I.11Классификация, ранжирование и сопоставление

tmr-ai-text-detector-ONNX — ONNX-версия модели TMR (Target Mining RoBERTa), разработанной Oxidane и автоматически конвертированной для использования с Transformers.js. Это модель классификации текста, предназначенная для определения вероятности того, что текст сгенерирован искусственным интеллектом, и различения AI-сгенерированных и написанных человеком текстов. Модель основана на RoBERTa-base и содержит около 125 млн параметров. Она обучена с использованием Focal Loss и итеративного поиска сложных отрицательных примеров Self-Hard-Negative на данных RAID: 50 000 стратифицированных образцов, включая 45% человеческих и 55% AI-текстов. Поддерживается английский язык; максимальная длина входа в описании использования указана как 512 токенов. Модель ориентирована на тексты, похожие на обучающие домены RAID: новости, книги, аннотации, отзывы, рецепты, Wikipedia, поэзию и Reddit. На тестах RAID заявлены AUROC 99,28% с учётом атак и 99,85% без adversarial-сценариев; на отложенной выборке — AUROC 99,69% и accuracy 97,42%. При этом возможны повышенные ложноположительные результаты для коротких текстов, повседневной разговорной речи и других доменов вне обучающей выборки. Порог классификации по умолчанию оптимизирован на уровне 0,5. Модель распространяется по лицензии MIT.

gchhablani разработал эту модель, дообучив bert-base-cased для классификации последовательностей на наборе GLUE WNLI. Она предназначена для оценки связи между предложениями в задачах, похожих на определение того, следует ли гипотеза из текста. Модель построена на архитектуре BERT, содержит 135,5 млн параметров, принимает текст и поддерживает контекст до 512 токенов; формат весов — PyTorch. В README указана точность 0,4648 на оценочной выборке WNLI, поэтому качество на этой задаче ограничено. Модель распространяется по лицензии Apache-2.0.

bert-mlm-medium — средняя по размеру языковая модель семейства RoBERTa, разработанная aajrami и обученная с задачей masked language modeling (MLM): модель восстанавливает замаскированные фрагменты текста. Она предназначена для извлечения контекстных текстовых представлений, которые можно использовать как основу для последующей обработки текста и исследовательских экспериментов. Модель содержит 59,3 млн параметров, принимает текст и поддерживает контекст длиной до 514 токенов. Репозиторий содержит веса PyTorch и safetensors; задача Hugging Face для модели — feature-extraction. Карточка ссылается на работу о влиянии целей предобучения на изучение языковых свойств, но не сообщает конкретные языки обучения или результаты оценки качества. Лицензия — CC BY 4.0.

nikitastheo/BERTtime-Stories-100m-nucleus-1 — языковая модель на архитектуре LTG-BERT, разработанная автором репозитория и обученная на сочетании наборов BabyLM и TinyStories, а также сгенерированных данных в рамках трека Strict с бюджетом 100 млн слов. Модель содержит 97,5 млн параметров и использует библиотеку Transformers; для неё указано окно контекста 512 токенов, а в карточке описано обучение на последовательностях длиной 128 токенов. Модель предназначена для заполнения пропусков в англоязычном тексте; каталог также отмечает классификацию текста как поддерживаемую задачу. Веса доступны в формате PyTorch под лицензией GPL-3.0. Показатели оценки и гиперпараметры в карточке не приведены.

BORT — компактная языковая модель семейства BERT, разработанная Amazon с помощью поиска нейронной архитектуры. Это оптимизированная подархитектура BERT-large: в карточке заявлены ускорение вывода до 10 раз и меньший размер; метаданные указывают 77,7 млн параметров и контекст до 512 токенов. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Модель предназначена для задач понимания текста, в частности для предсказания скрытых токенов в тексте. В README сообщается о результатах на нескольких общедоступных бенчмарках NLU, где BORT превосходила BERT-large и некоторые другие модели. Описаны английское семейство BERT и архитектурный поиск, но отдельная поддержка языков не перечислена. Карточка предупреждает, что репозиторий архивирован и для качественного дообучения требуется алгоритм Agora, который не открыт; стандартное дообучение, по ранним экспериментам авторов, работало недостаточно хорошо. Лицензия в предоставленных данных не указана.

CeLLaTe-ner-2class-bioformer16l-baseline — модель Mardiyyah для распознавания сущностей в тексте на уровне токенов. Она дообучена на bioformers/bioformer-16l с использованием набора данных OTAR3088/CeLLaTe-ner-2class-iob_final и предназначена для задач NER с двумя классами. Модель построена на архитектуре BERT, содержит 50,3 млн параметров и принимает последовательности длиной до 1024 токенов. В README приведены результаты на оценочной выборке: precision 0,8144, recall 0,7576, micro F1 0,7850 и accuracy 0,9829. Карточка не раскрывает названия двух классов, точное назначение сущностей и ограничения оценки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Карточка модели hfl/chinese-lert-large на Hugging Face совпадает с карточкой hfl/chinese-lert-base, поэтому описание составлено по ней. HFL Chinese LERT Base — предварительно обученная языковая модель для китайского языка, разработанная авторами Yiming Cui, Wanxiang Che, Shijin Wang и Ting Liu. LERT основана на архитектуре BERT и предназначена для восстановления замаскированных токенов в тексте, а также как языковая основа для задач обработки китайского языка. Модель содержит 129,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Карточка характеризует LERT как модель с лингвистически мотивированным предобучением. Лицензия — Apache 2.0. Для прямого применения в других задачах может потребоваться дообучение. В доступной карточке не приведены результаты оценки качества и подробности состава обучающих данных.

hfl/chinese-roberta-wwm-ext — китайская предобученная модель семейства BERT с маскированием целых слов (Whole Word Masking), опубликованная HFL. Это плотная модель для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить основой для задач понимания китайского текста после соответствующей настройки. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для обработки китайского языка. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает предобучение, но не приводит результатов оценки качества или специализированных ограничений; доступные сведения указывают на задачу заполнения масок.

Крупная предварительно обученная языковая модель BERT для китайского языка с маскированием целых слов (Whole Word Masking). Модель разработана командой HFL и представлена в работе «Pre-Training with Whole Word Masking for Chinese BERT». Она предназначена для восстановления замаскированных фрагментов текста и может служить основой для дальнейшей адаптации к задачам обработки китайского языка. Модель использует плотную архитектуру BERT с головой BertForMaskedLM, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных результатов на прикладных задачах.

Модель emilylearning/cond_ft_none_on_reddit__prcnt_100__test_run_False__xlm-roberta-base размещена пользователем emilylearning на Hugging Face и предназначена для классификации отдельных токенов в тексте. Она доступна через библиотеку Transformers и использует архитектуру XLM-RoBERTa с головкой token classification; название репозитория указывает на дообучение базовой модели на данных Reddit, однако точная схема меток и прикладная задача в карточке модели не описаны. Модель содержит около 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Она подходит для задач, где каждому токену или фрагменту текста требуется назначить метку, например для извлечения сущностей или разметки последовательностей, если используемые метки соответствуют конкретному набору данных. Сведения о поддерживаемых языках и лицензии в доступных источниках отсутствуют, поэтому их нельзя надёжно определить.

Lau123/distilbert-base-uncased-detect_ai_generated_text — дообученная Lau123 модель на базе DistilBERT для классификации текста, в частности для определения текста, созданного ИИ. Архитектура — DistilBertForSequenceClassification; веса опубликованы в формате safetensors. Базовая модель — distilbert/distilbert-base-uncased, лицензия — Apache-2.0, максимальный контекст — 512 токенов. Модель предназначена для классификации текстовых фрагментов. В README приведены значения accuracy и F1, равные 1.0, и loss 0.0089 на оценочном наборе; состав и размер набора не раскрыты, поэтому эти результаты не позволяют судить о качестве на новых данных. Датасет обучения также не указан. Поддерживается английский текст, что следует из uncased-версии базовой модели.

Модель usami/distilbert-base-uncased-finetuned-cola — классификатор последовательностей на базе DistilBERT, дообученный на задаче CoLA из набора GLUE. Она предназначена для оценки приемлемости предложений на английском языке и может использоваться для автоматической фильтрации или анализа грамматически корректных и некорректных фраз. Модель принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. В README приведён результат оценки на тестовой выборке GLUE: коэффициент корреляции Мэттьюса 0,5492. Модель распространяется под лицензией Apache-2.0. Карточка не уточняет детали тренировочного процесса и ограничения применения, поэтому качество для иных задач классификации не установлено.

GhostFaith/distilbert-fakenews — модель, разработанная Amey Dande и дообученная на DistilBERT для бинарной классификации англоязычных новостных статей и заголовков на реальные и фейковые. Это шестислойный трансформерный энкодер DistilBERT с классификационной головой; модель использует контекст до 512 токенов и обучалась на очищенном от дубликатов наборе WELFake. Модель предназначена для учебных и демонстрационных проектов, а также как базовый сигнал в системах проверки фактов или модерации. В README сообщается о точности 99,12% и F1 0,9900 на отложенной выборке WELFake; эти результаты относятся к этому набору данных и не гарантируют перенос на другие источники и жанры новостей. Модель выпущена по лицензии MIT.

DKbert-hatespeech-detection — модель классификации датского текста для выявления языка ненависти. Её разработали Johan Horsmans и Gustav Aarup Lauridsen в рамках экзаменационного проекта по Cultural Data Science; модель основана на архитектуре BERT и содержит 137,8 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метку классификации. Модель обучена на данных OffensEval2020 и предназначена для выявления ненавистнических высказываний в датском тексте, например, при анализе публикаций и комментариев. В карточке указан macro F1 0,78; для класса hateful точность составляет 0,77, а полнота — 0,49, поэтому часть таких высказываний может остаться нераспознанной. Лицензия — MIT.

DualMind — языковая модель на 1,7 млрд параметров, разработанная исследовательским подразделением Convergent Intelligence LLC. Это дообученная модель семейства Qwen3 для генерации текста и диалогов, обученная выстраивать ответ в три этапа: свободное рассуждение, самопроверка и итоговый ответ. Такая структура предназначена прежде всего для задач логического вывода и решения задач, где полезно проверять ход рассуждений перед формулировкой ответа. Модель основана на reaperdoesntknow/DiStil-Qwen3-1.7B-uncensored; в README также указана база Disctil-Qwen3-1.7B. Для обучения использовались примеры логического вывода KK04/LogicInference_OA, а метаданные также отмечают набор LongWriter-6k. Архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors, контекстное окно — 40 960 токенов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Карточка описывает экспериментальный подход к самокритике через ролевые токены, однако не приводит независимых оценок качества или сравнительных результатов, поэтому надёжность самопроверки не подтверждена. Модель выпущена под лицензией Apache-2.0.

DuplexJev-B-Para-Qwen3-ASR-0.6B-Qwen3-1.7B — компактная аудиотекстовая модель семейства Ultravox от adventists-ai для коротких решений по речи и определения паралингвистических признаков. Замороженный аудиоэнкодер Qwen3-ASR-0.6B передаёт представления через обучаемый коннектор с укладкой кадров и проектором SwiGLU в замороженную языковую модель Qwen3-1.7B. Обучены только 11,5 млн параметров коннектора; модель выдаёт оценки вариантов ответа за один проход без генерации токенов, позволяя задавать несколько вопросов за проход. Модель предназначена для spoken QA, короткой классификации речевых характеристик, включая пол и эмоции, и решений по коротким аудиофрагментам. В README приведены результаты на наборах qa100 и ZJU-ML, а также замеры задержки на H200 и CPU. Поддерживаемые в метаданных языки — китайский и английский. Качество зависит от формулировки запроса и ограничено возможностями небольшой языковой модели; модель слабо отвечает на общие вопросы, а результаты оценки эмоций основаны на актёрской речи и не подходят для решений о конкретных людях. Проверка потокового аудио, квантизации и NPU не проводилась. Коннектор работает только с указанными энкодером и LLM. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

drbinna/e5-nba-finetuned — дообученная модель Sentence Transformer на базе intfloat/e5-base-v2, предназначенная для семантического поиска и сравнения текстов о матчах и игроках NBA. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, усреднение токенных представлений и нормализацию, а близость векторов оценивается косинусным сходством. Модель обучалась на 35 парах запросов и описаний, связанных со статистикой игроков и матчей NBA, с функцией MultipleNegativesRankingLoss. Модель подходит для поиска статистики по естественно сформулированному запросу, сопоставления запроса с описанием матча или игрока, кластеризации и извлечения похожих текстов. Максимальная длина последовательности — 512 токенов. Базовая модель описана как англоязычная, а обучающие примеры используют английские запросы и записи о матчах; подтверждений поддержки русского языка в карточке нет. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Англоязычная модель классификации текста на базе небольшого энкодера ELECTRA. pszemraj дообучил google/electra-small-discriminator на наборе GLUE CoLA для распознавания грамматической приемлемости предложений: модель относит входной текст к одному из классов. Веса содержат 20,4 млн параметров, контекст ограничен 512 токенами; доступны в форматах PyTorch и safetensors. На оценочной выборке CoLA модель показала Matthews Correlation 0,5510 и loss 0,4403. Она подходит для проверки грамматической приемлемости английских предложений и экспериментов с классификацией предложений. Лицензия — Apache-2.0.

Indo-LegalBERT — языковая модель на базе IndoBERT, разработанная Netri Alia Rahmi, Maula Irfani и Edric Boby Tri Raharjo. Модель дообучена на корпусе из 10 000 документов индонезийского законодательства и предназначена для применения в юридических NLP-задачах. Веса реализуют архитектуру BERT для предсказания замаскированных токенов; модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Основной сценарий — адаптация к последующим задачам, включая классификацию юридических документов и выявление несогласованностей между нормативными актами. Лицензия MIT.

Jyang1206/iris-dinov3-vits16-ssl-pilot — экспериментальный визуальный энкодер для извлечения признаков изображений офтальмологических хирургических инструментов. Это EMA teacher backbone, дообученный в небольшой DINO-стиле задаче self-distillation на основе Meta DINOv3 ViT-S/16; модель содержит 28,3 млн параметров и выдаёт 384-мерный эмбеддинг изображения. Она предназначена для поиска ближайших соседей и сравнения изображений инструментов по косинусному сходству. Чекпойнт адаптирован на 496 изображениях в течение 20 эпох. Его можно использовать для экспериментального поиска похожих изображений в офтальмологических наборах данных, однако README прямо отмечает отсутствие независимых сессий проверки и клинической валидации. Модель не должна быть единственным основанием для идентификации инструментов, захвата, сортировки или управления роботом. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Jagle-VL-2.2B-Jagle — японская мультимодальная модель для работы с изображениями и текстом, обученная авторами набора данных Jagle. Архитектура включает языковую модель Qwen3-1.7B, визуальный энкодер SigLIP2-so400m-patch16-512 и лёгкий проектор на двухслойном MLP; общий размер модели — 2,2 млрд параметров. Модель создана на основе архитектурного подхода InternVL3.0 и обучена на наборе Jagle. Модель предназначена для извлечения признаков из мультимодальных данных. Её можно применять как компонент систем, представляющих изображения и связанные с ними языковые данные в виде признаков для последующей обработки. Карточка не описывает конкретные прикладные сценарии или результаты оценки качества. Репозиторий распространяет веса в формате safetensors; условия лицензирования в предоставленных данных не приведены.

KM-BERT — корейская BERT-модель, предварительно обученная для обработки медицинских текстов. Владелец репозитория сообщает, что разместил копию весов исходной KM-BERT в формате Hugging Face; токенизатор взят из snunlp/KR-BERT-char16424. По архитектуре это плотная модель BertModel примерно на 125,9 млн параметров с контекстом до 512 токенов. Модель предназначена для извлечения векторных представлений корейского медицинского текста и может служить основой для задач сходства медицинских текстов, распознавания медицинских сущностей и других задач обработки корейского языка в медицине. В описании обучения указаны медицинские учебники, новостные материалы о здоровье и научные медицинские статьи; также упомянуты внутренние и внешние оценки на медицинских наборах данных. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных сведениях не указана. Результаты для конкретных прикладных задач потребуют проверки на целевых данных; README не приводит численных метрик.

KyrgyzBert — компактная языковая модель на архитектуре BERT, разработанная Метиновым Адилетом и предварительно обученная на корпусе текстов на кыргызском языке. Модель содержит 41,5 млн параметров; вариант из карточки использует 6 слоёв, 8 голов внимания и словарь собственного токенизатора metinovadilet/bert-kyrgyz-tokenizer. Максимальная длина последовательности — 512 токенов. Основное назначение модели — предсказание замаскированных слов в кыргызском тексте. Её также можно дообучать для классификации текста, распознавания именованных сущностей и других задач обработки кыргызского языка, а выходы модели применять для извлечения признаков. Обучение проводилось на корпусе более чем из 1,5 млн предложений; набор данных не раскрыт. Модель может быть полезна для кыргызскоязычных NLP-приложений и исследований. Она может хуже работать с малоресурсными диалектами и смешением языков, а для классификации тональности и распознавания сущностей требует отдельного дообучения. Лицензия — Apache-2.0.

LiBERTa Large — модель семейства BERT, разработанная Николой Халтиуком под руководством Александра Смывиньского-Поля в AGH University of Krakow. Она предварительно обучена с нуля исключительно на украинском языке и предназначена для заполнения пропусков в тексте. Модель представлена на конференции UNLP @ LREC-COLING 2024; для токенизации используется код из репозитория Goader/ukr-lm. Модель содержит 435,4 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В оценках на задачах NER, WikiANN, разметки частей речи и классификации новостных текстов она показала конкурентные результаты среди крупных украинских языковых моделей. Доступна под лицензией CC BY 4.0.

Карточка модели mediabiasgroup/magpie-pt-xlm на Hugging Face совпадает с карточкой mediabiasgroup/magpie-pt, поэтому описание составлено по ней. mediabiasgroup/magpie-pt — модель на основе XLM-RoBERTa, предварительно обученная на коллекции LBM (Large Bias Mixture) из 59 задач, связанных с предвзятостью в медиа. Обучение проводилось в режиме многозадачного обучения в рамках работы MAGPIE по обобщению анализа медиапредвзятости и выявлению соответствующих выражений. Модель предназначена для классификации текста в задачах анализа медиапредвзятости. Она основана на архитектуре RoBERTa, содержит около 151,9 млн параметров и рассчитана на последовательности длиной до 514 токенов. Репозиторий содержит веса PyTorch и Safetensors; модель дообучена на базе FacebookAI/xlm-roberta-base и поддерживает многоязычный ввод. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение. Карточка не уточняет конкретные поддерживаемые языки и ограничения качества; модель ориентирована на набор задач, связанных с предвзятостью, и её результаты следует интерпретировать с учётом целевой области обучения.

Merlyn-education-safety — плотная авторегрессионная модель семейства GPT-NeoX на 15,4 млрд параметров, дообученная Merlyn Mind на базе EleutherAI/pythia-12b для образовательной сферы. Она классифицирует запросы как уместные или неуместные для обсуждения в классе и предназначена для включения в состав образовательного ИИ-ассистента. Модель принимает текст и генерирует текстовый ответ; указанный контекст составляет 2048 токенов. Модель рассчитана на сценарии обучения в классе и вне его. Для запуска в полной точности требуется более 48 ГБ памяти GPU; в README упоминаются A100-80GB, несколько GPU или снижение точности. Лицензия — Apache-2.0.

Federal Reserve Stance Detection Model — модель классификации текста от World of Central Banks, дообученная на базе roberta-base для определения позиции в высказываниях Федеральной резервной системы. Она присваивает тексту одну из четырёх меток: нейтральная позиция, поддержка ограничительной денежно-кредитной политики (ястребиная), поддержка стимулирующей политики (голубиная) или отсутствие отношения к денежной политике. Модель предназначена для анализа стенограмм заседаний ФРС и других англоязычных финансовых и экономических коммуникаций, в частности для исследовательской и практической работы с тональностью денежно-кредитных высказываний. Архитектура — RoBERTa с классификационной головой; объём — 454,1 млн параметров, максимальная длина контекста — 514 токенов. Обучение проводилось на размеченных предложениях из набора gtfintechlab/federal_reserve_system. Модель рассчитана на английский язык и узкую задачу определения позиции по денежной политике; метки не дают более детальной интерпретации экономического смысла. Лицензия CC-BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Модель BenjaminOcampo/model-hatebert__trained-in-ishate__seed-0 — англоязычный классификатор текста на архитектуре BERT, разработанный Benjamin Ocampo. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт метки классов. README приводит результаты на dev-наборе: accuracy 0,864; F1 для класса 0 — 0,889, для класса 1 — 0,825. По названию репозитория модель, вероятно, предназначена для выявления ненавистнического контента и обучена на основе HateBERT с использованием данных iHate. Однако README не раскрывает описание классов, данные обучения, базовую модель и прямые сценарии использования, поэтому назначение следует подтвердить перед практическим применением. Лицензия в карточке не определена.

OpenMed разработала OpenMed-NER-DiseaseDetect-PubMed-335M — дообученную модель на базе BiomedNLP-BiomedBERT-large-uncased-abstract для распознавания названий заболеваний в биомедицинских текстах. Это трансформер семейства BERT с архитектурой BertForTokenClassification и примерно 433,9 млн параметров; модель принимает токенизированный текст и присваивает токенам BIO-метки B-DISEASE и I-DISEASE. Контекст ограничен 512 токенами. Модель обучена на компоненте BC5CDR-Disease корпуса BioCreative V, содержащем аннотации заболеваний в PubMed-абстрактах. Она предназначена для извлечения упоминаний заболеваний из научной литературы и медицинских записей, включая поиск по корпусам и подготовку данных для биомедицинского анализа. В карточке приведены результаты на BC5CDR-Disease: F1 0,9097, точность 0,8932, полнота 0,9268 и accuracy 0,9849. Модель ориентирована на английские биомедицинские тексты; перенос результатов на другие языки и типы документов не подтверждён карточкой. Она распознаёт сущности заболеваний, а не выявляет лекарственные взаимодействия и не ставит диагнозы самостоятельно. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-OrganismDetect-MultiMed-568M — модель распознавания упоминаний организмов и видов в тексте. Это дообученный трансформер XLM-RoBERTa с примерно 658,7 млн параметров, предназначенный для token classification и разметки названий видов тегами B-SPECIES и I-SPECIES. Модель рассчитана на научную и биомедицинскую литературу, где требуется находить научные и общеупотребительные названия организмов. Модель обучена на корпусе SPECIES800 и принимает токенизированный текст, выдавая BIO-разметку сущностей. В README приведены F1 0,83, точность 0,81 и полнота 0,86; результаты зависят от данных и способа оценки. Карточка заявляет поддержку экосистемы Hugging Face Transformers. Контекст составляет до 8194 токенов, а язык карточки и тегов — английский. Модель распространяется по лицензии Apache-2.0.