I.11Классификация, ранжирование и сопоставление

AssayLLM-SFT — дообученная Genentech модель Qwen3.6-27B для планирования CRISPR-скринингов. На вход она принимает описание скрининга и список уже исследованных генов, а на выходе формирует ранжированный список из 100 символов генов HGNC, которые следует исследовать следующими. Модель предназначена для выбора кандидатов в экспериментах по геномике и биологии, в частности в цикле AssayLoop. Модель использует плотную архитектуру Qwen3.5 и формат весов safetensors; для запуска в README приведён пример с vLLM. В оценке на AssayBench-Loop вариант с SFT показал лучшие значения EF и nAUC, чем базовая Qwen3.6-27B, но уступил варианту с дополнительным обучением GRPO по ряду метрик. Качество оценивалось на конкретном бенчмарке, поэтому результаты не гарантируют аналогичную эффективность на других скринингах. Лицензия в предоставленных данных не указана.

Это англоязычная модель многоклассовой классификации текстов на основе BERT, обученная Julien Simon с помощью AutoNLP на наборе данных juliensimon/autonlp-data-song-lyrics. Она предназначена для отнесения текстов песенных строк к категориям и принимает текст длиной до 512 токенов, возвращая метки классов. В репозитории указаны 136,7 млн параметров и веса в форматах PyTorch и Safetensors. На валидации модель показала accuracy 0,668 и macro F1 0,538, поэтому качество распознавания может различаться между классами. Доступ к модели демонстрируется через API Hugging Face. Лицензия в предоставленных данных не указана.

sgarbi/bert-fda-nutrition-ner — модель на архитектуре BERT для распознавания и классификации сущностей в текстах пищевой маркировки и других материалах о питании. Она выделяет пищевые компоненты, включая макронутриенты, витамины, минералы и другие сведения, встречающиеся в составах продуктов и таблицах пищевой ценности. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для отдельных токенов. Размер модели — 136,7 млн параметров; веса представлены в формате safetensors. Модель обучена на общедоступных данных FDA FoodData Central, а также на отзывах о ресторанах Yelp и продуктах Amazon, дополненных автоматической разметкой Mistral 7B. В обучающие данные вносили перестановки предложений и орфографические ошибки, чтобы охватить вариативность реальных текстов. Карточка описывает модель как инструмент для экспериментов и обучения работе с аугментированными данными. Лицензия — MIT. Модель предназначена для извлечения пищевых сущностей из текста, а не для оценки рациона или рекомендаций по питанию. Автоматическая разметка обучающих данных могла содержать галлюцинации и неточную классификацию; кроме того, модель может наследовать смещения формулировок пищевых этикеток.

murathankurfali/bert-large-uncased-pdtb2-explicit-four-way — модель Murathan Kurfalı на базе BERT-large-uncased, дообученная для классификации явных дискурсивных отношений в корпусе Penn Discourse Treebank 2.0. Она принимает текстовые фрагменты или пары предложений и относит их к одному из четырёх верхнеуровневых классов PDTB2: Temporal, Contingency, Comparison или Expansion. Модель использует архитектуру BERT и предназначена для задач text-classification. В ней около 433,9 млн параметров, максимальная длина входа составляет 512 токенов; исходный BERT-large-uncased рассчитан на английский язык. Модель подходит для анализа связности текста и построения компонентов дискурсивного парсинга, но не является генеративной моделью и не предназначена для классификации отношений, отсутствующих в её четырёхклассовой схеме. Лицензия в доступных материалах модели не указана.

meet5568 разработала BhashaEmbed Hindi Songs — плотную BERT-модель на базе AkshitaS/bhasha-embed-v0, дообученную полным обновлением параметров методом TSDAE на текстах песен из индийских фильмов. Модель строит векторные представления строк и фрагментов песен на хинди в деванагари, романизированном хинди (хинглиш) и английском; размер модели — 264,8 млн параметров, библиотека — Sentence Transformers, формат весов — safetensors. Максимальная длина последовательности в README — 400 токенов, контекст модели по метаданным — 512 токенов. Модель предназначена для тематической классификации текстов песен и анализа изменений в хинди-музыке между поколениями и периодами. Обучение проводилось на 8 464 песнях и 28 713 фрагментах куплетов с балансировкой письменностей. Лицензия — Apache-2.0. Это доменно адаптированная модель эмбеддингов, а не генеративная модель. В README отмечено, что тематического обучения с разметкой не проводилось и модель не оценивалась на задачах за пределами текстов хинди-песен; полное дообучение также допускает значительное смещение весов относительно базовой модели.

mokawa3018/cmj-chinese-aigc-text-detector — дообученный классификатор китайского текста, предназначенный для вспомогательного определения, написан ли текст человеком или сгенерирован ИИ. Модель разработана на архитектуре BERT с классификационной головой, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Для запуска доступны веса PyTorch и ONNX. Модель обучена на сбалансированной китайской выборке из текстов HC3-Chinese и текстов, созданных несколькими семействами генеративных моделей. На тесте HC3-Chinese указана точность 91,84%, доля обнаружения ИИ-текстов 92,78% и доля ложных срабатываний на человеческих текстах 8,84%. Её можно использовать как вспомогательный сигнал при проверке китайских текстов, но выводы модели вероятностны. Качество может снижаться на новых темах и генераторах, а также зависеть от длины текста и стиля запроса. В карточке отмечены более слабые результаты на данных nlpcc_dbqa и необходимость дополнительной проверки юридических и финансовых текстов. Модель не следует использовать как единственное основание для санкций или решений с высокими последствиями. Указана лицензия Apache-2.0; карточка рекомендует отдельно проверить условия upstream-модели, кода и данных для конкретного сценария использования.

CPM-Generate — авторегрессионная языковая модель на архитектуре Transformer/GPT-2, разработанная командой TsinghuaAI для генерации китайского текста и решения связанных языковых задач. В README указана версия CPM-Large с 2,6 млрд параметров, обученная на 100 ГБ китайских текстов; метаданные указывают контекст до 1024 токенов и форматы PyTorch и TensorFlow. Модель предназначена для генерации продолжений текста, диалогов и эссе, заполнения пропусков и языкового понимания. В README приведены результаты для классификации текстов, китайского идиоматического cloze-теста и генерации коротких диалогов; это указывает на пригодность для экспериментов с китайским NLP и few-shot сценариев. Модель работает с текстом и ориентирована на китайский язык. Генерация вероятностная, поэтому ответы могут содержать ошибки и отражать смещения обучающих текстов. Указанная лицензия — MIT.

NikolajMunch/danish-emotion-classification — модель на основе BERT для многоклассовой классификации датских предложений по шести эмоциям из категории эмоций Экмана. Она предназначена для анализа эмоциональной окраски коротких текстов; в карточке приведён пример классификации отдельного предложения. Модель имеет 137,8 млн параметров, архитектуру BertForSequenceClassification и контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

Это модель классификации японского текста на основе DeBERTa V2, опубликованная YoichiTakenaka. Чекпойнт дообучен для определения эмоции Disgust (отвращение); README описывает семейство из восьми отдельных моделей, по одной на Joy, Sadness, Anticipation, Surprise, Anger, Fear, Disgust и Trust. На вход подаются отдельные тексты или их списки, на выходе — метка наличия эмоции и оценка уверенности для положительного класса. Модель предназначена для анализа эмоциональной окраски японских текстов. Архитектура — DebertaV2ForSequenceClassification, размер — 451,8 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на японский язык и не описана как многоязычная. Лицензия — CC BY-SA 4.0. README указывает, что для этого пакета существуют восемь моделей эмоций; этот конкретный чекпойнт отвечает за Disgust. Ограничения: оценки относятся к одной эмоции и не заменяют более широкую интерпретацию эмоционального состояния; результаты для иных языков и за пределами контекстного окна не подтверждены.

DuplexJev-B-SenseVoice-Small-Qwen3-4B — компактная аудиотекстовая модель adventists-ai для ответов на короткие вопросы о речи и голосе. Замороженный аудиоэнкодер SenseVoice-Small передаёт признаки через обучаемый коннектор в замороженную Qwen3-4B. Коннектор использует стекирование кадров и проектор SwiGLU; у него 11,5 млн обучаемых параметров. На каждый вопрос модель выдаёт распределение по вариантам ответа без генерации токенов, поэтому за один проход можно обработать несколько вопросов. Модель рассчитана на короткие решения по аудиоклипам, распознавание речевых характеристик и подсказки о говорящем. В README приведены результаты для spoken QA, пола и эмоций, однако тесты проводились на небольших наборах и читаемой или актёрской речи. Авторы отмечают, что формулировка запроса влияет на результат, а качество ответов на вопросы, требующие общих знаний, ограничено возможностями небольшой языковой модели. Потоковый ввод не оценивался; коннектор совместим только с указанными энкодером и LLM. Лицензия — Apache-2.0.

Florence-2-large-PromptGen v1.5 — разработанная MiaoshouAI и дообученная на базе Microsoft Florence-2 Large модель для создания подписей и тегов к изображениям, в том числе для MiaoshouAI Tagger в ComfyUI. Она преобразует изображение в теги в стиле Danbooru, краткую строку, структурированное описание с расположением объектов, подробную подпись или смешанный формат тегов и описания для Flux. Структурированный режим также распознаёт текст на изображении, а версия 1.5 улучшает распознавание водяных знаков и точность подписей. Модель принимает изображения и выдаёт текст. По карточке, она рассчитана на эффективную работу с памятью и может создавать подписи, используя чуть более 1 ГБ видеопамяти. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Языки модели в карточке не перечислены.

GeBERTa-base — немецкая языковая модель для заполнения пропусков в тексте, разработанная совместно Университетом Флориды, NVIDIA и IKIM. Она основана на архитектуре DeBERTa-v2 и предназначена для задач понимания немецкого текста и последующей адаптации к прикладным задачам NLP. Модель содержит 151,9 млн параметров, использует токенизатор SentencePiece и обрабатывает последовательности длиной до 512 токенов. Её предварительно обучали на немецких текстах из разных областей, включая Википедию и новости. В исследовательском бенчмарке семейство GeBERTa оценивалось на задачах классификации, ответов на вопросы и распознавания именованных сущностей. Для работы с моделью доступны веса PyTorch и Safetensors. Лицензия — MIT. Модель ориентирована на немецкий язык; её качество для других языков и узкоспециализированных задач не подтверждено приведёнными данными.

Helios-Reasoner-7B-Prod — модель семейства BERT от procedure2012, опубликованная в формате PyTorch и доступная через библиотеку Transformers. В README она описана как модель рассуждений, обученная с применением RLHF и дополнительного обучения на математических и программных данных; заявлены результаты на задачах математического, логического и повседневного рассуждения. При этом метаданные классифицируют её как модель извлечения признаков с архитектурой BertModel, поэтому назначение репозитория по имеющимся данным неоднозначно. Лицензия — Apache-2.0. README заявляет статус production и предлагает чат-интерфейс и API, но не содержит подробных инструкций для локального запуска. В метаданных нет размера модели, контекста или языков; в README эти характеристики также не приводятся.

Pile of Law BERT large model 2 — англоязычная модель семейства BERT Large, опубликованная проектом Pile of Law. Она предварительно обучена на юридических и административных текстах на английском языке с целью masked language modeling по RoBERTa-подобному pretraining objective. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для восстановления замаскированных слов в юридических текстах и как основа для дообучения под прикладные юридические задачи. Обучающий корпус Pile of Law включает судебные решения и документы, правовые анализы, публикации госорганов, контракты, законы и нормативные акты. В карточке отмечены возможные смещения предсказаний, в том числе связанные с расовыми характеристиками; также указаны ограничения на использование, связанные с авторскими правами обучающего корпуса. Данные корпуса распространяются по лицензии CC BY-NC-SA 4.0.

Dragonfly — мультимодальная визуально-языковая модель от Together AI, дообученная в формате instruction tuning на базе Llama 3.1. Это авторегрессионная модель на архитектуре Transformer с плотной архитектурой DragonflyForCausalLM и визуальной основой CLIP. Она принимает изображения и текстовые запросы и формирует текстовые ответы; предназначена для исследований и практических экспериментов с визуально-языковыми моделями, например для вопросов по изображениям. Размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. В карточке заявлена поддержка английского языка, а метаданные указывают на диалоговый режим и интерфейс вызова инструментов. Модель распространяется по лицензии Llama 3.1 Community License Agreement; использование должно соответствовать её условиям.

MGM-7B-HD — открытый мультимодальный чат-бот, разработанный авторами проекта MGM и дообученный на базе Vicuna-7B-v1.5 на наборе MGM-Instruction с инструкциями, сгенерированными GPT. Это плотная модель с архитектурой MiniGeminiLlamaForCausalLM и примерно 6,6 млрд параметров; версия HD предназначена для понимания изображений высокого разрешения, рассуждений по визуальному содержимому и диалога. Модель принимает текстовые запросы и изображения, а ответы формирует в текстовом виде; заявленный контекст составляет 4096 токенов. Модель предназначена для мультимодальных диалогов и исследовательских экспериментов с анализом изображений, визуальными вопросами и ответами, а также рассуждениями по изображениям. Обучение этой версии датировано мартом 2024 года. В README не приведены условия лицензии, поэтому режим использования по лицензии определить нельзя.

mitra-qwen35-2b-embedder — компактная модель эмбеддингов из семейства Dharmamitra Qwen3.5, разработанная для поиска семантически близких текстов в классических буддийских корпусах. Она преобразует запросы и фрагменты текста в L2-нормализованные векторы размерности 2048; для запроса используется инструкция «Please find the semantically most similar text.» перед текстом запроса, а фрагменты передаются без инструкции. Модель основана на Qwen3.5-2B, дообученной на буддийских текстах и затем настроенной для контрастивного поиска с LoRA. Модель предназначена для многоязычного поиска параллельных фрагментов и асимметричного поиска, например по запросу-предложению среди более длинных окон текста, а также для поиска классических текстов по английскому запросу. Поддерживаются санскрит и пали в IAST, тибетский в родном письме и китайский в китайском письме; метаданные также отмечают английский. Контекст составляет 262 144 токена, число параметров — 1,7 млрд. В тестах на специализированном бенчмарке модель превосходит универсальные эмбеддеры в задачах буддийского поиска, но уступает более крупному gemma-2-mitra-e по приведённым метрикам. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-DiseaseDetect-TinyMed-66M — дообученную модель DistilBERT для распознавания упоминаний заболеваний в биомедицинских текстах. Она обучена на наборе BC5CDR-Disease и размечает сущности тегами B-DISEASE и I-DISEASE, возвращая BIO-разметку токенов. Модель подходит для извлечения заболеваний из научных аннотаций и медицинских документов, а также для последующего анализа упоминаний в биомедицинских исследованиях. В README приведены результаты на BC5CDR-Disease: F1 0,88, точность 0,87 и полнота 0,89. Контекст составляет 512 токенов; модель принимает токенизированный текст и выдаёт метки для токенов. Модель доступна в формате Safetensors и лицензирована по Apache-2.0. Она ориентирована на английские тексты и распознаёт только сущности заболеваний; результаты требуют проверки при использовании в клинических процессах и на данных, отличающихся от обучающего корпуса.

OpenMed разработала OpenMed-NER-OrganismDetect-BioClinical-108M — модель распознавания упоминаний видов организмов в биомедицинском тексте. Это дообученная Bio_ClinicalBERT с архитектурой BERT для классификации токенов: она помечает названия видов тегами B-SPECIES и I-SPECIES и формирует BIO-разметку. Веса объёмом 135,5 млн параметров доступны в формате safetensors; модель принимает токенизированный текст, поддерживает контекст до 512 токенов и рассчитана на английский язык. Модель предназначена для извлечения названий видов из клинических записей и научной литературы, а также для анализа упоминаний организмов в задачах биомедицинского поиска и систематики. В README приведены результаты на SPECIES800: F1 0,81, точность 0,80, полнота 0,81 и accuracy 0,96. Эти показатели относятся к указанному корпусу и не гарантируют такого же качества на других типах текстов. Лицензия — Apache-2.0.

OpenMed-NER-SpeciesDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний видов и организмов в биомедицинских текстах. Это дообученная модель архитектуры BERT для классификации токенов с разметкой BIO; она принимает токенизированный текст и выдаёт метки сущностей B-SPECIES и I-SPECIES. По метаданным модель содержит 433,9 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Модель предназначена для извлечения названий видов из научной литературы и других биомедицинских материалов, а также для последующего таксономического анализа и построения баз знаний. В карточке указано обучение на корпусе LINNAEUS и приведены метрики F1 0,95, точность 0,93 и полнота 0,97; эти показатели относятся к оценке, описанной авторами, и не гарантируют аналогичных результатов на произвольных данных. Язык карточки — английский. Лицензия — Apache-2.0.

Ovis1.5-Llama3-8B — мультимодальная большая языковая модель семейства Ovis, разработанная командой AIDC-AI. Она сочетает визуальный энкодер SigLIP на 400 млн параметров с Llama 3 8B Instruct и предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать на вопросы по их содержимому. Модель принимает изображения и текст, а выдаёт текстовые ответы. В README модель оценена на мультимодальных бенчмарках; для MMTBench-VAL приведён результат 60,7. Авторы сообщают об открытой публикации весов, обучающих данных и кода, что позволяет воспроизводить обучение и запуск. В метаданных указаны PyTorch и библиотека Transformers. Авторы рекомендуют использовать более новую версию Ovis2. Лицензия — Apache-2.0.

PacketCourt Evidence Router — компактный классификатор последовательностей на основе BERT, дообученный для агента расследований PacketCourt. Модель выбирает следующий инструмент для поиска доказательств по утверждению в пакете и относит запрос к одному из классов: ingredients, nutrition, license, dates или refuse_absolute. Она содержит около 4,4 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для маршрутизации расследований PacketCourt. На небольшой специализированной проверочной выборке указана точность 1,000; этот результат относится только к данному набору и не гарантирует аналогичного качества на других данных. Модель предлагает инструмент для проверки, а окончательные решения принимает детерминированный код. Лицензия — Apache-2.0.

Pocket Vakil 332M — модель Pocket-Vakil, разработанная командой 15 для IAIRO / Pramana SLM++ Bootcamp. Это плотная авторегрессионная языковая модель с 331,6 млн параметров, обученная с нуля на корпусе индийских судебных решений, а затем дообученная для определения применимых статей Уголовного кодекса Индии по фактам дела. Модель принимает текст и генерирует текстовый перечень подходящих статей IPC; контекст составляет 2048 токенов, словарь выходных меток ограничен 100 статьями. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для предварительного поиска статей IPC по описаниям дел и судебным решениям, чтобы предложить кандидатов для проверки человеком. На тестовом разбиении ILSI из 13 019 дел авторы сообщают macro-F1 0,3585, micro-F1 0,4791 и точное совпадение 0,0767; сравнение с другими результатами зависит от различий в настройках. Архитектура включает 24 слоя, RoPE, MHA и SwiGLU. Обучение велось преимущественно на юридических данных; модель слаба в общих знаниях и следовании инструкциям. Она не выдаёт отказ при нетипичном запросе, не может предлагать статьи за пределами 100 меток и может пропустить положения, упомянутые поздно в длинном тексте. Результаты следует рассматривать только как подсказки для проверки специалистом, а не как юридическую консультацию. Для запуска в Transformers требуется trust_remote_code=True из-за пользовательской архитектуры.

RedSage-Qwen3-8B-DPO — диалоговая языковая модель RISysLab для помощи в задачах кибербезопасности. Это финальный этап серии RedSage: модель дообучена методом Direct Preference Optimization на базе RISys-Lab/RedSage-Qwen3-8B-Ins с использованием AllenAI Tulu 3 Preference Mixture. Она построена на плотной архитектуре Qwen3 для генерации текста, содержит 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по кибербезопасности, анализа журналов событий, краткого изложения данных о киберугрозах и учебных запросов. По данным карточки, DPO-выравнивание улучшает следование инструкциям и общие способности рассуждения, сохраняя специализацию на кибербезопасности. Указан английский язык. Модель может ошибаться; результаты для критичных решений в сфере безопасности следует проверять. Условия лицензирования в предоставленных данных не указаны.

RefCaptioner — мультимодальная модель на 8 млрд параметров, созданная на основе Qwen/Qwen3-VL-8B-Instruct для описания видео с привязкой фраз к нескольким эталонным изображениям. На вход подаются видео и упорядоченный набор изображений-образцов; модель формирует один абзац на английском языке и ставит специальные теги рядом с фразами, визуально подтверждёнными соответствующими образцами. Она обучена отбрасывать отвлекающие или недостаточно подтверждённые образцы, а выпущенная версия представляет собой объединённый checkpoint, которому не нужен PEFT-адаптер при запуске. Модель предназначена для исследований понимания видео с несколькими эталонами, генерации привязанных описаний и сопоставления локальных фраз с изображениями. В README приведены результаты на MRVBench, однако они зависят от настройки промпта, выборки кадров, ограничений на изображения и декодирования. Короткие события между выбранными кадрами могут быть пропущены; теги отражают визуальную привязку, а не подтверждение личности. Лицензия — Apache-2.0.

Brendan/refpydst-1p-referredstates-split-v1 — модель эмбеддингов на базе MPNet, разработанная Brendan и дообученная на 1% выборке MultiWOZ с помощью supervised contrastive loss. Она предназначена для поиска подходящих примеров MultiWOZ, которые можно включать в контекст при решении задач диалогового состояния; входные примеры должны быть оформлены в специальном формате, описанном в связанном репозитории. Это не универсальный кодировщик предложений. Модель преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и извлечения примеров. Основана на sentence-transformers/all-mpnet-base-v2, содержит 136,7 млн параметров и имеет контекст длиной 514 токенов. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

RooseBERT-cont-uncased — англоязычная доменная языковая модель на основе BERT-base, разработанная для анализа политической речи. Модель продолжает предобучение весов bert-base-uncased на корпусе англоязычных политических дебатов и парламентских выступлений; она сохраняет стандартный uncased WordPiece-словарь BERT из 30 523 токенов и приводит входной текст к нижнему регистру. Архитектура — BERT encoder-only с головой masked language modeling, 136,7 млн параметров и контекстом до 512 токенов. Модель предназначена прежде всего как база для дообучения на задачах анализа политического дискурса: классификации тональности и позиции, выделения и классификации аргументов и их связей, классификации политических предложений и распознавания именованных сущностей. Карточка сообщает о превосходстве над BERT-base-uncased в 9 из 10 проверенных задач. Репозиторий помечен для задачи fill-mask. Лицензия — Apache-2.0. Модель обучена только на английских политических дебатах и не рассчитана на кросс-языковое применение. Она может воспроизводить перекосы исходных официальных выступлений; отсутствие регистра может ухудшить распознавание имён и аббревиатур, а политические термины могут разбиваться на части стандартным словарём. Как модель только для кодирования, она лучше подходит для классификации и разметки, чем для генерации.

RuBERT-ruLaw — русскоязычная модель BERT, созданная продолжением предобучения DeepPavlov/rubert-base-cased на корпусе RusLawOD с судебными решениями и нормативными актами. Она предназначена для языковых задач в юридической сфере, в том числе для классификации, извлечения информации и поиска по текстам. В Hugging Face модель размечена для задачи заполнения пропусков в тексте (fill-mask), на которой в карточке приведены результаты сравнения точности предсказания замаскированных слов с базовыми моделями. Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Карточка указывает русский язык и лицензию CC BY 4.0. Специализация на юридическом корпусе может быть полезна для правовых текстов, но результаты на задаче fill-mask сами по себе не подтверждают качество для каждой из перечисленных прикладных задач.

SecureBERT2.0-NER — англоязычная модель Cisco AI для распознавания именованных сущностей в текстах по кибербезопасности. Это дообученная модель ModernBERT для токенной классификации с 149 млн параметров и контекстом до 8192 токенов; она размечает упоминания индикаторов компрометации, вредоносных программ, организаций, систем и уязвимостей. Модель предназначена для извлечения IOC и структурирования данных из отчетов об угрозах, разборов инцидентов, рекомендаций по безопасности и технических публикаций. Её можно применять для обогащения threat intelligence, анализа отчетов и сортировки упоминаний уязвимостей. В README заявлены F1 0,945, полнота 0,965 и точность 0,927 на специализированном тестовом корпусе; эти результаты относятся к описанной в карточке оценке и не гарантируют аналогичное качество на других данных. Модель не предназначена для общего распознавания сущностей, генерации текста или диалогов. Для обработки входных последовательностей при обучении использовались усечение и дополнение до 1024 токенов, поэтому фактическую длину следует соотносить с настройками карточки и используемого пайплайна. Лицензия — Apache-2.0.

Модель Hate-speech-CNERG/tamil-codemixed-abusive-MuRIL разработана для выявления оскорбительной речи в текстах на тамильском языке, смешанном с другими языками. Это дообученная на датасете оскорбительной речи модель MuRIL на базе BERT, реализованная как классификатор последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Модель относит текст к одному из двух классов: обычный («Normal») или оскорбительный («Abusive»). Она предназначена для классификации код-смешанных тамильских сообщений и исследований выявления оскорбительной речи в низкоресурсных индийских языках. Авторы связывают работу с публикацией о методах расширения обучающих данных для таких задач. Модель опубликована под лицензией AFL-3.0. Она специализируется на код-смешанном тамильском тексте; результаты за пределами этого сценария и качество на разных вариантах письма или смешения языков в карточке не описаны.