I.11Классификация, ранжирование и сопоставление

project-aps/finbert-finetune — дообученная командой project-aps модель ProsusAI/finbert для определения тональности финансовых текстов и заголовков. Это классификатор на архитектуре BERT с 136,7 млн параметров, который относит входной текст к положительной, отрицательной или нейтральной тональности. Модель обучена на финансовых новостях, рыночных комментариях и отчётных формулировках; карточка указывает набор FinGPT/fingpt-sentiment-train примерно из 60 тысяч примеров и оценку на нескольких финансовых бенчмарках. Модель предназначена для анализа финансовых новостей и других англоязычных финансовых текстов. Она принимает текст и выдаёт метку тональности; заявлены улучшения относительно базовой FinBERT на приведённых авторами тестах, однако результаты зависят от наборов данных и требуют независимой проверки. Длина контекста — до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Ограничение, отмеченное авторами: модели бывает трудно корректно интерпретировать тонкие числовые сравнения, например изменение прибыли или убытка между периодами. Высокая уверенность классификатора сама по себе не гарантирует правильность прогноза.

MiaoshouAI Florence-2-base-PromptGen — модель компьютерного зрения на архитектуре Florence-2, дообученная для MiaoshouAI Tagger в ComfyUI. Она анализирует изображения и создаёт подробные подписи и теги в стиле Danbooru, ориентированные на описание промптов, использованных для генерации изображений. Модель обучена на изображениях и очищенных тегах с Civitai и предназначена для разметки изображений и подготовки тегов для обучения моделей генерации изображений. README сообщает об улучшениях точности тегов и способности анализировать изображения с откровенным содержимым. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель принимает изображения и выдаёт текстовые подписи и теги. В README не приведены размер модели и длина контекста.

deepset/gbert-base — базовая немецкоязычная модель BERT, созданная совместно авторами оригинальной German BERT и dbmdz BERT; среди разработчиков указаны Branden Chan, Stefan Schweter и Timo Möller. Модель обучена для работы с немецким текстом и использует архитектуру BERT base с головой masked language modeling. В каталоге Hugging Face указаны 137,1 млн параметров и контекст до 512 токенов. Основная задача модели — заполнение пропусков в тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Её можно применять как основу для задач понимания немецкого языка и адаптировать под конкретные сценарии. В README приведены результаты на наборах GermEval14 и GermEval18, где модель, по утверждению авторов, превосходит предшественников. Обучение использовало данные, связанные с Wikipedia, OPUS и OpenLegalData. Модель распространяется по лицензии MIT. Она предназначена для немецкого языка и не является генеративным чат-ассистентом; основное применение — masked language modeling, а не свободная генерация длинных текстов.

Historical Page Classifier — компактный классификатор изображений на MobileNetV2 от проекта small-models-for-glam. Он определяет, содержит ли страница исторического документа иллюстрацию: гравюру, фотографию, карту, диаграмму или научное изображение. Модель дообучена для бинарной классификации на 1 896 размеченных страницах книг из Internet Archive; заявленная точность на тестовой выборке — 95,09%, F1 для класса «illustrated» — 0,92. Модель рассчитана на обработку оцифрованных исторических книг в цифровых библиотеках, IIIF-процессах и гуманитарных исследованиях. Она занимает около 2,5 МБ в квантованном формате ONNX и оптимизирована для работы в браузере через transformers.js; README также описывает использование с Python. Лицензия — Apache-2.0. Обучающая выборка преимущественно содержит западные исторические книги. Классификатор может ошибаться на страницах с текстом и небольшой иллюстрацией и не предназначен для современных документов. Заявленные показатели относятся к тестовой выборке и не гарантируют ту же точность на других коллекциях.

IndoBERT Large phase2 uncased — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре BERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для получения контекстных представлений текста и может служить основой для последующей настройки под задачи обработки индонезийского языка. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса для PyTorch, TensorFlow и Flax; лицензия — MIT. Карточка описывает предварительное обучение и извлечение контекстных представлений, но не приводит результатов оценки качества на прикладных задачах.

lamhalobotnet50ts_256.a1h_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она основана на архитектуре ResNet и сочетает блоки Lambda, Halo и BoTNet; конфигурация использует BYOBNet и сокращённое число блоков self-attention для более быстрого обучения. Модель содержит 22,6 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность около 5,0 GMACs. Модель предназначена для отнесения изображений к категориям ImageNet-1k, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. В карточке отмечено, что конфигурация не повторяет настройки какой-либо одной публикации: она опирается на рецепт ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Модель принимает изображения и выдаёт текстовые метки классов; языковая поддержка не относится к её назначению. Репозиторий предоставляет веса PyTorch и Safetensors, а лицензия — Apache-2.0. Классификация ориентирована на набор категорий ImageNet-1k, поэтому модель может быть ограничена при работе с классами, отсутствующими в этом наборе; карточка также предупреждает, что архитектура не соответствует точной конфигурации описанных научных работ.

LLaVA-OneVision-2-8B-Instruct — мультимодальная модель для диалога с изображениями и видео. Основную работу над проектом ведёт Glint Lab. Модель использует языковую основу Qwen3-8B и визуальный энкодер в стиле OneVision; это плотная архитектура для генерации текста по визуальному контексту. Модель принимает одиночные изображения, несколько изображений и видео. Для видео доступны равномерная выборка кадров и дополнительный кодековый режим с упаковкой кадров в холсты, рассчитанный на более точную обработку длинных роликов при том же бюджете токенов. Чекпойнт предназначен для запуска через Transformers и поставляется с пользовательским кодом; для загрузки кода модели требуется включить trust_remote_code. Лицензия — Apache-2.0.

Longformer for SciCo — модель Allen Institute for AI для разрешения иерархической кореференции научных понятий между документами. Она принимает две упоминаемые сущности с контекстом каждой и классифицирует их отношение по четырём вариантам: не связаны, кореферентны, первая является родительской или дочерней по отношению ко второй. Модель основана на Longformer и предназначена для анализа научных текстов с длинным контекстом; размер составляет 151,9 млн параметров, максимальная длина контекста — 4098 токенов. Модель решает задачу многоклассовой классификации отношений между упоминаниями и может применяться для построения иерархий научных концептов по нескольким документам. В отличие от описанной в статье исходной версии, этот вариант использует двухслойный MLP поверх представления токена [CLS] вместо одного линейного слоя. Доступна в формате PyTorch, лицензия Apache-2.0.

MATPAC++ — аудиоэнкодер для получения представлений звука, разработанный авторами проекта MATPAC. Эта версия обучена на наборе AudioSet и предназначена для извлечения эмбеддингов общего аудио, которые можно использовать в последующих задачах классификации и анализа звука. Модель использует архитектуру ViT-Base с 12 слоями и размерностью 768. Она принимает монофоническое аудио с частотой дискретизации 16 кГц, преобразованное в логарифмические мел-спектрограммы, и выдаёт эмбеддинги размерностью 3840. Для классификации на конкретных наборах задач требуются отдельные веса линейных проб, которые не входят в этот энкодер. Репозиторий содержит порт для Transformers с `trust_remote_code`; для запуска нужны дополнительные зависимости `torchaudio`, `einops` и `timm==0.4.12`. Модель распространяется по лицензии Apache-2.0. Она предназначена для представления аудио, а не для распознавания речи или генерации звука; качество на конкретной задаче зависит от подходящей downstream-модели или обученной линейной пробы.

osunlp/MindAct_CandidateGeneration_deberta-v3-base — модель группы OSU NLP, дообученная на базе encoder-only DeBERTa-v3-base для этапа генерации кандидатов в веб-агентах MindAct и Mind2Web. Она оценивает пары, состоящие из текущего запроса или действия и кандидата — например, HTML-элемента веб-страницы, — чтобы ранжировать и извлекать наиболее релевантные варианты для последующего предсказания действий.

MiniCPM-V-4.6-Thinking-abliterated-MAX — мультимодальная модель для диалога и рассуждений по изображениям, видео и тексту, опубликованная prithivMLmods. Это производная от openbmb/MiniCPM-V-4.6-Thinking версия, переупакованная с обновлённым разбиением весов и улучшенной совместимостью с новыми версиями Transformers; заявлено сохранение исходных возможностей рассуждения. В основе архитектуры — визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B; базовая модель описана как имеющая 1,3 млрд параметров и контекст до 262 тысяч токенов. Модель предназначена для вопросов по изображениям и видео, мультимодального анализа и структурированных рассуждений, а также локального запуска и экспериментов на потребительском оборудовании. В карточке указаны английский язык и возможности диалога и компьютерного зрения. Метки abliterated и refusal-ablated указывают на изменение отказного поведения. Лицензия — Apache-2.0. Модель может ошибаться в пошаговых рассуждениях; результаты следует проверять перед использованием в критических сценариях. Качество зависит от входных данных и сложности задачи, а обработка изображений высокого разрешения может требовать значительных вычислительных ресурсов.

MORESPulse — мультиязычная модель классификации текста, разработанная проектом MORES и предназначенная для анализа эмоциональной окраски политической коммуникации и сравнительных исследований. Это дообученная версия XLM-RoBERTa large для классификации предложений по шести меткам: гнев, страх, отвращение, грусть, радость и отсутствие этих эмоций. Метки можно свести к тональности: радость — положительная, отсутствие перечисленных эмоций — нейтральная, остальные — отрицательная. Модель обучалась на размеченных предложениях на английском, немецком, французском, польском, словацком, чешском и венгерском языках; обучающие данные включают искусственно сгенерированные примеры и переводы. Авторы сообщают о близких результатах на тестовых наборах для разных языков. Модель используется в Babel Machine — инструменте для сравнительных исследований. Репозиторий распространяется по лицензии CC BY 4.0.

NbAiLab/nb-sentence-bert-base-mnli-test — тестовая модель sentence-BERT (SimCSE), разработанная NbAiLab и обученная на основе nb-bert-base. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости. Модель построена на архитектуре BERT, содержит 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель не прошла валидацию, поэтому её качество и пригодность для прикладного использования не подтверждены. Репозиторий распространяется по лицензии Apache-2.0.

NYSgpt/nsr-reranker — англоязычный переранжировщик научной литературы по ядерной физике, разработанный NYSgpt. Это cross-encoder на базе ModernBERT с 149 млн параметров, дообученный от Alibaba-NLP/gte-reranker-modernbert-base на экспертных парах запрос–статья из корпуса Nuclear Science References (NSR), включающего 277 068 записей. Модель принимает запрос и документ, затем выдаёт оценку релевантности для сортировки уже найденных кандидатов в двухэтапном поиске или RAG. Она предназначена для поиска публикаций NSR по ключевым запросам и EXFOR-запросам, особенно как второй этап после плотного или гибридного поиска. В описанном авторами тесте переранжирование топ-50 результатов bge-m3 повысило Recall@1 с 0,080 до 0,180 и nDCG@10 на 76% для экспертных ключевых запросов. Модель рассчитана на английский язык; базовый контекст составляет до 8192 токенов, хотя в примере использования задан max_length=256. Модель распространяется под лицензией Apache-2.0 и используется через sentence-transformers CrossEncoder. Её качество ограничено составом входного списка: переранжировщик не найдёт статью, отсутствующую среди кандидатов. Оценки в README относятся к конкретным тестовым наборам NSR и EXFOR и не гарантируют такие же результаты на других коллекциях.

Falconsai разработала эту модель на базе distilbert-base-uncased: DistilBERT дообучен для классификации текстов на оскорбительные и неоскорбительные. Она предназначена для модерации пользовательских сообщений и выявления оскорбительной или разжигающей ненависть речи. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов, основной язык — английский. Модель компактнее исходного BERT благодаря дистилляции и ориентирована на одну задачу. По карточке, обучающий набор меньше 100 тысяч примеров, составлен из исследовательских датасетов и новостных заголовков; в нём есть перекосы, в частности частое использование слова «like» в оскорбительных примерах и отсутствие пунктуации. Поэтому возможны ложные срабатывания на такие формулировки и ошибки на данных, отличающихся от обучающих. Лицензия — Apache-2.0.

muhtasham/olm-bert-tiny-december-2022 — компактная англоязычная модель BERT, созданная в рамках проекта OLM для выпуска более актуальных языковых моделей. Она содержит около 7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель обучена на очищенных снимках Common Crawl и Wikipedia за декабрь 2022 года; она регистронезависимая и обучалась с маскированием WordPiece-токенов. Основная задача модели — предсказание замаскированных токенов. Её также можно дообучать для классификации последовательностей и токенов, а также для ответов на вопросы. Малый размер делает её удобной для недорогого дообучения и запуска на CPU, но автор сообщает, что в предварительной оценке GLUE она уступила исходной tiny BERT и связывает это с возможными проблемами гиперпараметров и токенизатора. Лицензия — Apache-2.0.

Модель enesyila/ota-sbert-kadisicilleri разработана Enes Yılandiloğlu и представляет собой sentence-transformer на архитектуре BERT, дообученный на османско-турецких судебных записях kadı sicilleri из архивов Стамбула. Она преобразует предложения и абзацы в плотные 384-мерные векторы для сравнения семантического сходства, поиска и кластеризации документов. Обучение проводилось на 54 554 записях и 54 428 триплетах; модель рассчитана на османский турецкий периода 1500–1928 годов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, содержит 124,3 млн параметров и принимает до 512 токенов. В README сообщается о точности ранжирования 96,95% на тестовом наборе из 5 443 примеров. Для документов длиннее контекстного окна рекомендуется обработка фрагментами. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Модель Matous Volf и Jakub Simko классифицирует англоязычные тексты по политическому уклону, присваивая один из трёх классов: левый, центристский или правый. Она создана для исследования «Political Leaning and Politicalness Classification of Texts» и дообучена на DeBERTa V3 large. В обучающих данных использованы новостные статьи, публикации в социальных сетях и сгенерированные языковой моделью политологические высказывания; политический контекст преимущественно американский. Модель подходит для разметки политических текстов и анализа их идеологического уклона. Она может ошибочно классифицировать неполитические тексты, поэтому авторы рекомендуют предварительно отфильтровывать их отдельным классификатором политичности. Модель содержит 533,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате Safetensors для библиотеки Transformers. Опубликованные результаты на тестовых наборах показывают точность и F1 около 88–89% на приведённых в карточке наборах. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

parsawar/profanity_model_3.1 — модель классификации текста для определения оскорбительного и неоскорбительного содержания. По карточке, это обновлённая версия модели, обученная на 200 тысячах текстовых примеров; метаданные указывают на архитектуру RoBERTa с классификационной головой и 151,8 млн параметров. Модель выдаёт одну из двух меток: 0 — неоскорбительный текст, 1 — оскорбительный. Она подходит для фильтрации пользовательских сообщений и модерации текстового контента. Принимает текст, поддерживает последовательности длиной до 514 токенов. Указана лицензия Apache-2.0.

RADIO-L — модель извлечения визуальных признаков из изображений, разработанная NVIDIA Research и созданная авторами Mike Ranzinger, Greg Heinrich, Jan Kautz и Pavlo Molchanov. В README модель представлена как часть проекта AM-RADIO, объединяющего визуальные представления для разных областей применения. Модель принимает изображения и возвращает два вида признаков: сводный вектор, представляющий общий смысл изображения, и пространственные признаки отдельных участков. Сводное представление подходит для задач, которым нужен общий образ изображения, а пространственные признаки предназначены для плотных задач, например семантической сегментации, и интеграции с LLM. Репозиторий содержит веса в формате safetensors. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Модель manudaza/retinal-triage-efficientnetb0 — EfficientNetB0, дообученная на изображениях глазного дна для классификации тяжести диабетической ретинопатии по пяти степеням ICDRSS: от отсутствия признаков заболевания до пролиферативной ретинопатии. Её разработали как компонент системы сортировки очереди на проверку в виртуальной клинике диабетического офтальмологического скрининга. Модель принимает цветные фотографии глазного дна RGB размером 224×224 пикселя и выдаёт класс заболевания; веса сохранены в формате TensorFlow/Keras. Обучение выполнено методом transfer learning на 3 662 размеченных изображениях APTOS 2019: сначала базовую сеть использовали для извлечения признаков, затем дообучили её последние 20 слоёв. На валидационной выборке Quadratic Weighted Kappa составила 0,7987; полнота для тяжёлой ретинопатии — 0,690, для отсутствия ретинопатии — 0,952. Эти показатели не гарантируют аналогичного качества на других популяциях, камерах и протоколах съёмки. Модель предназначена для определения срочности последующей проверки специалистом и не является диагностическим устройством: каждое предсказание требует врачебной оценки. Она не оценивает диабетический макулярный отёк, для которого нужны другие методы визуализации, например OCT. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и без коммерческого применения.

RogerKam/roberta_fine_tuned_sentiment_newsmtsc — модель RoBERTa для классификации текста, дообученная автором репозитория на базе roberta-base. Она предназначена для определения тональности текста; название репозитория указывает на новости и аспекты, однако README не описывает метки и точную схему классификации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Для проверки приведены результаты на оценочной выборке: accuracy 0,7713 и F1 0,7710. Модель подходит для автоматической разметки тональности коротких текстов и анализа новостных высказываний. README не раскрывает состав обучающих данных, метки классов и ограничения применения, поэтому переносить результаты на другие типы текстов следует с проверкой. Лицензия — MIT.

Это дообученная Mohammad Khosravi модель RoBERTa Large для определения уровня владения английским языком по шкале CEFR. Она относит текст учащегося к одному из шести уровней — от A1 до C2 — с помощью классификационной головы и совместной функции потерь, учитывающей дисбаланс классов и порядковое расстояние между уровнями. Модель содержит около 454,1 млн параметров, принимает текст и рассчитана на последовательности до 514 токенов; карточка указывает английский язык и формат весов safetensors. Модель предназначена для автоматической оценки ученических работ, отслеживания прогресса изучающих английский и подбора учебных материалов по уровню. В README приведены высокие метрики на внутренней проверке и отдельном тесте, но они получены на данных EFCAMDAT и не гарантируют такой же точности на других текстах. Лучше всего модель подходит для сочинений неносителей английского; на художественной прозе, речи носителей и узкоспециализированных текстах качество может снижаться. Тексты длиннее лимита токенизатора могут обрезаться. Лицензия — MIT.

Shiraz — персидская языковая модель Lifeweb на архитектуре MobileBERT, предназначенная для заполнения пропусков в тексте. Модель содержит 69,6 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате safetensors. Она обучена на собственном корпусе Divan, который, по заявлению разработчиков, включает более 164 млн документов и 10 млрд токенов. В README также описаны оценки модели в задачах распознавания именованных сущностей, анализа тональности и определения эмоций; разработчики отмечают высокую скорость и конкурентное качество. Метаданные указывают основную задачу fill-mask. Модель выпущена под лицензией Apache-2.0.

TAPAS tiny — компактная модель семейства TAPAS от Google, построенная на архитектуре Transformer, близкой к BERT. Она предварительно обучена на английских таблицах из Wikipedia и связанных текстах с помощью маскированного языкового моделирования и дополнительного этапа обучения на примерах проверки утверждений по таблицам. Модель содержит 4,4 млн параметров и поддерживает контекст до 512 токенов. Модель формирует векторные представления пар «таблица — вопрос» и предназначена прежде всего для тонкой настройки под ответы на вопросы по таблицам, классификацию и проверку того, подтверждается ли утверждение содержимым таблицы. Доступны варианты с относительными позиционными эмбеддингами по умолчанию и с абсолютными позиционными эмбеддингами через revision="no_reset". Входные данные включают текст и таблицу; результат базовой модели — скрытые векторные представления. TAPAS tiny — англоязычный чекпойнт общего назначения для табличных данных; его небольшой размер удобен для экспериментов и адаптации под конкретные задачи. Для прикладного ответа на вопросы или классификации обычно требуется дополнительная настройка с соответствующей головой. Модель распространяется по лицензии Apache-2.0.

Компактный классификатор электронных писем TinyBERT, разработанный Daniel Eder и дообученный на данных, полученных из Enron. Модель относит текст письма, при необходимости вместе с темой, к классу «спам» или «обычное письмо»; она рассчитана на сценарии с низкой задержкой и небольшими вычислительными затратами. В основе — BERT-архитектура TinyBERT с 4 слоями и размерностью скрытого представления 312; модель содержит 15,6 млн параметров и принимает до 512 токенов. Она оптимизирована для малого числа ложных срабатываний, поэтому может пропускать часть спама; порог классификации можно снизить, чтобы повысить полноту обнаружения. Длинные переписки рекомендуется очищать или обрабатывать частями. Обучение на письмах в стиле Enron ограничивает перенос на потребительскую почту, а качество на неанглийском тексте может снижаться. Лицензия — MIT.

mohsenfayyaz/toxicity-classifier — модель классификации текста на базе BERT Base uncased, дообученная на наборе Jigsaw Unintended Bias in Toxicity Classification. Она предназначена для оценки токсичности текста и подходит для анализа комментариев и другого пользовательского контента. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель может помочь выявлять токсичные высказывания при модерации и анализе текстовых потоков. Карточка не сообщает лицензию, поэтому условия использования установить нельзя; результаты классификации могут быть подвержены смещениям, связанным с данными Jigsaw, и не должны считаться безошибочным решением о модерации.

VisualPRM-8B — мультимодальная модель оценки процесса рассуждения (Process Reward Model), разработанная OpenGVLab. Она анализирует ход решения мультимодальных задач и помогает выбирать более качественные ответы при стратегии Best-of-N: оценивает корректность отдельных шагов рассуждения и ранжирует варианты. По карточке это плотная модель семейства InternVL с 8 млрд параметров, построенная на основе InternVL2_5-8B; в метаданных также указана связь с InternVL2_5-8B-MPO. Для обучения использовались наборы MMPR-v1.1 и VisualPRM400K, а для оценки разработан бенчмарк VisualProcessBench с человеческой разметкой корректности шагов. Модель предназначена для мультимодального анализа, включая запросы с изображениями, и применяется как компонент отбора или оценки ответов, а не как самостоятельный генератор итоговых решений. README сообщает об улучшении результатов BoN на нескольких мультимодальных бенчмарках, в том числе приросте 5,9 пункта при применении к InternVL2.5-78B на семи бенчмарках. Лицензия — MIT.

Sami92/XLM-R-Large-Polarization-Classifier — модель классификации текста на основе XLM-RoBERTa Large, дообученная для определения поляризующих и неполяризующих утверждений. Она предназначена для анализа предложений, в частности для выявления поляризующих заявлений в текстах из Telegram и близких сценариях мониторинга публичных обсуждений. Таксономия поляризации следует работе Ashraf et al. 2024. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст до 514 токенов. В обучении использовались около 5 000 постов из 200 Telegram-каналов, предварительно размеченных с помощью GPT-4o, а затем обучающие данные Ashraf et al. 2024. Карточка указывает немецкий язык. На тестовой выборке Ashraf et al. 2024 F1 составил 0,89 для неполяризующих и 0,67 для поляризующих утверждений; поэтому результаты для второго класса следует трактовать осторожно. Модель распространяется по лицензии CC BY 4.0.

AbuseBERT — модель классификации текста на основе RoBERTa, дообученная для выявления оскорбительной, токсичной и другой агрессивной речи. Разработчики объединили и согласовали данные из десяти публичных наборов, чтобы уменьшить зависимость от лексических и выборочных особенностей отдельных датасетов и улучшить перенос на новые источники. В карточке сообщается о F1 0,84 на отложенном бенчмарке для интегрированной модели против среднего F1 0,60 у моделей, обученных на отдельных наборах. Модель предназначена для анализа текста из социальных сетей, форумов и переписок: она может помогать модераторам находить потенциально вредный контент и исследователям изучать онлайн-травлю, кибернасилие и язык ненависти. Это англоязычная модель с контекстом до 130 токенов и 162,4 млн параметров. Доступны веса PyTorch; лицензия — MIT.