I.11Классификация, ранжирование и сопоставление

RobBobin/math-embed — дообученная модель эмбеддингов на базе allenai/specter2_base для семантического поиска математических документов. Она предназначена прежде всего для поиска научных статей и их фрагментов по запросам о комбинаторике, включая теорию представлений, симметрические функции и алгебраическую комбинаторику. Модель использует плотный BERT-энкодер на 137,1 млн параметров и выдаёт 768-мерные векторы; обучение с Matryoshka Representation Learning позволяет сокращать размерность до 512, 256 или 128. Метаданные указывают английский язык, библиотеку Sentence Transformers и контекст до 512 токенов; в README для обучения указана максимальная длина последовательности 256 токенов. В описанном авторами тесте поиска математических статей модель показала MRR 0,816 и NDCG@10 0,736 на 108 запросах и 4 794 фрагментах статей. Её область обучения ограничена главным образом публикациями по комбинаторике, поэтому качество поиска в других областях математики и науки может быть ниже. Модель распространяется по лицензии Apache-2.0.

Shitanshu06/mcq-deberta-v3-best-v2 — дообученная модель на основе microsoft/deberta-v3-base для ответов на вопросы с пятью вариантами выбора. Она предназначена для автоматического выбора подходящего варианта в задачах multiple choice; README указывает результат MAP@3 0,942 и время обработки около 0,4 секунды на пример. Архитектура DeBERTa-v2 с классификационной головой для multiple choice; в метаданных указано 211,6 млн параметров и контекст 512 токенов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. README приводит другое число параметров — 86 млн; фактический размер по доступным источникам расходится.

Multilingual Sarcasm Detector — модель классификации текста, разработанная Helin Ivan и дообученная на базе bert-base-multilingual-uncased. Она определяет, содержит ли заголовок новостной статьи сарказм, и возвращает один из двух классов: «саркастичный» или «не саркастичный», а также оценку уверенности. Модель основана на BERT и насчитывает 194,6 млн параметров; максимальная длина контекста — 512 токенов. Обучающие данные включают англоязычный датасет заголовков новостей с Kaggle, нидерландские новостные материалы и итальянские заголовки; саркастические примеры собирались с сайтов De Speld и Lercio. В README указаны F1 87,23% и точность 88,30% для многоязычной модели. Она предназначена прежде всего для классификации новостных заголовков и может хуже работать на других жанрах, темах или языках. Лицензия в предоставленных данных не указана.

unitary/multilingual-toxic-xlm-roberta — модель классификации токсичности комментариев, разработанная Лаурой Хану и командой Unitary в рамках проекта Detoxify. Она предназначена для выявления токсичных высказываний и помогает модераторам быстрее находить потенциально вредный контент; также модель можно дообучать на тщательно подготовленных данных, отражающих реальные демографические группы. Модель основана на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает текст и классифицирует его по токсичности; для этого варианта README указывает поддержку английского, французского, испанского, итальянского, португальского, турецкого и русского языков. В карточке указано окно контекста 514 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель может ошибочно считать токсичными комментарии с бранью или оскорбительными словами независимо от тона и намерения автора, например в шутке или самоиронии. README предупреждает о возможной предвзятости по отношению к уязвимым группам и рекомендует проверять качество и смещения на подходящих данных; результаты версии на Hugging Face могут отличаться от библиотеки Detoxify.

NaijaXLM-T-base Hate — модель XLM-RoBERTa, разработанная pvcastro и manueltonneau и дообученная на нигерийских твитах из датасета NaijaHate для выявления языка ненависти. Она классифицирует текстовые сообщения на английском Нигерии, нигерийском пиджине, хауса, йоруба и игбо; в обучении использовались стратифицированная и отобранная активным обучением части датасета. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и доступна в формате PyTorch. Подходит для классификации публикаций в социальных сетях и анализа текста на предмет языка ненависти в поддерживаемых языках. Лицензия в предоставленных данных не указана.

michelleli99/NSFW_text_classifier — дообученная модель DistilBERT для классификации текстов по признаку NSFW. Она анализирует публикации и относит их к одному из двух классов: NSFW (неподходящий или непрофессиональный контент) и SFW. Модель дообучена на 14 317 публикациях Reddit и предназначена для фильтрации текстов, например в сообществах и пользовательских сервисах. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Контекст составляет 512 токенов; в карточке указан английский язык. Модель распространяется в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

OLMo-2-1124-7B-RM-Preview — англоязычная reward-модель Allen Institute for AI (Ai2), созданная на основе диалоговой OLMo 2 7B SFT и обученная на варианте набора Tülu 3 и данных предпочтений. Это плотная модель семейства OLMo 2 с 6,9 млрд параметров, контекстом до 4096 токенов и архитектурой классификации последовательностей; она принимает текст и оценивает ответы для задач ранжирования предпочтений и обучения с подкреплением. Модель использовалась для инициализации value-моделей в обучении RLVR. Карточка не приводит отдельного бенчмарка reward-модели, поэтому её качество как самостоятельного оценщика не подтверждено. OLMo 2 имеет ограниченное обучение безопасности и может выдавать проблемные ответы при соответствующих запросах. Веса распространяются по лицензии Apache 2.0.

OpenSafety-1.5B — специализированная языковая модель команды OpenSafety (thesumith) для фармаконадзора. Это дообученный причинно-следственный трансформер Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов; модель предназначена для работы с клиническими текстами на английском языке. Модель извлекает подозреваемые препараты, схемы дозирования и описания нежелательных явлений, сопоставляет симптомы с терминами MedDRA v28.0 и оценивает, указано ли событие в справочной информации о безопасности препарата. В оценке может приводить обоснование для аудита; заявлена поддержка стандартов MedDRA v28.0 и ICH E2B(R3). Модель доступна в формате Safetensors с 4-битной квантизацией bitsandbytes и работает через Transformers; README также указывает на библиотеку Python opensafety. Лицензия — Apache-2.0.

Matous Volf и Jakub Simko разработали модель для классификации политической ориентации текста. Она относит текст к одному из трёх классов: левый, центристский или правый; оценки классов представлены как вероятности. Модель основана на POLITICS и дообучена на новостных статьях, публикациях в социальных сетях и сгенерированных языковой моделью политологических высказываниях. Модель предназначена для анализа англоязычных текстов в контексте политики США: понятия «левый» и «правый» здесь связаны преимущественно с либеральными взглядами и Демократической партией, а также с консервативными взглядами и Республиканской партией. Она использует архитектуру RoBERTa, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Для входных текстов, которые могут быть неполитическими, авторы рекомендуют предварительно применять отдельный классификатор политичности: эта модель сама не определяет, относится ли текст к политике. Модель создана в рамках исследования об автоматической классификации политической ориентации и политичности текста. На приведённых в карточке тестовых наборах указаны точность 84,7–89,2% и F1 84,6–89,2%; результаты зависят от набора данных и не гарантируют качество на текстах вне обучающего распределения. Весы опубликованы в формате Safetensors, лицензия — CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями.

davidmasip/racism — модель классификации текста на базе RoBERTa, предназначенная для определения, содержит ли текст расистское высказывание. Она возвращает метку LABEL_0 для нерасистского текста и LABEL_1 для расистского. Модель содержит 151,8 млн параметров, работает с текстом на испанском языке и имеет контекст до 514 токенов. В карточке указана лицензия CC; конкретный вариант лицензии не уточнён.

RetrievalRouter (λ=0.0) — контрольная точка маршрутизатора извлечения документов из исследования RetrievalRouter. Модель разработана для выбора одного из пяти готовых поисковых конвейеров по тексту запроса: с текстовым или мультимодальным поиском, плотным поиском или поздним взаимодействием для переранжирования. Это маршрутизатор, а не поисковая система: он не ищет и не ранжирует документы, а выдаёт выбор конвейера до начала поиска. Контрольная точка λ=0.0 ориентирована на качество и выбирает вариант с наибольшим ожидаемым nDCG@5, не учитывая задержку. Архитектура включает базовую языковую модель Qwen3-0.6B-Base с адаптерами LoRA, среднее объединение последних скрытых состояний в 1024-мерное представление запроса и линейный классификационный слой с пятью выходами. Модель обучена на 85 103 запросах из 11 наборов данных; README сообщает о приросте nDCG@5 на 2,5% и ускорении в 12,4 раза относительно сильнейшего фиксированного конвейера. Для загрузки пользовательского кода модели требуется trust_remote_code=True. Поддерживается английский; другие языки и домены не проверялись. Лицензия — MIT.

robertuito-hate-speech — испаноязычная модель классификации текста от pysentimiento, построенная на базе RoBERTuito — RoBERTa, обученной на испанских твитах. Модель содержит около 136,3 млн параметров и принимает последовательности длиной до 130 токенов. Модель дообучена на корпусе HatEval (SemEval 2019, подзадача B) для анализа испаноязычных публикаций в соцсетях. Она определяет, содержит ли текст язык ненависти, направлен ли он на конкретного человека и является ли он агрессивным; эти признаки выдаются как метки классификации. В карточке для оценки на HatEval указан Macro F1 0,759. Подходит для анализа пользовательских публикаций и исследований языка ненависти в испанских соцсетях. Результаты могут хуже переноситься на другие языки, жанры и более длинные тексты; модель не заменяет человеческую модерацию. Сведения о лицензии в предоставленных данных отсутствуют.

SciFive-large-Pubmed — англоязычная модель семейства T5, представленная авторами работы SciFive: Long N. Phan, James T. Anibal, Hieu Tran, Shaurya Chanana, Erol Bahadroglu, Alec Peltekian и Grégoire Altan-Bonnet. Она предназначена для задач обработки биомедицинской литературы и обучена с использованием корпуса PubMed. Модель содержит около 385,2 млн параметров, принимает текст и генерирует текст; максимальная длина контекста — 1024 токена. Карточка указывает задачу text-classification, а архитектура T5 поддерживает генерацию текста в формате text-to-text. Модель подходит для классификации биомедицинских текстов и может применяться в сценариях анализа научных публикаций. В метаданных указаны форматы PyTorch, TensorFlow и Flax, а также веса Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

andrejmiscic/simcls-scorer-cnndm — модель-оценщик из системы SimCLS для абстрактивного суммирования текстов CNN/DailyMail. SimCLS описана в работе «SimCLS: A Simple Framework for Contrastive Learning of Abstractive Summarization». Оценщик обучен выбирать наиболее подходящее резюме среди кандидатов, сгенерированных отдельной моделью; для работы его используют вместе с facebook/bart-large-cnn. Модель основана на RoBERTa, имеет около 151,8 млн параметров и принимает текст. Её задача в конвейере Hugging Face обозначена как feature-extraction; в сценарии SimCLS оценщик сопоставляет исходный документ и кандидаты резюме, чтобы ранжировать их по пригодности. Карточка указывает датасет CNN/DailyMail и английский язык. Контекст модели составляет 514 токенов. Модель рассчитана на выбор резюме для новостных документов, а не на самостоятельную генерацию текста: кандидатов должен подготовить генератор, например BART. В README приведён результат Origin для SimCLS на CNN/DailyMail: ROUGE-1 44,39, ROUGE-2 21,21 и ROUGE-L 41,28. Метаданные указывают лицензию; режим лицензирования здесь не уточняется.

PocketChen/SJTU_NIS4307_intro2ai_bertweet — дообученная модель BERTweet для бинарной классификации англоязычных сообщений по признаку слуха или фейковой информации. Она создана для учебного проекта курса SJTU NIS4307 Introduction to AI и основана на энкодере RoBERTa из vinai/bertweet-base, предварительно обученном на англоязычных твитах. Классификационная голова выдаёт метки LABEL_0 (не слух, достоверное или подтверждённое содержание) и LABEL_1 (слух, фейковое или опровергнутое содержание). Модель содержит 162,4 млн параметров, принимает текст и имеет контекст до 130 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. Модель подходит для классификации коротких сообщений в задачах обнаружения слухов и дезинформации. Её классы объединяют несколько близких понятий, поэтому предсказание не следует считать независимой проверкой достоверности; работа за пределами коротких англоязычных сообщений не подтверждена.

Swin Tiny — модель классификации изображений на базе архитектуры Swin Transformer, дообученная разработчиком mansee на базовой модели mansee/swin-tiny-patch4-window7-224. Она предназначена для определения ориентации изображения по его содержимому. Модель содержит около 33 млн параметров и использует веса PyTorch. На оценочном наборе указаны accuracy 0,9645 и loss 0,1069. README не раскрывает набор классов, данные обучения и конкретные сценарии применения, поэтому качество за пределами этой оценки и поддерживаемые типы ориентации не установлены. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0.

ULTRA 50g — модель-основа для логического вывода на графах знаний, опубликованная под идентификатором mgalkin/ultra_50g. Она использует графовые нейронные сети и модифицированные версии NBFNet для предсказания связей: по сущности и отношению ранжирует возможные сущности-цели. Модель обучена на 50 графах знаний и рассчитана на применение без дообучения к графам с другими наборами сущностей и отношений; при необходимости её можно дообучить под конкретный граф. Веса содержат около 169 тысяч параметров и распространяются в формате safetensors. В отличие от подходов, хранящих отдельные эмбеддинги сущностей и отношений для каждого графа, ULTRA строит переносимые представления отношений. Репозиторий предоставляет код загрузки и применения модели. Лицензия — MIT. Модель предназначена для дополнения графов знаний и ранжирования кандидатов для отсутствующих связей. README приводит результаты на наборах графов и отмечает, что дообучение на конкретном графе в среднем дополнительно повышает качество. Для запуска нужны зависимости и код из репозитория; ожидаемые результаты могут различаться в зависимости от графа и протокола оценки.

VILA-2.7b — визуально-языковая модель семейства VILA, разработанная авторами исследования VILA. Это плотная модель на архитектуре LlavaLlamaForCausalLM с 2,6 млрд параметров и контекстом 4096 токенов. Она обучалась на чередующихся данных изображений и текста и предназначена для мультимодальных исследований и чат-ботов. Модель принимает текст и изображения и отвечает текстом. Она поддерживает рассуждения по нескольким изображениям, обучение в контексте и визуальную цепочку рассуждений, сохраняя возможности работы с одним текстом. Для запуска на устройствах с ограниченными ресурсами авторы описывают развёртывание через TinyChat с 4-битной квантизацией AWQ, хотя опубликованный репозиторий содержит веса в формате safetensors. Модель обучена в феврале 2024 года. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

5CD-AI/viso-twhin-bert-large — модель BERT для заполнения пропусков в тексте, построенная на TwHIN-BERT. Разработчики уменьшили словарь до 20 тысяч токенов и продолжили предобучение на наборе UIT в течение 10 эпох. Модель содержит 423,1 млн параметров, использует архитектуру BertForMaskedLM и поддерживает контекст до 512 токенов. Модель предназначена для работы с вьетнамскими текстами из социальных сетей. В README описана оценка её дообученных вариантов на распознавании эмоций, выявлении языка ненависти, спам-отзывов и фрагментов с языком ненависти. Для этих downstream-задач указано дообучение с длиной входа до 128 токенов. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

7wolf/wav2vec2-base-gender-classification — модель классификации аудио, дообученная на базе facebook/wav2vec2-base. Она предназначена для определения гендерной категории по аудиозаписи речи. Архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров; веса опубликованы в формате safetensors. В README указаны результаты на оценочном наборе: accuracy 0,9892 и loss 0,0438. Датасет и подробности методики оценки не раскрыты, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

WSPAlign-mbert-base — мультиязычная модель на базе BERT, представленная в репозитории qiyuw. Она предназначена для выравнивания слов в параллельных текстах и связана с задачами перевода и ответов на вопросы. Модель содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и опубликована в формате PyTorch. В метаданных указана поддержка английского, немецкого, французского, китайского, японского и румынского языков. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования. Карточка README содержит только краткое указание на инструкции по запуску; подробные сведения о качестве и ограничениях модели отсутствуют.

Модель c-ho/2026-07-15-crf-classweights-clean — дообученная модель токенной классификации на базе Davlan/bert-base-multilingual-cased-ner-hrl. Она использует архитектуру BERT с CRF-слоем и предназначена для присвоения меток отдельным токенам текста. Базовая модель извлекает именованные сущности, включая имена людей, организации и географические названия, на десяти языках; эта версия демонстрирует метрики на наборе оценки для лингвистических категорий, однако назначение меток и обучающий датасет в карточке не описаны подробно. Модель содержит 205,1 млн параметров, принимает текст в контексте до 512 токенов и распространяется в формате safetensors. На оценочной выборке указаны F1 0,7962, precision 0,7749 и recall 0,8188; результаты по отдельным категориям различаются, а для Graphemicphenomenon F1 равен 0. Лицензия — AFL-3.0.

amBART_261 — дообученная модель семейства mBART, разработанная на базе Samuael/amBART_1000. Она предназначена для извлечения признаков из входных данных и может использоваться как компонент в задачах, требующих представления текста в виде признаков. Модель содержит 25,3 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors. В карточке приведены результаты оценки: loss 1,9604, WER 2,7857, CER 3,6889 и BLEU 0,0; набор данных для дообучения и назначения модели не описаны. Лицензия в предоставленных сведениях не указана.

AraNeoBERT v3 (dialect-augmented) — арабоязычный энкодер примерно на 250 млн параметров, разработанный miweru в сотрудничестве с SinaLab for Computational Linguistics and Artificial Intelligence. Модель обучена предсказывать замаскированные токены и предназначена для заполнения пропусков в арабском тексте; её представления также можно использовать при дообучении для распознавания именованных сущностей и анализа тональности. Архитектура основана на NeoBERT/ModernBERT: 28 слоёв, размер скрытого состояния 768, чередование локального и глобального внимания. Контекст — до 4096 токенов; токенизатор SentencePiece Unigram содержит 64 тысячи токенов. Предобучение охватывает современный стандартный арабский и диалектные тексты, включая египетский, марокканский, надждийский, левантийский и иракский варианты. В карточке приведены результаты дообученных вариантов на NER и анализе тональности, но сама модель является энкодером для masked language modeling. Для загрузки требуется пользовательский код модели в Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0. README описывает модель как исследовательский артефакт и указывает, что она частная; доступность весов и условия практического использования могут быть ограничены.

augment-sentiment-finnlp-th — модель классификации тайского текста, созданная дообучением airesearch/wangchanberta-base-att-spm-uncased. Она предназначена для анализа тональности и других задач классификации текста. Модель построена на архитектуре CamemBERT и содержит 132,5 млн параметров; максимальная длина контекста — 512 токенов. На оценочном наборе указаны точность 0,7415 и функция потерь 0,8684. В карточке не описаны состав и метки обучающего набора, поэтому область применения этих показателей и качество для отдельных сценариев оценить нельзя. Условия лицензии в предоставленных данных не указаны.

marcosgg/bert-base-gl-cased — базовая предварительно обученная модель BERT для галисийского языка, разработанная Marcos García. Это регистрозависимая архитектура BERT с 12 слоями и примерно 205,1 млн параметров; модель принимает текст и использует контекст длиной до 512 токенов. Она предназначена для задач заполнения пропусков в тексте и может служить основой для языковых задач на галисийском языке. Модель оценивали на задачах лексической семантики: распознавании омонимии и синонимии в контексте; результаты представлены на ACL 2021. Модель обучена с учетом галисийской орфографии ILG/RAG и сохраняет регистр букв. Доступна в формате PyTorch. Лицензия — AGPL-3.0.

Это базовая японская модель BERT с токенизацией на уровне символов, разработанная группой cl-tohoku NLP. Она предварительно обучена на японских текстах Википедии и предназначена для заполнения пропусков в тексте и использования в качестве основы для задач обработки японского языка. Сначала текст разбирается морфологическим анализатором MeCab с IPA-словарём, затем токены делятся на символы; размер словаря составляет 4000. Архитектура соответствует BERT base: 12 слоёв, размер скрытого представления 768 и 12 голов внимания; модель содержит около 116,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch, TensorFlow и Flax. Обучение выполнено на японской Википедии по состоянию на 1 сентября 2019 года. Лицензия — CC BY-SA 4.0.

asafaya/bert-large-arabic — большая предварительно обученная языковая модель BERT для арабского языка. Её обучили на корпусе примерно из 8,2 миллиарда слов, включающем арабскую часть OSCAR, собранную из Common Crawl, свежий дамп арабской Википедии и другие арабоязычные источники общим объёмом около 95 ГБ текста. Модель предназначена для заполнения пропусков в тексте и может служить основой для адаптации BERT к другим задачам обработки арабского языка. Она содержит 435,4 млн параметров, использует архитектуру BERT Large и поддерживает контекст до 512 токенов. В обучающих данных есть как современный стандартный, так и диалектный арабский; также встречаются отдельные слова на других языках. Доступны версии в форматах PyTorch, TensorFlow и Flax, включая safetensors. Корпус и словарь не ограничены только современным стандартным арабским, а отдельные неарабские слова в данных могут влиять на результаты. Условия лицензирования в предоставленных источниках не описаны.

piuba-bigdata/beto-contextualized-hate-speech — испаноязычная модель для тонкого многометочного выявления языка ненависти в комментариях к новостным статьям. Она дообучена на базе BETO, испанской предварительно обученной модели семейства BERT, и имеет около 137,1 млн параметров. Для анализа подайте комментарий и контекст вместе в формате «текст комментария [SEP] контекст»; модель классифицирует текст по нескольким категориям, включая высказывания против женщин, ЛГБТИ и расистские высказывания, а также отдельно отмечает призывы к насилию. Модель рассчитана на классификацию текста на испанском языке и поддерживает до 512 токенов контекста. Её многометочная постановка позволяет одновременно выявлять несколько признаков в одном комментарии. В карточке README сведения о лицензии и конкретных ограничениях качества не приведены.

BioBert-PubMed200kRCT — англоязычная модель классификации биомедицинских текстов, разработанная как дообучение dmis-lab/biobert-base-cased-v1.1 на наборе PubMed200kRCT. Она использует архитектуру BERT для классификации неструктурированных фрагментов текстов рандомизированных контролируемых исследований по пяти категориям: BACKGROUND, CONCLUSIONS, METHODS, OBJECTIVE и RESULTS. Модель предназначена для автоматической разметки разделов научных публикаций и анализа текстов клинических исследований. В README указаны точность 0,8934 и значение loss 0,2832 на оценочном наборе. Модель содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Для использования доступны веса PyTorch и Safetensors. Лицензия CC BY-NC 3.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель специализирована на классификации текстов рандомизированных контролируемых исследований, поэтому её метрики и категории не следует переносить на другие типы документов без отдельной оценки.