I.11Классификация, ранжирование и сопоставление

kennethge123/superglue_rte-bert-base-uncased — модель BERT, дообученная на наборе данных SuperGLUE для классификации текста. Она предназначена для классификационной задачи RTE: определения, следует ли гипотеза из заданного текста. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, длина контекста — до 512 токенов. Модель рассчитана на английский язык и принимает текст, выдавая метку класса. На оценочном наборе указаны loss 1,5070 и accuracy 0,6739. Модель распространяется под лицензией Apache-2.0. Результат оценки указывает на ограничения точности; сведений о дополнительных сценариях применения или специальных мерах безопасности в карточке нет.

Sayan01/tiny-bert-cola-distilled — компактная модель семейства BERT, разработанная пользователем Sayan01 и предназначенная для классификации текста. Название указывает на настройку для задачи CoLA — оценки грамматической приемлемости английских предложений; метаданные Hugging Face подтверждают назначение text-classification и архитектурное семейство BERT.

Vietnamese Llama2-7B 8k — адаптер LoRA, разработанный проектом VietnamAIHub на базе Llama 2. Он дообучен методом QLoRA на более чем 200 тысячах инструкций на вьетнамском языке и предназначен для генерации текста и выполнения разнообразных задач обработки естественного языка на вьетнамском. Модель имеет плотную архитектуру LlamaForCausalLM с 6,6 млрд параметров и контекстным окном до 8192 токенов. В карточке заявлены генерация текста и анализ тональности; репозиторий содержит адаптеры, для работы которых нужна базовая модель. Файлы представлены в формате PyTorch. Адаптер ориентирован на вьетнамский язык, включая задачи с ограниченными обучающими данными. Лицензия в предоставленных сведениях не указана.

ViSoBERT là một языковая модель, разработанная авторами исследования Nam Nguyen, Thang Phan, Duc-Vu Nguyen и Kiet Nguyen для обработки вьетнамских текстов из социальных сетей. Она построена на архитектуре XLM-RoBERTa и обучена как монолингвальная модель с маскированным языковым моделированием; в репозитории представлены веса PyTorch объёмом около 124,8 млн параметров, а длина контекста составляет 514 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под анализ эмоций, выявление языка вражды, анализ тональности, обнаружение спам-отзывов и разметку фрагментов с языком вражды во вьетнамских публикациях. Авторы сообщают о результатах уровня state of the art на нескольких задачах обработки вьетнамских социальных сетей. В карточке указана лицензия для использования только в исследовательских целях; авторы просят цитировать статью при публикации результатов или включении модели в программное обеспечение.

AIKIA — модель классификации текста на основе BERT, дообученная для выявления оскорбительной речи в текстах на современном греческом языке. Разработчики дообучили nlpaueb/bert-base-greek-uncased-v1 на собственном корпусе AIKIA; модель различает два класса: оскорбительный и неоскорбительный текст. Модель рассчитана на анализ текстов из Twitter и художественной литературы. Она принимает текст и возвращает метку класса; размер составляет 140,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

AIRealNet — модель Modotte для бинарной классификации изображений: она определяет, создано ли изображение ИИ или является реальной фотографией человека. Модель дообучена на базе SwinV2 Tiny (microsoft/swinv2-tiny-patch4-window16-256) и использует архитектуру Swinv2ForImageClassification. Изображения при обработке приводятся к размеру 256×256; классификатор выдаёт один из двух классов: «создано ИИ» или «реальное фото человека». Модель предназначена для проверки изображений в социальных сетях, публикациях и цифровых медиа, а также для поддержки модераторов, исследователей и фактчекеров. Для дообучения использован набор Parveshiiii/AI-vs-Real размером 14 тысяч изображений; автор описывает выборку как сбалансированную и сообщает, что личные фотографии не включались. Лицензия — MIT. Карточка предупреждает, что качество на контролируемых данных может завышать ожидаемое качество в реальных условиях: модель плохо выявляет тонкие правки и изображения людей, изменённые ИИ, а её точность может снижаться для незнакомых генераторов и необычных изображений. Предсказания не следует использовать как самостоятельное юридическое подтверждение.

saracen9/amoral-qwen3.8-27b — мультимодальная модель для диалога и рассуждений с изображениями, созданная на основе Qwen3.8-27B. Разработчик удалил направления отказа из базовой модели с помощью Heretic, затем дообучил её методом QLoRA на корпусе рассуждений и данных для рассуждений по изображениям. Репозиторий содержит GGUF в формате Q4_K_M для текстовой модели и отдельный vision-проектор CLIP в F16; для обработки изображений нужны оба файла. Модель принимает текст и изображения и выдаёт рассуждения и ответ в одном ходе. В README заявлены сохранение визуальных рассуждений после дообучения и отсутствие отказов на допустимые запросы. Модель предназначена для локального запуска; текстовая часть занимает около 16,5 ГБ и, по карточке, помещается на GPU с 24 ГБ памяти. Указана лицензия Apache-2.0. Модель намеренно ослабляет отказы и рассчитана на выполнение запросов, которые стандартные модели могут отклонять; это включает потенциально опасные инструкции. Заявления о проверке приведены разработчиком, независимые результаты в карточке не представлены.

AX-3.1-Light-sft_v3_1_C_recommended — это экспериментальная корейскоязычная чат-модель на 6,8 млрд параметров, созданная дообучением skt/A.X-3.1-Light. Разработчик объединил LoRA-адаптер с базовыми весами; модель использует архитектуру Llama, формат BF16 safetensors и официальный шаблон диалога токенизатора A.X. Контекстное окно — 32 768 токенов. Модель предназначена для исследований и контролируемой оценки на корейском языке. Дообучение охватывает инструкции по гражданскому, уголовному и административному праву, бухгалтерским стандартам, базовым медицинским знаниям, анализу новостных статей и оценке технологий. Модель поддерживает генерацию текста в диалоговом формате и рассчитана на прямую загрузку в vLLM без отдельного адаптера или пользовательского кода модели. Модель может допускать фактические ошибки и не предназначена для замены профессиональной юридической, бухгалтерской, медицинской или финансовой консультации. Лицензия — Apache-2.0; исходные данные AI Hub сохраняют собственные условия доступа.

CAMeLBERT-CA Poetry Classification Model — модель классификации арабской поэзии, разработанная CAMeL Lab путём дообучения CAMeLBERT для классического арабского языка на наборе данных APCD. Она предназначена для классификации стихотворных текстов и может использоваться через pipeline библиотеки Transformers; авторы также планировали добавить поддержку в CAMeL Tools. Модель основана на архитектуре BERT и содержит 136,3 млн параметров. Она принимает текст на арабском языке, имеет контекстное окно 512 токенов и выдаёт метку классификации. Доступны версии в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Модель rohanrajpal/bert-base-multilingual-codemixed-cased-sentiment разработана на основе bert-base-multilingual-cased и дообучена для классификации тональности смешанного хинди-английского текста (Hinglish). Она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная. Для обучения использован набор данных SAIL 2017. Это модель семейства BERT с архитектурой BertForSequenceClassification и контекстом до 512 токенов. Доступны версии в форматах PyTorch, TensorFlow и Flax. На тестировании на SAIL 2017 указаны accuracy 0,589 и F1 0,583, поэтому качество может быть ограниченным; также результаты на других данных не приведены. Модель распространяется по лицензии Apache-2.0.

Модель разработана Binny Mathew, Punyajoy Saha, Seid Muhie Yimam, Chris Biemann, Pawan Goyal и Animesh Mukherjee для классификации англоязычных текстов как оскорбительных (язык ненависти или offensive) либо обычных. Это дообученная uncased-версия BERT base с 136,7 млн параметров; при обучении использовались публикации из Gab и Twitter, а также человеческие обоснования разметки HateXplain. Помимо классификации, модель включает голову предсказания обоснований для оскорбительных предложений. Модель рассчитана на анализ текста, например для первичной модерации сообщений и изучения признаков оскорбительной речи. Максимальная длина контекста — 512 токенов. README указывает английский язык и лицензию Apache-2.0. Предсказания могут отражать вредные стереотипы и быть несправедливыми по отношению к отдельным группам. Модель не учитывает внешний контекст автора или публикации, не предназначена для многоязычной классификации и не должна использоваться для создания враждебной среды; результаты требуют осторожной интерпретации.

bert-sr-medium — языковая модель среднего размера на архитектуре RoBERTa, разработанная aajrami. Она обучена с использованием задачи предобучения shuffle + random; подробности об этой цели и гиперпараметрах автор связывает с исследованием о влиянии целей предобучения на усвоение языковых свойств. Модель содержит 59,3 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для извлечения признаков из текста и получения контекстных представлений, которые можно использовать в языковых экспериментах и как основу для downstream-задач. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. README не уточняет целевые языки и результаты оценки качества.

Карточка модели Seiriryu/chatgpt-qa-detector-roberta на Hugging Face совпадает с карточкой Hello-SimpleAI/chatgpt-qa-detector-roberta, поэтому описание составлено по ней. Hello-SimpleAI/chatgpt-qa-detector-roberta — классификатор на базе RoBERTa, разработанный Hello-SimpleAI для определения того, был ли ответ на вопрос создан ChatGPT. Модель обучена на парах «вопрос—ответ» из полного отфильтрованного набора Hello-SimpleAI/HC3 и рассчитана на один проход обучения по этим данным. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. Она подходит для анализа ответов на вопросы и сравнительных исследований обнаружения текста, созданного ChatGPT. Карточка ссылается на статью arXiv:2301.07597 и проект Hello-SimpleAI по обнаружению ChatGPT; лицензия в предоставленных данных не указана.

bennexx подготовил классификатор японских предложений по уровням JLPT, дообучив cl-tohoku/bert-base-japanese-v3 на примерно 5000 размеченных предложениях с сайтов для изучающих язык. Модель использует архитектуру BERT, содержит 138,4 млн параметров и принимает текст длиной до 512 токенов; результатом служит один из классов N5, N4, N3, N2 или N1. Модель подходит для примерной оценки сложности отдельного японского предложения, например при подборе учебных текстов или сортировке материалов по уровню JLPT. На тестовых данных, близких к обучающей выборке, указана точность 0,84, однако на официальных материалах JLPT качество заметно хуже, поэтому оценку не следует считать точной. Лицензия в метаданных указана как cc.

Модель Hiyaw Ertiro — англоязычный классификатор заголовков новостей о Bitcoin, дообученный на базе ElKulako/cryptobert. Это RoBERTa-семейство для классификации последовательностей с примерно 151,8 млн параметров и контекстом до 514 токенов. Модель присваивает заголовку одну из трёх меток: Bearish, Neutral или Bullish; метки отражают вероятное направление влияния события на рынок, а не эмоциональную окраску текста. Модель предназначена для анализа новостного потока о Bitcoin и использования оценок тональности как признака в системах мониторинга рынка, агрегирования торговых сигналов и прогнозирования цен. По README, на независимой выборке из 72 заголовков она показала macro-F1 0,78 против 0,39 у базовой CryptoBERT без дообучения. Обучающие метки были сгенерированы языковой моделью по заданной рубрике, поэтому результаты следует рассматривать как слабую разметку, а не эталонную оценку. Распространяется по лицензии MIT. Модель может ошибаться на неоднозначных заголовках и при оценке влияния конкретных денежных сумм или финансовых действий компаний; автор рекомендует использовать её как один из сигналов, а не как самостоятельную основу для решений.

StanfordAIMI/dinov2-base-xray-224 — модель извлечения признаков изображений на архитектуре DINOv2, разработанная Stanford AIMI в рамках коллекции фундаментальных моделей для радиологии. Она предназначена для получения векторных представлений рентгеновских изображений, которые можно использовать в последующих задачах анализа медицинских снимков. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает точные сценарии применения и ограничения качества; результаты следует проверять на данных целевой клинической задачи.

Это модель DistilBERT для классификации токенов, созданная дообучением distilbert-base-uncased на наборе ingredients_yes_no. Она предназначена для разметки токенов в задачах, связанных с ингредиентами. В README приведены результаты на оценочном наборе: F1 0,9915, точность 0,9978, precision 0,9899 и recall 0,9932. Модель построена на архитектуре DistilBERT, принимает текст и выдаёт метки токенов. Максимальная длина контекста — 512 токенов. Опубликована в формате PyTorch по лицензии Apache-2.0. Языковые сведения сверх английского, указанного в названии базовой модели, в источниках не подтверждены.

NLP-LTU/distilbert-sexism-detector — модель классификации текста, разработанная на основе distilbert-base и дообученная на наборе данных Explainable Detection of Online Sexism (EDOS). Она предназначена для выявления сексистских высказываний в твитах и присваивает тексту один из двух классов: «не сексистский» или «сексистский». Модель использует архитектуру DistilBERT и принимает текстовые последовательности длиной до 512 токенов. Модель описана как компактная и ориентированная на быстрые предсказания через онлайн API; в карточке указан F1 81,2. Для оценки и других языков результаты не приведены. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

Модель matt0513/drug-detection-xlm-roberta — дообученный на классификацию последовательностей XLM-RoBERTa-base от автора карточки matt0513. Она анализирует текст на китайском и английском языках и относит его к одному из двух классов: безопасный текст (LABEL_0) или текст, связанный с наркотиками (LABEL_1), включая сленг. Модель предназначена для выявления такого содержимого в веб-текстах и может применяться для первичной модерации или фильтрации.

Ariffiq99/e_care_xlm_roberta_base_finetuned — дообученная модель XLM-RoBERTa, разработанная на основе FacebookAI/xlm-roberta-base и предназначенная для задач с выбором одного варианта ответа из нескольких. В карточке указаны 305,2 млн параметров, архитектура XLMRobertaForMultipleChoice и контекст до 514 токенов. Модель можно применять в многоязычных сценариях множественного выбора, например для тестовых вопросов с вариантами ответов. В README приведены результаты оценки: loss 0,6184 и F1 0,7208; обучающий набор данных не назван. Модель опубликована в формате safetensors под лицензией MIT.

EmuBert — англоязычная модель Roberta для австралийской юридической сферы, разработанная Умаром Батлером. Это дообученная версия FacebookAI/roberta-base с 151,8 млн параметров, предназначенная прежде всего для предсказания замаскированных токенов и адаптации к юридическим NLP-задачам. Модель обучена на корпусе из 180 тысяч законов, нормативных актов и судебных решений из шести австралийских юрисдикций; контекст составляет 514 токенов. Доступна в формате Safetensors и распространяется по лицензии MIT. EmuBert подходит для дообучения на классификацию юридических текстов, распознавание именованных сущностей, оценку семантического сходства и ответы на вопросы в австралийском правовом контексте. Ограничения включают менее подробные сведения о праве Виктории, Северной территории и Австралийской столичной территории, а также возможный уклон в сторону законодательства и судебных решений Содружества и Нового Южного Уэльса. В README также описаны гендерные и сексуальные стереотипы; автор рекомендует проверять пригодность модели для конкретного применения.

yiyanghkust/finbert-tone — модель Yi Yang и соавторов для определения тональности финансовых текстов. Это классификатор на архитектуре BERT с 137 млн параметров, дообученный на 10 000 вручную размеченных предложениях из аналитических отчётов. Он относит текст к положительной, отрицательной или нейтральной тональности и предназначен для анализа финансовых коммуникаций и исследований в области финансового NLP. Базовый FinBERT предварительно обучен на корпусе финансовых отчётов, расшифровок звонков о результатах компаний и аналитических отчётов общим объёмом 4,9 млрд токенов. Модель принимает текст на английском языке, работает с контекстом до 512 токенов и выдаёт метку класса тональности. В README заявлено высокое качество на задаче анализа финансовой тональности; условия лицензии в предоставленных данных не приведены.

FinTurkBERT Sentiment — модель для классификации тональности коротких финансовых текстов на турецком языке с точки зрения инвестора. Она разработана на основе турецкой BERT-модели: базовую модель дополнительно обучали на турецких финансовых текстах, затем применили task-adaptive pretraining и дообучили на турецкой версии Financial PhraseBank для распознавания трёх классов: негативного, нейтрального и позитивного. Архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, контекст — до 512 токенов. Модель предназначена для анализа финансовых новостей, корпоративных объявлений, деловых публикаций для инвесторов и комментариев о рынке. Она оценивает, подразумевает ли предложение негативное, нейтральное или позитивное влияние на стоимость для инвестора, и намеренно осторожно присваивает позитивные и негативные метки. В описанной конфигурации на валидации достигнуты accuracy 87,01% и macro-F1 0,8564. Модель лучше подходит для коротких финансовых фрагментов, чем для длинных документов. Она может недооценивать слабо выраженные позитивные сигналы; качество может снижаться на неформальных, спекулятивных и нефинансовых текстах. Распространяется по лицензии Apache 2.0.

GeoEmbedding — модель для получения векторных представлений текстов о геонауках, разработанная проектом GeoGPT Research Project. Она дообучена на базе Mistral-7B-Instruct-v0.1 на общих и специализированных геонаучных наборах данных и предназначена для поиска по смыслу и извлечения релевантных материалов в RAG-системах. Модель содержит 7,1 млрд параметров, использует архитектуру MistralDual и поддерживает контекст до 32 768 токенов; для работы доступны веса в формате safetensors и библиотека sentence-transformers. GeoEmbedding преобразует геонаучные тексты в векторы, учитывающие их контекст, чтобы находить материалы для ответов на вопросы и поиска по коллекциям документов. В карточке указана лицензия Apache-2.0. Модель обучена на английских данных, поэтому результаты на других языках могут быть хуже.

NothingMuch/GO-Term-Embeddings-Snowflake-m-1.5 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-m-v1.5, созданная для сопоставления описаний и терминов Gene Ontology. Она преобразует текст в нормализованные плотные векторы размерностью 128; сходство между ними оценивается косинусной близостью. В основе — BERT с CLS-пулингом, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сопоставления формулировок, поиска парафразов, кластеризации и классификации текстов, в частности биологических описаний и терминов. Обучение проводилось на датасете NothingMuch/GO-Terms; карточка приводит результат TranslationEvaluator со средней точностью 0,7666. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. Векторы оптимизированы для семантического сравнения текстов, а не для генерации ответов. Контекст ограничен 512 токенами; карточка не сообщает об оценках на широком наборе задач или о поддержке других языков.

GujaratiBERT — монолингвальная модель на основе BERT, разработанная L3Cube-Pune и обученная на общедоступных корпусах текстов на гуджарати. Она предназначена для задач языкового понимания на гуджарати; основной сценарий использования по метаданным — восстановление скрытых токенов в тексте (fill-mask), а также подготовка представлений для последующих NLP-задач. Модель имеет архитектуру BertForMaskedLM и содержит 264,8 млн параметров. Она принимает текстовые последовательности с маскированными токенами и предсказывает их заполнение; максимальный контекст составляет 512 токенов. Опубликованные форматы — PyTorch и Safetensors. Модель распространяется по лицензии CC BY 4.0. README называет сведения о корпусах и результатах предварительными и отсылает к статье, поэтому конкретные показатели качества здесь не приводятся.

LeoHS04/hateBR_classifier — модель классификации текста на основе BERTimbau Base, разработанная дообучением neuralmind/bert-base-portuguese-cased. Она предназначена для классификации текстов; название модели указывает на выявление языка вражды в бразильском португальском, однако README не уточняет разметку классов и обучающие данные. Модель использует архитектуру BERT для последовательной классификации, содержит 136,1 млн параметров и принимает тексты длиной до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9152 и loss 0,3644; состав выборки и методика оценки не описаны. Распространяется по лицензии MIT.

Helium1-VL-2B — инструктивно дообученная модель Kyutai для работы с изображениями и текстом, выпущенная в рамках проекта CASA. Она основана на языковой модели Helium1-2B и предварительно обученном визуальном энкодере Qwen-2.5VL; архитектура использует вставку визуальных токенов. Модель предназначена для ответов на вопросы об изображениях и других задач понимания визуального содержимого по текстовой инструкции. Модель содержит 1,9 млрд параметров, использует архитектуру Helium1 и формат safetensors. Контекст составляет 4096 токенов. В карточке указаны обучающие наборы FineVision и LLaVA-OneVision-1.5-Instruct-Data; заявлен английский язык. По описанию разработчиков, это высокопроизводительный базовый вариант среди моделей сопоставимого размера, обученных на общедоступных данных. Для загрузки требуется trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения и атрибуции.

IndoRoBERTa Financial Sentiment — модель Khoirul Ihsan для классификации тональности индонезийских финансовых новостей. Она дообучена на базе w11wo/indonesian-roberta-base-sentiment-classifier и использует архитектуру RoBERTa с головой классификации последовательностей; размер модели — 151,8 млн параметров, контекст — до 514 токенов. Модель относит текст к одному из трёх классов: положительному, нейтральному или отрицательному. Она предназначена для анализа финансовых новостей на индонезийском языке, в том числе материалов о фондовом рынке. При интерпретации оценок учитывайте соответствие меток: 0 — положительная, 1 — нейтральная, 2 — отрицательная. Обучение проводилось на размеченных финансовых новостях с синтетическими и аугментированными примерами. Лицензия — MIT.

Jerteh-81 — модель RoBERTa для сербского языка, разработанная Михайло Шкоричем при участии JeRTeh; вычисления выполнены на факультете горного дела и геологии. Модель содержит 94,4 млн параметров и обучалась на сербских корпусах общим объёмом около 4 млрд токенов. Она принимает текст на кириллице и латинице и предсказывает пропущенные слова в контексте; также может векторизовать слова. Модель предназначена для задач маскированного языкового моделирования и получения векторных представлений сербских слов. Контекст составляет 514 токенов. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — CC BY-SA 4.0.