I.11Классификация, ранжирование и сопоставление

JobBERT — англоязычная модель семейства BERT, разработанная авторами работы SkillSpan: Hard and Soft Skill Extraction from Job Postings. Это модель с 135,5 млн параметров, полученная продолжением предобучения bert-base-cased на примерно 3,2 млн предложений из объявлений о работе. Она предназначена для языкового моделирования по маске: предсказывает пропущенный токен в тексте, в том числе в контексте вакансий и навыков. Модель принимает текст и выдаёт текстовые предсказания; длина контекста составляет 512 токенов. Чекпойнт доступен в форматах PyTorch, Safetensors и ONNX. Лицензия в предоставленных данных не указана. Модель специализирована на текстах вакансий, поэтому её применение к другим жанрам текста может давать менее подходящие предсказания; задача извлечения навыков описана в связанной научной работе, но указанная задача модели в метаданных — fill-mask.

hyunwoongko/kobart — корейская модель семейства KoBART-base-v2 на архитектуре BART, разработанная Hyunwoong Ko. Модель обучена с добавлением диалоговых данных, чтобы лучше обрабатывать смысл последовательностей длиннее тех, с которыми справлялась исходная KoBART. Репозиторий содержит веса PyTorch; размер модели — 79,7 млн параметров, контекст — до 1026 токенов. Модель подходит для генерации и преобразования корейского текста, включая диалоговые сценарии и классификацию тональности отзывов: в карточке приведён результат 0,901 accuracy на NSMC. Для загрузки указаны Transformers и токенизатор PreTrainedTokenizerFast. Модель распространяется по лицензии MIT. Карточка не приводит подробных оценок качества для других задач, поэтому пригодность для них следует проверять отдельно.

Модель nlp04/korean_sentiment_analysis_kcelectra — дообученная версия beomi/KcELECTRA-base-v2022 для классификации текстов на корейском языке. Она использует архитектуру ELECTRA с головой классификации последовательностей, содержит 155 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для определения тональности корейских текстов, например отзывов и сообщений в соцсетях. На оценочном наборе указаны accuracy 0,7072, micro-F1 70,7183 и AUPRC 68,4562. Сведения о наборе данных, категориях классификации и конкретных ограничениях не приведены. Лицензия — MIT.

KUCI_e_care_CRAB_xlm_roberta_large_Finetuned — модель на архитектуре XLM-RoBERTa Large, дообученная на базе Ariffiq99/e_care_CRAB_xlm_roberta_large_finetuned. Она предназначена для задач с выбором одного варианта ответа из предложенных; доступный тип архитектуры — XLMRobertaForMultipleChoice. Модель содержит около 658,7 млн параметров и рассчитана на контекст до 514 токенов. В README приведены результаты на оценочной выборке: loss 0,6119 и F1 0,8458. Датасет, назначение компонентов «KUCI», «e_care» и «CRAB», поддерживаемые языки и ограничения конкретного сценария не описаны. Репозиторий распространяется по лицензии MIT.

Legal-BERT — англоязычная BERT-модель, опубликованная CaseHOLD, для работы с юридическими текстами. Она предварительно обучена на корпусе судебных решений Harvard Law: 3,45 млн решений федеральных судов и судов штатов, охватывающих период с 1965 года. Модель основана на bert-base-uncased и продолжила обучение на юридическом корпусе в течение 1 млн шагов с целями MLM и NSP; размер составляет 136,7 млн параметров, максимальный контекст — 512 токенов. Основная задача в карточке Hugging Face — заполнение пропусков в тексте. Модель подходит как основа для дообучения классификаторов и систем множественного выбора в юридических сценариях, например для анализа судебных решений, условий обслуживания и задач CaseHOLD. Это англоязычная текстовая модель; веса доступны в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Карточка модели lmms-lab/llava-onevision-qwen2-72b-ov-sft на Hugging Face совпадает с карточкой lmms-lab/llava-onevision-qwen2-72b-si, поэтому описание составлено по ней. LLaVA-OneVision — мультимодальная модель семейства LLaVA, разработанная LMMS-Lab и основанная на языковой модели Qwen2. Версия с 71,5 млрд параметров сочетает визуальный энкодер SO400M с языковой моделью и принимает текстовые запросы вместе с изображениями, несколькими изображениями или видео для диалогового взаимодействия и генерации текста. Модель предназначена для описания и анализа визуального содержимого в сценариях с одним или несколькими изображениями, а также с видео. Модель обучалась на наборах данных LLaVA-OneVision в несколько этапов, включая обучение на данных изображений, нескольких изображений и видео. Она поддерживает английский и китайский языки, использует контекстное окно в 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Для запуска модели такого размера требуются значительные вычислительные ресурсы; README не приводит оценки качества или подробностей ограничений распознавания отдельных типов визуального содержимого.

Nemotron-Labs-Audio-Visual Flamingo (AVF-Instruct) — открытая аудиовизуальная языковая модель, разработанная NVIDIA и Университетом Мэриленда для совместного анализа и рассуждений по речи, звукам, изображениям и видео. Она принимает текстовые запросы вместе с аудио, изображениями и видеоматериалами, а в ответ генерирует текст. Архитектура объединяет визуальный энкодер SigLIP, аудиоэнкодер AF-Whisper, отдельные проекторы для аудио и визуальных признаков и декодер семейства Qwen2.5-7B. Синхронизированные аудио- и видеоданные объединяются с учётом временной последовательности. Модель ориентирована на английский язык; для длинных видео заявлена обработка до 15 минут и контекст до 32K токенов. Модель предназначена для вопросов и ответов по видео, аудиовизуального описания, анализа последовательности событий и сопоставления звуков с визуальными моментами. Ей могут быть сложны очень длинные и насыщенные видео, особенно когда нужные свидетельства редки или удалены друг от друга во времени; обучающие данные также могут содержать смещения и пересечения с ранее использованными данными. Интеграция с Transformers доступна через форк. Лицензия NVIDIA OneWay Noncommercial License разрешает только некоммерческое исследовательское использование.

Модель dealignai/Qwen3.5-VL-35B-A3B-JANG_4K-CRACK — мультимодальная версия Qwen 3.5 VL, подготовленная Jinho Jang. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; в архитектуре сочетаются слои GatedDeltaNet SSM и полного внимания, а также 256 экспертов, из которых активны четыре. Модель предназначена для диалогов и обработки изображений с текстовыми запросами; поддерживает английский, китайский и корейский языки и интерфейс вызова инструментов. Веса преобразованы в смешанный формат JANG_4K для MLX: заявлены 8-, 5-, 4- и 3-битные уровни точности, общий размер около 18 ГБ. Также применена CRACK-обработка, удаляющая отказы на уровне весов; автор сообщает результат 315 из 320 на HarmBench. Для запуска требуется Apple Silicon и поддержка JANG в MLX Studio либо пакете jang-tools; README рекомендует vMLX. Лицензия — Apache-2.0. Модель может отвечать на вопросы по изображениям и вести диалог, однако после удаления защитных отказов она рассчитана на выдачу потенциально вредных инструкций. Результаты тестов и скорости приведены автором и не являются независимой оценкой; README не сообщает длину контекста.

Patent-Analyst Embedding LoRA — текстовая модель эмбеддингов, созданная автором репозитория на базе Qwen/Qwen3-Embedding-0.6B. Она предназначена для поиска семантически похожих исторических ответов заявителей на возражения и отклонения экспертизы патентных заявок США (Office Actions). Модель дообучена методом LoRA на парах «отклонение — ответ» с контрастивной функцией потерь и внутрипакетными негативными примерами; содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Модель может помочь находить примеры ответов по новому возражению и служить демонстрацией специализированных эмбеддингов для юридических текстов. Она возвращает представления для семантического поиска, но не оценивает юридическую обоснованность аргументов и не предсказывает исход дела. Обучение охватывает только патентное производство США, а качество поиска зависит от наличия похожих случаев в корпусе. Репозиторий распространяется по лицензии CC BY-NC 4.0; карточка позиционирует модель как исследовательский артефакт и не предназначает её для юридических рекомендаций, автоматической подачи документов или практической работы без независимой проверки специалистом.

Модель textattack/roberta-base-RTE — версия RoBERTa-base, дообученная командой TextAttack для классификации текстовых последовательностей на задаче распознавания текстового следствия (RTE) из набора GLUE. Она принимает текстовые пары и предсказывает, следует ли гипотеза из посылки. Модель содержит 151,8 млн параметров, её контекстное окно составляет 514 токенов; при дообучении использовалась максимальная длина последовательности 128 токенов. Доступны веса PyTorch и Flax. Модель подходит для классификации пар предложений и экспериментов с задачами понимания естественного языка. На оценочной выборке GLUE RTE лучшая точность составила около 79,4%. Это специализированный чекпойнт для одной задачи, поэтому его результаты не следует переносить на другие виды классификации без дополнительной проверки. В README лицензия не указана.

dadashzadeh/roberta-sentiment-persian — модель классификации текста на основе RoBERTa, дообученная автором репозитория на базе HooshvareLab/roberta-fa-zwnj-base. Она предназначена для анализа тональности персидских текстов. Модель содержит 145,5 млн параметров, имеет контекст длиной до 514 токенов и распространяется в формате safetensors. На указанном в карточке наборе оценки она показала accuracy 0,8298 и loss 0,4350. Карточка не раскрывает метки тональности, сведения о наборе данных и ограничения модели. Лицензия — Apache-2.0.

IvanFed разработал многоцелевой классификатор русскоязычных текстов на основе энкодера cointegrated/rubert-tiny2. Модель независимо оценивает вероятность ненормативной лексики, угроз и запросов о незаконных действиях с помощью трёх классификационных голов и сигмоидальных выходов. Модель предназначена для модерации русскоязычных комментариев и обнаружения оскорблений и угроз. Она обучена на наборе из 248 288 размеченных комментариев из ok.ru; на валидации F1 для ненормативной лексики составил 0,8945, для угроз — 0,7823. Для класса незаконных запросов датасет не содержит примеров, поэтому модель не умеет надёжно их выявлять. Модель использует PyTorch и распространяется по лицензии Apache-2.0. Обучение только на комментариях ok.ru ограничивает перенос качества на другие источники и типы текста.

Модель orzhan/ruroberta-ruatd-binary — версия sberbank-ai/ruRoberta-large, дообученная для бинарной классификации русского текста по признаку искусственного происхождения. Она предназначена для определения, был ли текст создан искусственным интеллектом, в том числе для задач обнаружения машинно-сгенерированных текстов. Модель построена на архитектуре RoBERTa с классификационной головой RobertaForSequenceClassification и содержит 454,1 млн параметров. Принимает текст; максимальная длина контекста — 514 токенов. Модель связана с задачей Russian Artificial Text Detection. Карточка не приводит оценки качества, описание обучающих данных или условия лицензии, поэтому их нельзя оценить по имеющимся сведениям.

Модель LRieser/steam-ukraine-political-qwen2.5-3b-merged — дообученная и объединённая версия Qwen2.5-3B-Instruct от LRieser на базе Qwen. Она предназначена для классификации отзывов об играх в Steam, связанных с публичными высказываниями разработчиков о войне России против Украины весной 2022 года. На вход принимает текст отзыва и контекстную подсказку, а в ответ формирует JSON с оценкой политической релевантности, позицией автора отзыва относительно заявления разработчика, типом реакции, кратким обоснованием и уверенностью. Это плотная причинная языковая модель Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена на 40 011 отзывах Steam и 8 272 комментариях к объявлениям; исходные обучающие тексты были переведены на английский, а оценка проводилась на оригинальных языках. В тесте согласие с метками учителя составило 0,953, F1 для выявления политических отзывов — 0,860. Качество ниже для редких классов позиции и формата реакции; F1 политической классификации на русском в тесте составил 0,761. Для корректного формата ответа требуется системный промпт из prompt_system.md. Модель распространяется по Qwen Research License; использование ограничено исследовательскими целями.

theworld-cc3m-align-subset-spatial-0-5 — дообученная мультимодальная модель на базе google/gemma-3-4b-it, опубликованная под именем alwinjin8. Карточка указывает архитектуру Gemma3ForConditionalGeneration и формат safetensors; метаданные отмечают поддержку изображений и задачу image-text-to-text. Модель предназначена для сценариев, где требуется совместно обрабатывать изображения и текст и формировать текстовый ответ. Название указывает на связь с пространственными данными и подмножеством CC3M, однако README не описывает датасет, точные задачи, качество или ожидаемые сценарии применения. Лицензия указана как gemma. Следует учитывать условия лицензии Gemma и ограничения базовой модели; карточка не приводит отдельных оценок качества или рекомендаций по применению.

TsekTxt RoBERTa-Tagalog Taglish Misinformation Classifier — модель Ханса Джио Арки, созданная в рамках выпускного исследовательского проекта. Это дообученная модель jcblaise/roberta-tagalog-base с архитектурой RoBERTa и классификационной головой на два класса; она содержит 136,3 млн параметров и принимает последовательности длиной до 514 токенов. Модель классифицирует короткие и средние сообщения на тагальском, английском и их смешении Taglish как подозрительные или не подозрительные. Модель предназначена для выявления потенциальной дезинформации в сообщениях социальных сетей и может использоваться в конвейере проверки достоверности с атрибуцией значимости токенов через Integrated Gradients. В описанном тестировании на 2540 примерах указана точность 0,97. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование с указанием авторства. Данные обучения смещены в сторону развлекательной и политической тематики. Качество на преимущественно англоязычных сообщениях отдельно не оценивалось; модель также не проверялась на новостных статьях, длинных документах и текстах вне филиппинского контекста. Её оценки не следует использовать как единственное основание для проверки фактов или решений с юридическими и репутационными последствиями.

XLMR-MaCoCu-is — крупная предварительно обученная языковая модель для исландского языка, разработанная Риком ван Ноордом из Университета Гронингена в рамках проекта MaCoCu. Это продолжение обучения XLM-RoBERTa-large на собранных проектом исландских текстах: 4,4 ГБ, или около 688 млн токенов. Модель использует словарь XLM-RoBERTa-large и имеет около 658,7 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для получения контекстных представлений текста и как основа для языковых задач на исландском, включая разметку частей речи, распознавание именованных сущностей и оценку языкового понимания. Её проверяли на UPOS, XPOS, NER и COPA. Доступны веса для PyTorch, TensorFlow и JAX. Лицензия — CC0 1.0.

Xmodel-VLM — мультимодальная модель зрения и языка от XiaoduoAILab, рассчитанная на эффективное развертывание на потребительских GPU-серверах. Метаданные указывают архитектуру XmodelLMForCausalLM семейства XmodelVLM, 1,1 млрд параметров и контекст длиной 32 768 токенов. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы; среди примеров — ответы на вопросы о содержимом изображения. В README описана оценка на наборах VizWiz, SQAI, VQAT, POPE, GQA, MMB, MMBCN, MM-Vet и MME. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых языках и подробно не описывает ограничения модели; для инференса README рекомендует использовать актуальные код и окружение.

AfroXLMR-Social — языковая модель на базе XLM-RoBERTa, разработанная для текстов из социальных сетей на африканских языках. Она предназначена для задач заполнения маскированных токенов и может служить основой для анализа текстов в социальных сетях на 19 языках. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для masked language modeling и принимает текст с контекстом до 514 токенов. В предварительном обучении использован корпус AfriSocial. Репозиторий содержит веса в формате Safetensors; модель доступна по лицензии MIT.

SuperAnnotate AI Detector — англоязычный классификатор текста, разработанный SuperAnnotate на основе дообученной RoBERTa Large. Модель относит текст к одной из двух категорий: написан человеком или сгенерирован искусственным интеллектом. Она предназначена для проверки текстов, учебных и научных работ, а также данных для обучения на признаки машинной генерации и возможного мошенничества. Модель обучена на сбалансированном наборе из 44 тысяч пар человеческих и сгенерированных ответов из Википедии, Reddit ELI5, научных публикаций и набора RAID. В обучении использовались тексты, созданные 14 моделями из семейств GPT, LLaMA, Anthropic и Mistral; из обучающих данных удаляли наиболее коррелирующие с метками n-граммы длиной от двух до пяти слов. В метаданных указаны библиотека Transformers и формат safetensors. В README приведены результаты на подмножестве RAID, но они различаются по моделям-генераторам, поэтому качество нельзя считать одинаковым для любого текста. Модель принимает текст и выдаёт классификацию. Она рассчитана прежде всего на английский язык и не должна рассматриваться как окончательное доказательство авторства: результаты могут зависеть от тематики, генератора и способов изменения текста. Лицензия указана как SAIPL в README и как other в метаданных Hugging Face; перед использованием следует проверить условия SAIPL.

AlbaSocialXLM-R — модель XLM-RoBERTa, разработанная для работы с албанскими текстами из социальных сетей. Она основана на FacebookAI/xlm-roberta-base и продолжительно обучена предсказывать замаскированные токены на корпусе примерно из 400 тысяч албанских комментариев, включая исходные и контролируемые синтетические варианты. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors под лицензией MIT. Это masked language model, а не готовый классификатор. Её можно использовать для предсказания замаскированных слов или дообучать с классификационной головой для анализа тональности, эмоций, позиции, токсичности и диалектных вариантов в комментариях и других неформальных албанских текстах. Модель специально адаптирована к шумному письму, региональным формам и тексту без диакритических знаков. В описанной оценке адаптация улучшила результаты на задачах анализа тональности, выявления языка вражды и определения диалектов. Поскольку обучающие данные происходят из соцсетей, модель может отражать их предубеждения, оскорбительную лексику и региональные особенности; для чувствительной модерации нужны отдельная оценка и контроль человека.

Модель danlou/albert-xxlarge-v2-finetuned-csqa — дообученная версия ALBERT-XXLarge-v2 для выбора ответа из нескольких вариантов в задачах на здравый смысл. Она использует плотную архитектуру ALBERT и рассчитана на работу с текстом; базовая модель имеет 3,3 млрд параметров и контекст до 512 токенов. Модель обучена на CommonsenseQA и показывает точность 0,7871 при потере 1,6177 на оценочном наборе. Модель подходит для тестов на понимание повседневных связей и выбора наиболее правдоподобного ответа из предложенных вариантов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

AusLaw Embedding v1.0 — англоязычная sentence-transformers-модель для создания плотных векторных представлений предложений и абзацев в юридическом контексте Австралии. Автор — Adrian Lucas Malec. Модель дообучена на базе BAAI/bge-small-en на судебных решениях Высокого суда Австралии из Open Australian Legal Corpus; дела, полученные с помощью PDF/OCR, в обучении не использовались. Модель основана на BERT с размерностью эмбеддингов 384, использует CLS-пулинг и нормализацию векторов. Она предназначена для семантического поиска, сравнения сходства и кластеризации юридических текстов. Максимальная длина контекста — 512 токенов; поддерживается английский язык. Доступна в формате PyTorch по лицензии Apache-2.0. Модель специализирована на корпусе дел Высокого суда Австралии, поэтому её представления могут хуже подходить для других юрисдикций, правовых материалов и общих текстов. Указано, что OCR-версии судебных дел не входили в обучающую выборку.

Avey-B Sindhi 25M — компактный энкодерный языковой модельный чекпойнт, разработанный DanishMahdi и обученный с нуля методом masked language modeling на текстах на синдхи. Это не чат-модель и не генератор свободного текста: модель предназначена для дообучения на классификацию и разметку токенов, извлечения представлений, предсказания скрытых токенов и продолжения предобучения. Модель использует архитектуру Avey-B с энкодером для masked language modeling, содержит 24,9 млн параметров и обучена на корпусе HPLT 3.0 на синдхи с 32-тысячным WordPiece-словарём. Длина обучающих последовательностей составляла 512 токенов. В README приведены результаты предсказания скрытых токенов и эксперимента NER, однако автор отмечает, что выборка Sindhi WikiANN очень мала и результаты NER служат лишь ориентиром для низкоресурсного сценария. Модель подойдёт для экспериментов и прикладного дообучения на задачах для языка синдхи. Качество следует проверять на целевых данных: предобучающий корпус представляет собой отфильтрованный веб-текст, а оценочное покрытие ограничено MLM-тестом и малой автоматически размеченной выборкой WikiANN. Репозиторий распространяется по лицензии Apache-2.0.

Это модель BERT-TWEET для анализа тональности итальянских текстов. Её разработчик дообучил uncased-модель BERT-TWEET-ITALIAN на датасете SENTIPOLC-16 для бинарной классификации сообщений на положительные и отрицательные; примеры со смешанной тональностью исключались. Модель предназначена прежде всего для твитов и других коротких публикаций в социальных сетях. Модель имеет архитектуру BERT и около 136,7 млн параметров. Она принимает текст, поддерживает итальянский язык и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке SENTIPOLC-16 указаны точность 83,67%, полнота 83,15%, точность положительного предсказания 80,48% и F1 81,49% в среднем по двум классам. Модель может хуже работать на длинных, структурированных или узкоспециализированных текстах; она обучена на сообщениях из соцсетей и не предсказывает смешанную тональность как отдельный класс. Распространяется по лицензии Apache-2.0.

Это дообученная на CIFAR-10 модель зрения CLIP ViT-Large с размером 402,7 млн параметров и размером патча 14. Она предназначена для извлечения признаков изображений и их классификации в сценариях, связанных с десятью классами CIFAR-10. В карточке приведены результаты оценки: 0,9557 для предобученной модели и 0,9913 после дообучения. Модель основана на openai/clip-vit-large-patch14 и опубликована в формате safetensors. Метаданные указывают задачу feature-extraction; ограничения по лицензии в предоставленных данных не описаны.

pzryathzsdhc/cti-ner-roberta-large — крупная модель RoBERTa, дообученная для распознавания именованных сущностей в англоязычных бюллетенях CISA по киберугрозам. Она размечает текст в формате BIO и выделяет 16 типов сущностей: идентификаторы и названия техник атак, CVE и CWE, хеши, имена и пути файлов, IP-адреса, адреса электронной почты, семейства вредоносных программ, группы угроз, инструменты взлома, тактики, классификации TLP, имена правил YARA и затронутые программные продукты. Модель содержит 454,1 млн параметров, принимает текст и имеет контекст 514 токенов. При обработке длинных бюллетеней следует использовать скользящие окна: обычный однопроходный вызов токенизатора может усекать текст, особенно насыщенный хешами. На тестовой выборке из восьми бюллетеней строгая micro-F1 составила 0,63, расслабленная — 0,69; небольшой размер теста ограничивает надёжность оценки. Обучающие метки были предложены LLM и проверены валидаторами формата span, а тестовую разметку курировали люди. Модель выпущена под лицензией MIT.

EmbeddingGemma-300M-LawVault — модель эмбеддингов на базе Google EmbeddingGemma-300M, дообученная автором карточки для поиска по китайским законам и нормативным актам. Она предназначена для юридических RAG-систем: преобразует запросы и документы в векторы, чтобы находить подходящие нормы, в том числе когда пользователь формулирует вопрос разговорным языком или похожие положения легко перепутать. Модель использует архитектуру Gemma3Text и контрастивное обучение на 65 783 парах запросов, релевантных фрагментов и трудных отрицательных примеров. Matryoshka-обучение поддерживает векторы размером 768, 512, 256 и 128 измерений. Размер модели — около 302,8 млн параметров, контекст — до 2048 токенов. Автор сообщает об улучшении метрик извлечения на собственной тестовой выборке; эти результаты относятся к описанному набору и сценарию оценки. Модель работает с текстом и рассчитана прежде всего на китайский язык и юридический домен. Автор предупреждает, что качество для других языков и областей не оценивалось и не гарантируется. Лицензия — Apache-2.0.

Карточка модели Aardiiiiy/EmoSense-ID-Indonesian-Emotion-Classifier на Hugging Face совпадает с карточкой nahiar/emotion-analysis, поэтому описание составлено по ней. EmoSense-ID — модель классификации эмоций в текстах на индонезийском языке, разработанная на основе NusaBERT-base. Архитектура — BERT для классификации последовательностей; модель содержит 137,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт категории эмоций по модели Плутчика: ожидание, гнев, отвращение, страх, радость, печаль, удивление и доверие. Модель обучена на индонезийских твитах и предназначена для анализа эмоциональных реакций в социальных сетях. При обучении применялся подбор гиперпараметров с Optuna. Доступна по лицензии MIT. Классификация может быть смещена из-за особенностей обучающих данных; результаты следует интерпретировать с учётом этого ограничения.

Financial-RoBERTa — модель для анализа тональности финансовых текстов, разработанная Mohammad Soleimanian. Она построена на RoBERTa Large, дополнительно обученной и дообученной на корпусе финансовой отчётности и новостей. Модель классифицирует текст по трём меткам: положительная, отрицательная или нейтральная, и выдаёт оценки softmax. Модель предназначена для анализа финансовой отчётности, объявлений о доходах, стенограмм звонков с инвесторами, CSR-отчётов, ESG-материалов и финансовых новостей. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, длина контекста — 514 токенов. В карточке указан английский язык. Лицензия — Apache-2.0.