0,900, macro F1 0,813 и precision для класса «по теме» 0,935. Эти показатели получены на конкретном наборе данных и не гарантируют такое же качество на других классах, предметах или типах речи. Лицензия — MIT.

Perceiver IO — классификатор тональности отзывов о фильмах, разработанный автором репозитория krasserm и дообученный на датасете IMDb. Это обучающий пример библиотеки perceiver-io с классификационным выходным адаптером: веса энкодера перенесены из krasserm/perceiver-io-mlm-imdb, сначала обучалась только голова классификатора при замороженном энкодере, затем дообучались все веса. Модель принимает текст и выдаёт метку тональности. Модель предназначена для определения тональности рецензий на фильмы. В карточке указаны реализация на PyTorch и форматы PyTorch/Safetensors; лицензия — Apache-2.0. Поддерживаемый язык — английский. Размер модели и длина контекста не заявлены в доступных источниках.

Bedovyy опубликовал совместимую с timm перепаковку модели pixai-labs/pixai-tagger-v0.9 для классификации изображений и многометочной разметки тегами. Модель предназначена для анализа изображений в стиле аниме и присвоения им тегов Danbooru; её можно использовать, например, с ComfyUI-WD-Timm-Tagger. Версия адаптирована для формата тегов WD Tagger: цветовое пространство изменено с RGB на BGR, а tag_id в файле selected_tags.csv отличается от идентификаторов Danbooru. Репозиторий распространяется в формате safetensors и использует библиотеку timm. Лицензия — Apache-2.0.

Psych-Search — англоязычная модель на архитектуре BERT, разработанная nlp4good для NLP-сценариев в области психического здоровья. Она создана на основе allenai/scibert_scivocab_uncased посредством продолженного предобучения на аннотациях исследований по психологии и психиатрии из PubMed. Модель содержит 137,1 млн параметров, принимает текст и рассчитана на контекст до 512 токенов; доступны реализации PyTorch и Flax. Модель предназначена как основа для классификаторов и систем понимания текста, в том числе для расширения таксономии MeSH категориями профилактических стратегий и защитных факторов, а также извлечения и стандартизации факторов риска и защиты. Для оценки её дообучили на задаче биомедицинской индексации, похожей на BioASQ Task A; в описанном эксперименте micro-F1 составил 0,7415. В метаданных основная задача указана как заполнение маски (fill-mask). Это специализированная языковая модель, а не готовый клинический инструмент или законченная система поиска. Обучающие данные имеют сильный дисбаланс по представленности сексуальных и гендерных меньшинств и некоторых этнических групп, что может влиять на информационный поиск и последующие модели. Лицензия — Apache-2.0.