I.11Классификация, ранжирование и сопоставление

Модель BETO для обнаружения сарказма — дообученная версия испанского BERT bert-base-spanish-wwm-cased, разработанная в рамках практикума по обработке естественного языка Univalle PLN. Она выполняет бинарную классификацию испанских текстов, определяя саркастические высказывания. Модель построена на архитектуре BERT и содержит 137,1 млн параметров; максимальный размер контекста — 512 токенов. Для загрузки и использования подходит библиотека Transformers. В эксперименте с подбором гиперпараметров и ранней остановкой конфигурация с размером батча 32 показала на валидации точность 90,96% и F1 88,16%. Эти показатели относятся к описанному в карточке набору валидации и не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

Модель emilylearning/cond_ft_none_on_reddit__prcnt_100__test_run_False__roberta-base опубликована пользователем emilylearning на Hugging Face. Это модель RoBERTa-base, дообученная на данных Reddit; метаданные относят её к задаче token classification. Архитектура содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для классификации отдельных токенов в последовательности, однако конкретный набор меток и прикладная интерпретация результатов в доступных источниках не раскрыты. Модальность — текстовая; сведения о поддерживаемых естественных языках и лицензии не установлены.

guidobenb/DarkBERT-finetuned-ner — англоязычная модель распознавания именованных сущностей для анализа описаний киберинцидентов. Она разработана на базе s2w-ai/DarkBERT и дообучена на данных VCDB в формате VERIS; архитектура — RoBERTa для классификации токенов, около 151,8 млн параметров, контекст — до 514 токенов. Модель предназначена для извлечения сущностей категорий VERIS 4A: участников инцидента, активов, действий и атрибутов. Её можно применять для структурирования отчетов об инцидентах, сбора данных киберразведки и анализа открытых сведений об утечках, вторжениях, вредоносном ПО и DDoS-атаках. В опубликованной оценке F1 составляет 0,5014, precision — 0,4628, recall — 0,5470, поэтому результаты требуют проверки и могут пропускать или неверно размечать сущности. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Исходная модель DarkBERT предварительно обучена на текстах даркнета, а обучающие данные этой версии происходят из публичной базы инцидентов VCDB.

DTA Character 6-gram — компактная символьная языковая модель проекта histde для оценки качества OCR исторических немецких текстов. Она обучена на транскрипциях Deutsches Textarchiv, охватывающих печатные тексты 1500–1900 годов. Модель использует символьные 6-граммы со сглаживанием stupid backoff; вместо обучаемых параметров в файле safetensors хранятся таблицы частот. Подсчёт оценок выполняется на CPU, а интерфейс совместим с causal language models библиотеки Transformers. Модель присваивает текстовым страницам оценку bits-per-character (bpc): более низкая оценка обычно соответствует чистому историческому немецкому, более высокая — ошибкам распознавания, искажениям и шуму. Она предназначена для ранжирования страниц в крупных оцифрованных газетных корпусах. Токенизатор нормализует исторические символы, регистр, цифры, переносы и пробелы, поэтому оценка намеренно не учитывает ошибки регистра и цифр. В испытании на контролируемых OCR-искажениях оценки росли с уровнем повреждения; результаты также хорошо коррелировали с KenLM на проверенной выборке. Модель ориентирована на печатный исторический немецкий и может давать завышенные оценки для современного немецкого, других языков и непечатного текста. Она слабо замечает перестановку целых слов, а bpc подходит для сравнения страниц внутри одной версии модели, но не является калиброванной вероятностью и не переносится напрямую на другие оценщики. Генерация технически поддерживается, однако основное назначение модели — оценка качества. Код и таблицы частот выпущены под Apache License 2.0; исходный корпус имеет различные лицензии по документам.

Florence-2-base-PromptGen v1.5 — модель MiaoshouAI для создания подписей к изображениям и тегов, разработанная на основе Florence-2 Base и дообученная для MiaoshouAI Tagger в ComfyUI. Она предназначена для подготовки промптов и тегов к изображениям, в том числе для обучения и генерации изображений. Модель формирует теги в стиле Danbooru, краткие подписи, структурированные описания с расположением объектов, подробные описания и смешанный формат тегов и текста для Flux с T5XXL и CLIP_L. Также заявлено распознавание текста и водяных знаков на изображениях. Модель принимает изображения и инструкции в текстовом виде и выдаёт текстовые подписи или теги. По данным карточки, она компактна и может работать примерно с немногим более 1 ГБ видеопамяти; для использования предусмотрена интеграция с ComfyUI-Miaoshouai-Tagger. Репозиторий распространяется по лицензии MIT.

gtfintechlab/FOMC-RoBERTa — модель RoBERTa, дообученная командой Financial Services Innovation Lab при Georgia Tech для классификации высказываний Федерального комитета по операциям на открытом рынке США (FOMC) по тональности денежно-кредитной политики: dovish, hawkish или neutral. Модель опубликована для работы, связанной со статьёй ACL 2023 «Trillion Dollar Words: A New Financial Dataset, Task & Market Analysis». Она принимает текст и возвращает метку класса; LABEL_0 соответствует dovish, LABEL_1 — hawkish, LABEL_2 — neutral. Модель предназначена для анализа коммуникаций центрального банка и финансовых текстов, в частности для определения сигналов о смягчении или ужесточении политики. Поддерживаемый язык — английский. Доступные файлы указаны в формате PyTorch. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Мультимодальная модель NYU Abu Dhabi, дообученная на арабских мемах для выявления языка ненависти и оскорбительного содержания. Она основана на Gemma 3 и использует возможности зрения для анализа изображения мема вместе с текстовым вводом. В README указано дообучение unsloth/gemma-3-4b-pt с помощью LoRA на наборе данных арабских мемов из задачи ArabicNLP ArGuard 2026; модель предназначена для модерации арабоязычного контента в социальных сетях и других онлайн-платформах. Модель доступна в формате safetensors и рассчитана на сценарии классификации мемов с визуальным и языковым содержимым. README сообщает об оценке на наборе данных ArGuard 2026, но не приводит численных результатов, подробностей о схеме меток или ограничениях по устойчивости к диалектам и контексту. Лицензия в предоставленных данных не указана.

whr778/gliner2-large-v1-casie — модель извлечения информации на базе GLiNER2 large v1 от Fastino, дообученная для задач из набора CASIE. Она предназначена для извлечения сущностей, типов и триггеров событий, а также их аргументов из англоязычных текстов по кибербезопасности. В карточке также заявлены извлечение отношений и классификация; модель использует библиотеку gliner2 и опубликована в формате safetensors. На тестовой выборке показаны высокие результаты для определения типа события (F1 0,975) и более умеренные для сущностей (F1 0,591 строго, 0,731 с relaxed matching) и триггеров событий (F1 0,487 строго, 0,573 relaxed). Порог решения по умолчанию — 0,5. Для использования доступны веса с лицензией, обозначенной как other; условия следует сверить с карточкой и источником датасета CASIE.

Hafez_Bert — персидскоязычная языковая модель на архитектуре BERT, разработанная Amin Rahmani (Viravirast). Она предназначена для предсказания пропущенных слов в тексте и может служить основой для последующей адаптации к задачам классификации и другим прикладным сценариям. Модель содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. По карточке, обучение проводилось на корпусе объёмом более 12 млрд токенов: около 90% составляют учебные и академические материалы, остальные 10% — общие тексты. В README приведён пример заполнения маски на персидском языке. Модель распространяется по лицензии MIT. Карточка описывает оценку на классификации, но не приводит численных результатов; качество для конкретной задачи следует проверять отдельно.

InCaseLawBERT — англоязычная модель семейства BERT, разработанная исследователями Индийского технологического института в Харагпуре для работы с индийскими судебными текстами. Она обучена на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы, охватывающем гражданское, уголовное, конституционное и другие направления права. Модель основана на Legal-BERT и дополнительно обучена на индийских юридических текстах в течение 300 тысяч шагов с задачами masked language modeling и next sentence prediction. Архитектура — BERT с 12 слоями, скрытым размером 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров. Контекст ограничен 512 токенами. Основной сценарий применения — получение контекстных представлений текста и дообучение для юридических задач, например выявления применимых статей закона, сегментации судебных документов и прогнозирования решений суда. Карточка сообщает, что на описанных задачах модель близка по результатам к CaseLawBERT, но уступает InLegalBERT. Репозиторий распространяется по лицензии MIT. Модель предназначена для английских юридических текстов индийской юрисдикции; результаты на других языках, правовых системах и задачах не подтверждены.

ertghiu256/ministral-3-3b-glm-distillation — дообученная модель на архитектуре Ministral-3 с 3 млрд параметров, созданная на базе Ministral-3-3B-Reasoning-2512. Она предназначена для логических головоломок, математических задач и пошаговых объяснений. Обучение включало SFT на наборе GLM-5.2-Logic-Puzzles и GRPO; ответы оформляются блоками [THINK] и [SOLUTION]. README описывает текстовый режим работы, тогда как метаданные Hugging Face указывают задачу image-text-to-text и наличие vision-возможностей; поэтому репозиторий классифицирован как мультимодальный.

GeorgeDrayson/modernbert-ai-detection — англоязычный классификатор для выявления текста, созданного языковыми моделями. Модель разработана GeorgeDrayson и представлена как часть исследования о предотвращении коллапса языковых моделей; обучение выполнено на наборе данных MAGE. Это дообученная ModernBERT-base с архитектурой ModernBertForSequenceClassification, примерно 149 млн параметров и контекстом до 8192 токенов. Она принимает текст и относит его к классам текстовой классификации, поддерживая сценарий обнаружения машинно-сгенерированного текста. Модель распространяется под лицензией Apache-2.0. Карточка не описывает качество на разных жанрах текста и не приводит метрик, поэтому надёжность детекции в конкретных условиях следует оценивать отдельно.

ModernFinBERT — англоязычная модель классификации финансовых текстов, созданная Vincent Drenth дообучением answerdotai/ModernBERT-base на наборе financial_phrasebank. Она предназначена для определения тональности финансовых высказываний и может применяться для анализа новостей, отчетов и рыночных комментариев. Модель построена на архитектуре ModernBERT с головой классификации последовательностей, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README указаны точность 0,867 и loss 0,6635 на оценочном наборе. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Показатели относятся к указанному оценочному набору и сами по себе не гарантируют качество на других финансовых текстах.

muril-hinglish-lid — разработанная PhysicsWallahAI модель для контекстного определения языка каждого слова в латинской записи смешанного текста на хинди и английском (Hinglish). Она присваивает словам одну из двух меток — HIN или ENG — с учётом контекста предложения, поэтому подходит для подготовки текста к синтезу речи и для этапов обработки в системах транслитерации. Модель не выполняет саму транслитерацию и не определяет язык целого предложения. В основе лежит MuRIL от Google — BERT-модель, дообученная с головой классификации токенов на 2 класса. В README указано 237 млн параметров, тогда как метаданные Hugging Face сообщают 264,8 млн; длина контекста по метаданным — 512 токенов. README приводит точность 99,20% на независимом размеченном наборе и 96,43% на выбранных для сравнения классах набора LinCE, но эти показатели не гарантируют такое же качество на других данных. Модель ориентирована на хорошо сформулированные учебные ответы индийского K–12 и подготовки к экзаменам. Она хуже работает с короткими фрагментами, неоднозначными словами, сокращениями из SMS и чатов; имена собственные не имеют отдельной метки, а тексты на других языках будут принудительно отнесены к HIN или ENG. Распространяется по лицензии Apache-2.0.

NewsBERT_1800-1920 — англоязычная доменно-адаптированная модель BERT, разработанная TextMachineProject на основе google-bert/bert-base-uncased. Её дообучили с задачей masked language modeling на исторических газетных текстах 1800–1920 годов из коллекций HMD14 и LwM. Модель сохраняет архитектуру и словарь BERT-base uncased: 136,7 млн параметров, WordPiece из 30 522 токенов, 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и максимальную длину последовательности 512 токенов. Основное применение — предсказание замаскированных слов в историческом газетном английском. Представления CLS также можно использовать для кодирования текстов и сравнения статей по сходству. Модель принимает текст и выдаёт текстовые предсказания; она рассчитана на английский язык и специализирована на газетах XIX — начала XX века. Лицензия — MIT.

Qwen3-1.7B-Coder-Distilled-SFT-GGUF — GGUF-квантизированный вариант модели Qwen3-1.7B-Coder-Distilled-SFT, разработанный Reaperdoesntrun и исследовательским подразделением Convergent Intelligence LLC. Модель основана на Qwen3-1.7B; при обучении использовалась дистилляция знаний от Qwen3-Coder-30B-A3B-Instruct на 6 122 STEM-примерах с пошаговыми рассуждениями, а затем дообучение на примерно 54 607 парах по пропозициональной логике. Заявленная основная область применения — генерация текста с акцентом на структурированное рассуждение, математические и физические задачи, логический вывод и локальное развертывание на настольных, мобильных и edge-устройствах через llama.cpp и совместимые среды. Доступны варианты F16 размером около 3,8 ГБ, Q8_0 около 2,1 ГБ, Q5_K_M около 1,4 ГБ и Q4_K_M около 1,2 ГБ; для настольных систем рекомендован Q5_K_M, а для мобильных и edge-сценариев — Q4_K_M. Модель ориентирована преимущественно на англоязычные запросы. Её сильные стороны — компактность, локальный запуск и специализация на последовательном разборе, отслеживании состояний и логическом выводе. Ограничения связаны с размером 1,7 млрд параметров: модель не предназначена для полноценной генерации кода, не является формальным верификатором доказательств, может ошибаться в сложных многошаговых рассуждениях с большим числом кванторов, поэтому критические результаты необходимо проверять. Модель распространяется по лицензии Apache 2.0.

Qwen3.5-4B-Base — базовая мультимодальная модель семейства Qwen3.5, опубликованная Unsloth в формате Hugging Face Transformers и основанная на Qwen/Qwen3.5-4B-Base. Это предварительно обученная модель с 4 млрд параметров, объединяющая языковую модель и vision encoder. Архитектура плотная; в карточке описано сочетание Gated Delta Networks и gated attention. Модель принимает текст и изображения и предназначена для задач image-text-to-text. Модель рассчитана прежде всего на дообучение, эксперименты с контекстным обучением и разработку, а не на прямой диалог. Она поддерживает нативный контекст до 262 144 токенов с возможностью расширения до 1 010 000 токенов. Карточка семейства заявляет поддержку 201 языка и диалекта; отдельных приоритетных языков для этой версии не выделено. Веса и конфигурация доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. Лицензия — Apache-2.0. README описывает архитектурные и языковые характеристики семейства Qwen3.5; их применимость именно к варианту на 4 млрд параметров следует учитывать как сведения карточки модели.

Brendan/refpydst-100p-referredstates — модель эмбеддингов на базе MPNet, дообученная разработчиком на 100%-м few-shot-разбиении MultiWOZ с использованием supervised contrastive loss. Она предназначена для поиска подходящих примеров из обучающей выборки MultiWOZ, которые можно передавать модели как контекст при решении задач диалога. Для корректной работы примеры и запросы должны быть оформлены в специальном формате; модель не рассчитана на общее применение как кодировщик предложений. Модель преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и сравнения сходства. Имеет 136,7 млн параметров, контекст до 514 токенов и распространяется в формате PyTorch. В README лицензия не указана.

Модель mediabiasgroup/roberta-babe-ft разработана Media Bias Group на основе RoBERTa-base и дообучена на экспертно размеченном наборе BABE. Она классифицирует английские новостные предложения по наличию лексической предвзятости: нейтральные или без лексической предвзятости и содержащие лексически окрашенную формулировку. Это компактная модель с архитектурой RoBERTa для классификации последовательностей, примерно на 151,8 млн параметров и с контекстом до 514 токенов. Модель предназначена для исследований и бенчмаркинга обнаружения лексической предвзятости в новостных текстах на уровне предложения. Её можно применять для первичной разметки текстов и анализа эмоционально окрашенной лексики; результаты требуют проверки человеком, поскольку восприятие предвзятости зависит от контекста и модель может чрезмерно помечать эмоциональные выражения. Она не предназначена для выявления информационной или селекционной предвзятости, политических взглядов, позиции автора или фактической достоверности, а также для решений о СМИ без тщательной проверки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

SDXL Detector — модель классификации изображений, созданная Organika дообучением детектора AI-изображений umm-maybe. Она использует архитектуру Swin и содержит 58,7 млн параметров. Модель предназначена для распознавания изображений, созданных SDXL, и различения таких изображений от изображений из Wikimedia; обучающий набор включал пары изображений Wikimedia и генераций SDXL по подписям BLIP. Автор сообщает об улучшении относительно исходного детектора на изображениях от более новых диффузионных моделей и на разнообразных сюжетах, а также приводит метрики проверки: точность 98,1% и F1 97,3%. Качество может быть ниже для генераций других моделей; на изображениях от старых систем, например VQGAN+CLIP, модель уступает исходному детектору. Доступны веса safetensors и формат ONNX. Лицензия CC BY-NC 3.0 ограничивает использование некоммерческими целями; автор также отмечает возможные вопросы авторских прав в данных, использованных для обучения исходного детектора.

Self_Discipline_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная ajrayman. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам оценки (RMSE, MAE и корреляция) модель предназначена для оценки уровня самодисциплины по тексту, вероятно в виде непрерывного показателя. README сообщает о дообучении на наборе данных, название которого не заполнено, и приводит результаты на тестовой выборке: loss 0,0636, RMSE 0,2523, MAE 0,2043 и корреляция 0,2489. Лицензия — MIT.

Social Orientation Tagger — англоязычная модель классификации диалоговых реплик, разработанная Todd Morrill при финансировании DARPA. Она дообучена на базе DistilBERT и обучена на Conversations Gone Awry с метками социальной ориентации, подготовленными с помощью GPT-4. Модель присваивает репликам одну из девяти меток, включая Warm-Agreeable, Arrogant-Calculating и Not Available; максимальная длина контекста — 512 токенов. Модель предназначена для анализа межличностного тона диалогов и может добавлять метки ориентации к репликам для последующих систем, например при оценке вероятного успеха разговора. В карточке приведены точности 33,29% на валидационной и 33,99% на тестовой выборках; без взвешивания классов указана точность 45%, поэтому предсказания следует трактовать с осторожностью. Лицензия — MIT.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI на архитектуре Llama 2 с 12,9 млрд параметров. Она дообучена на базе allenai/tulu-2-13b с использованием пар предпочтений StackExchange 60k и предназначена для оценки и ранжирования ответов в обучении с обратной связью от предпочтений, в частности для PPO. Контекст модели составляет 2048 токенов; веса опубликованы в формате Safetensors. Модель принимает текст и выдаёт оценку, полезную для сравнения ответов. Она рассчитана на исследовательские эксперименты с обучением помощников, а не на обычную генерацию ответов. Лицензия — Apache 2.0. Карточка сообщает об английском языке и рекомендует учитывать форматирование входа с переводом строки в конце.

UmBERTo Commoncrawl Cased — итальянская языковая модель на архитектуре RoBERTa, разработанная командой Musixmatch. Модель обучена на итальянской части корпуса OSCAR: дедуплицированном наборе объёмом 70 ГБ, содержащем около 210 млн предложений и 11 млрд слов. Она использует токенизатор SentencePiece с размером словаря 32 тыс. токенов и Whole Word Masking; число параметров — 137,8 млн, контекст — до 514 токенов. Основная задача модели — предсказание замаскированных токенов в итальянском тексте. Её также можно использовать как основу для извлечения признаков и дообучения под итальянскую разметку, например распознавание именованных сущностей и определение частей речи; README приводит результаты на нескольких итальянских наборах данных. Модель предназначена для NLP-сценариев с итальянским языком. В метаданных указан формат PyTorch и язык it. Сведения о лицензии в предоставленных материалах отсутствуют. Результаты на downstream-задачах приведены для модели семейства UmBERTo и не гарантируют такое же качество без соответствующего дообучения.

Модель tiantiaf/voxlect-french-dialect-mms-lid-256 предназначена для классификации французских диалектов в аудиозаписях. Она разработана Tiantian Feng в рамках работы Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe и дообучена на базе facebook/mms-lid-256, модели Facebook на архитектуре Wav2Vec2 для идентификации языков по речи. Модель различает французскую речь, связанную с Африкой, Францией, Канадой, а также Швейцарией, Бельгией и Германией. Она принимает аудио и выдаёт метку класса диалекта. В карточке указан формат safetensors и библиотека Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; не следует применять модель для клинической диагностики, наблюдения или вмешательства в частную жизнь. При использовании необходимо соблюдать требования к согласию и конфиденциальности говорящих.

xGen-MM Phi-3 Mini Instruct DPO — мультимодальная модель для диалога с изображениями, разработанная Salesforce AI Research. Она относится к семейству xGen-MM, продолжает разработки серии BLIP и обучалась на наборах данных для описания изображений и данных с чередованием текста и изображений. Версия DPO предназначена для инструктивного общения и понимания изображений; её оценивали на тестах VLGuard, HallusionBench, POPE, MMBench, SEED-IMG, MMStar и MME. Модель принимает текстовые запросы с изображениями и формирует текстовые ответы. В карточке указана поддержка английского языка; размер модели и длина контекста не приведены. Репозиторий содержит веса в формате safetensors. Разработчик рекомендует проверять точность, безопасность и справедливость результатов перед использованием; модель выпущена для исследовательских целей. Лицензия — Apache-2.0.

YGOMiniLM — текстовая модель на базе sentence-transformers/paraphrase-MiniLM-L3-v2, дообученная разработчиком jkswin на материалах по Yu-Gi-Oh! с помощью masked language modeling. Она предназначена для создания эмбеддингов предложений и быстрого векторного поиска по обсуждениям Yu-Gi-Oh! и сведениям о картах. Модель использует архитектуру BERT, содержит 18,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для дополнительного предобучения использовались комментарии YouTube и база карт Yu-Gi-Oh!, включая названия, типы, расы и описания карт. Модель ориентирована на английский язык. Для запуска автор рекомендует библиотеку sentence-transformers; доступный формат весов — PyTorch. Специализация на тематике Yu-Gi-Oh! может улучшать поиск по соответствующим обсуждениям и карточным данным, но модель не предназначена для генерации ответов или широкого поиска вне этой области. В README лицензия не указана.

Shushant/adal_v5_raid — классификатор текста на основе RoBERTa-large, обученный для определения, создан ли текст искусственным интеллектом или написан человеком. Модель использует подход RADAR (Hu et al., NeurIPS 2023) и дообучена на датасете RAID; в обучении применялись тексты от нескольких генераторов, включая ChatGPT, GPT-2, GPT-3, GPT-4, Cohere, Llama, Mistral и MPT. Модель рассчитана на проверку текстов с преобразованиями, призванными затруднить обнаружение: перефразированием, заменой синонимов, орфографическими изменениями, удалением артиклей и другими помехами. README сообщает макро AUROC 0,9782. Модель содержит 454,1 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. Указанная лицензия — Apache-2.0. Это классификатор для английского языка; высокая метрика из карточки не гарантирует такую же точность на других типах текстов, новых генераторах или вне условий оценки. Вывод отражает оценку модели и не доказывает авторство конкретного текста.

AIGC Detector Env2 — классификатор текста, разработанный авторами работы «Multiscale Positive-Unlabeled Detection of AI-Generated Texts»: Ючуань Тянем и соавторами. Модель предназначена для определения, был ли текст создан искусственным интеллектом. Это версия Env2, обученная методом MPU на предварительно обученной RoBERTa-Base; стандартные настройки обучения из статьи не использовались. Модель построена на RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт классификацию. Контекст составляет до 514 токенов. Доступны веса PyTorch; модель распространяется по лицензии Apache-2.0. Карточка не сообщает поддерживаемые языки и подробности об обучающих данных или качестве детекции. Поэтому надёжность результатов на разных языках, жанрах и новых моделях генерации по имеющимся сведениям оценить нельзя.

Tabularis ModernBERT R1 — англоязычная модель классификации текста, разработанная Tabularis AI и дообученная на базе answerdotai/ModernBERT-base. Она определяет, похож ли входной текст на созданный искусственным интеллектом или человеком, и выдаёт вероятность класса AI. Модель использует архитектуру ModernBERT с классификационной головой и содержит 149 млн параметров; базовая модель поддерживает контекст до 8192 токенов, хотя обучение детектора проводилось с максимальной длиной последовательности 512 токенов. Модель рассчитана на выявление AI-текстов, в том числе при некоторых видах перефразирования и заменах слов. В README приведены результаты на тестовой части бенчмарка RAID: AUROC 0,9904 и TPR 0,9815 при FPR 5%. Для повышения устойчивости к некоторым Unicode-атакам авторы рекомендуют NFKC-нормализацию входа; заявленные улучшения после неё получены на локальной оценке. Модель выпущена под лицензией MIT. Это вероятностный классификатор, поэтому его оценку не следует трактовать как достоверное доказательство авторства текста. В README указаны потери качества при отдельных символьных атаках; конкретное применение требует проверки на целевых текстах и настройке порога под допустимую долю ложных срабатываний.