I.11Классификация, ранжирование и сопоставление

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-135M — модель распознавания упоминаний организмов и видов в тексте. Это дообученная DistilBERT-модель для token classification: она выделяет названия видов тегами B-SPECIES и I-SPECIES, включая научные и обиходные названия. Модель обучена на корпусе SPECIES800 и принимает токенизированный текст, возвращая BIO-разметку сущностей. Модель предназначена для поиска упоминаний видов в биомедицинских статьях и других текстах, а также для задач таксономического анализа и текстового поиска по биоразнообразию. В README приведены значения F1 0,80, precision 0,79, recall 0,81 и accuracy 0,96 на SPECIES800; они характеризуют результаты на этом корпусе и не гарантируют такое же качество на других данных. Контекст модели — 512 токенов, основной язык карточки — английский. Репозиторий использует формат safetensors; лицензия — Apache-2.0.

paperpass-v3 — китайскоязычная модель классификации текстов, разработанная PaperPass для определения, мог ли абзац быть создан ИИ. Она дообучена на базе hfl/chinese-roberta-wwm-ext-large и имеет архитектуру BERT для классификации последовательностей; в репозитории указано 424,3 млн параметров. Модель принимает китайский текст длиной до 512 токенов и выдаёт вероятности двух классов: «человек» и «ИИ»; вероятность класса «ИИ» используется как оценка уверенности в генерации текста ИИ. Модель предназначена для проверки китайских абзацев, в том числе академических текстов. В README приведены результаты тестирования: F1 95,1%, обнаружение LLM-текстов — 96,5%, а доля ошибочной классификации человеческих PDF-текстов как созданных ИИ — 0,8%. Эти показатели относятся к указанным в карточке данным и сценариям. Лицензия — MIT.

Brendan/refpydst-1p-icdst-split-v1 — модель эмбеддингов на базе MPNet, разработанная Brendan. Она инициализирована из sentence-transformers/all-mpnet-base-v2 и дообучена на 1% обучающей выборки MultiWOZ с использованием supervised contrastive loss. Модель предназначена для поиска примеров в контексте (in-context example retrieval) для задач MultiWOZ: она сопоставляет заданный пример с подходящими примерами из обучающего набора. Модель принимает текст, подготовленный в заданном формате, и преобразует его в плотный вектор размерности 768; в метаданных указан контекст до 514 токенов. Векторы можно использовать для семантического поиска и сравнения сходства предложений. Это специализированный энкодер для примеров MultiWOZ, а не универсальная модель эмбеддингов. Лицензия в предоставленных данных не указана.

Rex-Thinker-GRPO-7B — мультимодальная модель IDEA-Research для поиска объектов на изображении по текстовому описанию. Она дообучена на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: с учителем на структурированных примерах рассуждений, затем с подкреплением методом GRPO. Модель оценивает предложенные детектором объекты, сопоставляя их с выражением, и возвращает подходящую область или воздерживается от выбора, если совпадения нет. Модель предназначена для задач referring expression grounding: например, найти на изображении «красную чашку слева от ноутбука». Она принимает изображение и текстовое выражение, а для работы использует кандидатов областей от open-vocabulary детектора, такого как Grounding DINO. Архитектура основана на Qwen2.5-VL, размер — 7,1 млрд параметров, заявленный контекст — 128 000 токенов. Карточка описывает английский язык; сведения о поддержке других языков не приведены. Структурированные шаги рассуждения повышают интерпретируемость сопоставления и позволяют отказаться от неподходящего кандидата. Качество зависит от кандидатов, предложенных детектором, и модель рассчитана на визуальное понимание объектов по текстовым описаниям. Лицензия в предоставленных данных не указана.

SaibaTudo-Eleicao2026 — модель NLU, разработанная для приложения SaibaTudo Eleições 2026. Она дообучена методом QLoRA на базе Qwen2.5-1.5B-Instruct и преобразует вопросы избирателей о всеобщих выборах Бразилии 2026 года в короткий JSON с намерением и упомянутыми сущностями, например должностью, штатом, партией или именем кандидата. Модель работает с текстом на бразильском португальском языке; базовая архитектура — плотная причинная языковая модель Qwen2 с 1,5 млрд параметров и контекстом 32 768 токенов. Модель предназначена для маршрутизации запросов и извлечения сущностей, а не для выдачи фактов, рекомендаций о кандидатах или прогнозов. Приложение формирует ответы локально на основе открытых данных избирательного органа Бразилии TSE; результат модели проходит повторную проверку, а в производственном сценарии JSON ограничивается грамматикой GBNF. Обучение охватывает формулировки на PT-BR, но модель может ошибаться на редком сленге, экстремальных опечатках и редких именах. Лицензия — MIT.

SK_BPE_BLM — предварительно обученная языковая модель для словацкого языка, разработанная David Držík и основанная на архитектуре RoBERTa. Она предсказывает замаскированные токены и предназначена прежде всего для дообучения под последующие задачи обработки словацкого текста. В репозитории Hugging Face указаны 68,8 млн параметров и контекст 258 токенов; README описывает 6 слоёв, 12 голов внимания, скрытый размер 576, словарь из 50 264 токенов и последовательности до 256 токенов. Модель использует BPE-токенизацию и работает с текстом в нижнем регистре. Для предобучения использована очищенная выборка словацкого подмножества OSCAR 2019. Модель может служить основой для настройки на задачи NER, разметки частей речи, ответов на вопросы, анализа тональности и классификации тем, однако эти задачи требуют соответствующего дообучения. Лицензия — MIT. Ограничения включают поддержку только словацкого языка, чувствительность к предварительной обработке в нижнем регистре и короткий контекст.

SoT_DistilBERT — англоязычный классификатор на базе DistilBERT, разработанный для выбора подходящей парадигмы рассуждения Sketch-of-Thought (SoT) по тексту вопроса. Он относит запрос к одной из трёх категорий: концептуальная цепочка для логического и многошагового вывода, структурированные символические шаги для математики и вычислений или специализированная терминология для технических областей. Модель предназначена для автоматического выбора формата подсказки в конвейере работы с языковой моделью, а не для самостоятельной генерации ответа. Это плотная архитектура DistilBertForSequenceClassification с контекстом до 512 токенов. Классификатор дообучен на примерно 14 200 примерах из задач на рассуждение; по карточке, метки назначались GPT-4o. В метаданных указаны английский язык и наборы данных для математических задач, чтения с выводами, вопросов по знаниям и логического рассуждения. README сообщает о многоязычной поддержке пакета SoT, но это не подтверждает многоязычность самого классификатора. Модель может помочь сократить объём рассуждений, выбирая один из трёх заранее заданных подходов, однако она только классифицирует запросы и может плохо обобщать за пределами обучающего распределения; качество также зависит от сложности и тематики вопроса. Репозиторий распространяется по лицензии MIT.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI для оценки диалогов с помощником. Она дообучена на базе Tulu 2 и обучена на разговорах из набора Chatbot Arena 2023; архитектура — плотная Llama с 12,9 млрд параметров. Модель принимает текстовые диалоги в предусмотренном шаблоне и выдаёт оценку, пригодную для обучения с подкреплением по PPO и работы с предпочтениями. Модель предназначена прежде всего для исследовательских экспериментов с RLHF и ранжирования ответов помощника по их предпочтительности. Поддерживает английский язык, контекст до 4096 токенов и распространяется в формате Safetensors. Лицензия — Apache 2.0. В карточке модель названа исследовательским артефактом; её оценка ориентирована на Chatbot Arena 2023 и не подтверждена как универсальный показатель качества ответов.

UzBERT base uncased — базовая модель BERT, разработанная Copper City Labs и предварительно обученная для узбекского языка на кириллице. Обучение проводилось на примерно 625 тысячах новостных статей объёмом около 142 миллионов слов с задачами masked language modeling и next sentence prediction. Модель предназначена для заполнения пропусков в тексте и может служить основой для задач обработки узбекского языка. Она содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors. Лицензия — MIT.

VipLLaVA 7B — мультимодальная чат-модель, представленная в репозитории llava-hf и выпущенная в декабре 2023 года. Это авторегрессионная модель на основе архитектуры Transformer, объединяющая обработку изображений с генерацией текста; семейство архитектуры — VipLLaVA, размер — 7 млрд параметров. Модель дообучена на основе LLaVA: в протоколе Vip-LLaVA изображения размечаются, чтобы модель училась реагировать на естественные визуальные подсказки, например красные рамки и стрелки. Модель предназначена для диалога по одному или нескольким изображениям и мультимодального следования инструкциям. Она может отвечать на вопросы об изображениях и интерпретировать указанные на них области или объекты. README описывает поддержку нескольких изображений и запросов в одном вводе. Метаданные указывают английский язык карточки; контекстное окно не указано в предоставленных источниках. Для использования предлагается библиотека Transformers версии 4.35.3 или новее; описаны запуск на GPU, 4-битная квантизация через bitsandbytes и ускорение с Flash Attention 2. В README не приведены отдельные результаты оценки качества или сведения о лицензии, поэтому условия лицензирования по этим материалам установить нельзя.

XLMR-ENIS-finetuned-cola — модель классификации текстовых последовательностей на базе XLM-RoBERTa, дообученная разработчиком vesteinn на датасете GLUE для задачи CoLA. Она предназначена для оценки грамматической приемлемости английских предложений и может использоваться для их классификации и экспериментов с оценкой грамматичности. Модель содержит 151,7 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст составляет 514 токенов. В карточке приведён результат на тестовой выборке: Matthews Correlation 0,6306, loss 0,7311. Репозиторий распространяется по лицензии AGPL-3.0.

liserman/xlm-roberta-base-parliament-adaptation — модель на базе XLM-RoBERTa, опубликованная пользователем liserman и предназначенная для заполнения пропусков в тексте. Она адаптирована для парламентского контекста, поэтому может использоваться как основа для анализа и восстановления фрагментов текстов парламентских выступлений и документов. Модель содержит около 305,2 млн параметров, работает в библиотеке Transformers и поддерживает контекст длиной до 514 токенов. Основная модальность — текст; задача модели задаётся через pipeline fill-mask. Архитектура XLM-RoBERTa ориентирована на многоязычную обработку текста, однако конкретный набор поддерживаемых языков в предоставленных данных не указан. Модель подходит для восстановления замаскированных слов, адаптации downstream-моделей к парламентской лексике и подготовки признаков для классификации или поиска по политическим документам. README не содержит сведений о разработчике, лицензии, датасете обучения, результатах оценки и дополнительных ограничениях, поэтому условия коммерческого и иного использования следует проверять отдельно на странице модели.

XLM-T-Sent-Politics — многоязычная модель классификации тональности твитов политиков, опубликованная Cardiff NLP. Она развивает twitter-xlm-roberta-base-sentiment: исходную модель дообучили на твитах членов парламентов Великобритании, Испании и Греции, добавив английские, испанские и греческие данные к тональному обучению на восьми языках. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает текст и возвращает оценки классов тональности; контекст составляет до 514 токенов. Подходит для анализа политической коммуникации в Twitter и сравнения тональности высказываний на поддерживаемых языках. Модель унаследовала многоязычное обучение на арабском, английском, французском, немецком, хинди, итальянском, испанском и португальском, а политические твиты дополнительно представлены на английском, испанском и греческом. README не приводит точные названия классов и оценки качества, поэтому интерпретацию выходных классов следует сверять с оригинальной карточкой или кодом. Репозиторий доступен в форматах PyTorch и TensorFlow; сведения о лицензии в предоставленных данных отсутствуют.

Astro-HEP-BERT — англоязычная двунаправленная модель BERT, разработанная Арно Симонсом для контекстных представлений слов и вычислительного анализа понятий в астрофизике и физике высоких энергий. Она основана на google-bert/bert-base-uncased и дополнительно обучена в течение трёх эпох на корпусе Astro-HEP из 21,84 млн абзацев более чем 600 000 научных статей arXiv. Модель обучалась с задачей masked language modeling; обучение на целых абзацах сохраняет исходный контекст предложений. Модель подходит для анализа того, как меняется употребление научных понятий в астрофизике и физике высоких энергий, в том числе в исследованиях по истории, философии и социологии науки. Её можно применять для получения контекстных эмбеддингов и заполнения пропусков в тексте. Это BERT-модель с 136,7 млн параметров и контекстом до 512 токенов; поддерживаемый язык — английский. Распространяется по лицензии Apache-2.0.

tohoku-nlp/bert-base-japanese-v2 — японская языковая модель BERT, разработанная группой Tohoku NLP и предварительно обученная на японской Википедии. Она предназначена для восстановления скрытых фрагментов текста и может служить основой для задач, где требуется представление японского языка. Модель использует архитектуру BERT base с 12 слоями, размерностью скрытых состояний 768 и 12 головами внимания; число параметров — 138,4 млн, контекст — до 512 токенов. Текст разбивается морфологическим токенизатором MeCab на слова с использованием словаря Unidic 2.1.2, затем на подслова WordPiece. При предобучении применялось маскирование целых слов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель ориентирована на японский язык и обучена на корпусе из японской Википедии, собранном по дампу от 31 августа 2020 года. Лицензия — CC-BY-SA-4.0. Качество за пределами японского языка и предметных областей, отсутствующих в обучающих данных, не подтверждено; модель не является готовым диалоговым ассистентом.

Chinese BabyLM First Model — базовый чекпойнт BertForMaskedLM для китайского языка, опубликованный в пространстве проекта Chinese BabyLM. Модель содержит 90,8 млн параметров; архитектура включает 8 слоёв, 12 голов внимания, скрытый размер 768 и словарь из 19 907 токенов. Максимальная длина входа — 512 токенов, веса сохранены в формате safetensors. Модель предназначена для заполнения замаскированных фрагментов китайского текста, продолжения предобучения и использования как начального энкодера для дообучения на классификацию или распознавание текстовых отношений. Это базовый MLM-чекпойнт, а не готовый классификатор: для целевой классификации требуется обучить отдельную голову. В карточке приведены локальные результаты по ZhoBLiMP и задачам AFQMC, OCNLI, TNEWS и CLUEWSC2020; авторы отмечают, что это не официальная заявка на таблицу лидеров. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Карточка модели thesephist/contra-bottleneck-t5-base-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

Карточка модели thesephist/contra-bottleneck-t5-small-wikipedia на Hugging Face совпадает с карточкой thesephist/contra-bottleneck-t5-large-wikipedia, поэтому описание составлено по ней. Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

Dart v2-moe-sft — авторская дообученная модель Plat для генерации тегов в стиле Danbooru. Это причинная языковая модель на архитектуре Mixtral с механизмом MoE; в метаданных указано 57,2 млн параметров, контекст — 1024 токена. Обучение SFT проводилось на наборе isek-ai/danbooru-tags-2024 с тегами изображений за период с 2005 года по март 2024 года. Модель принимает текстовые подсказки с тегами и параметрами генерации и выдаёт продолжение в виде тегов. Подсказки могут задавать категорию рейтинга содержания, соотношение сторон, желаемую длину списка и строгость сохранения идентичности персонажа или объекта. Она предназначена для подготовки и дополнения тегов к изображениям, а также для творческой генерации наборов тегов. Модель работает с тегами Danbooru, а не с естественным языком как основным языком общения. В README сказано, что оценка качества ещё не проводилась; экспериментальная библиотека dartrs для инференса может меняться. Лицензия модели — Apache-2.0. При режиме без строгого сохранения идентичности модель может отходить от заданных тегов; более строгий режим уменьшает творческую вариативность.

agentlans/deberta-v3-xsmall-tweet-sentiment — англоязычная модель анализа тональности коротких сообщений, разработанная на основе DeBERTa-v3 xsmall и дообученная для регрессии тональности твитов. Она принимает текст и выдаёт непрерывную оценку: отрицательное значение соответствует негативной тональности, ноль — нейтральной, положительное значение — позитивной; абсолютная величина оценки отражает её выраженность. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель предназначена для оценки тональности англоязычных твитов и коротких сообщений. Она обучена на твитах, опубликованных с сентября 2009 по январь 2010 года; оценки для обучающих данных получены из метаанализа десяти классификаторов тональности с использованием метода главных компонент. На тестировании для варианта xsmall указана RMSE 0,2560. Модель может хуже работать с сарказмом, тонкими нюансами и текстами за пределами жанра твитов; она не учитывает контекст за пределами отдельного сообщения. Данные обучения отражают демографию пользователей Twitter и условия указанного периода. Лицензия — Apache 2.0.

deka-qwen3-emb-0.6b-infonce-lawyer — модель эмбеддингов, разработанная anonymousresearch123 путём полного дообучения Qwen/Qwen3-Embedding-0.6B для поиска дел Верховного суда Таиланда. Она кодирует запросы и документы в плотные векторы для семантического поиска; вариант документов ориентирован на юридический регистр lawyer, а запросы обучались на сопоставление с текстами fact. Модель использует pooling последнего токена с левым заполнением и L2-нормализацию; в метаданных указаны 507,6 млн параметров и контекст до 32 768 токенов. README сообщает, что при оценке на полном корпусе чистых qrels для регистра fact достигнут Recall@10 34,76%, а для lawyer — 27,14%; результаты зависят от регистра текста. Для работы с запросами требуется добавлять префикс инструкции, использованный при обучении; к документам его добавлять не следует. Модель предназначена для тайского юридического корпуса и не подтверждена как универсальный эмбеддер. Распространяется по лицензии Apache-2.0.

rwang5688 — дообученная на датасете GLUE модель DistilBERT для классификации текста. По названию модели и результату Matthews Correlation она предназначена для определения грамматической приемлемости английских предложений в задаче CoLA. Модель принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch и TensorFlow. Модель подходит для проверки грамматической приемлемости предложений и экспериментов с классификацией текста. Лицензия — Apache-2.0.

DuplexJev-B-MOSS-Transcribe-Qwen3-4B-2507 — аудиотекстовая модель семейства Ultravox от adventists-ai для ответов на вопросы по речи и определения признаков говорящего. Она объединяет замороженный аудиоэнкодер MOSS-Transcribe-Diarize на архитектуре Whisper с замороженной Qwen3-4B-Instruct-2507; обучаемый коннектор с проектором SwiGLU содержит 38,8 млн параметров. Всего в базовых компонентах около 4 млрд параметров у языковой модели и 307 млн у аудиоэнкодера. Модель предназначена для коротких решений по аудиофрагментам: ответы на вопросы о сказанном, определение пола или эмоции говорящего. Для каждого вопроса она оценивает варианты ответа распределением по одному токену, что позволяет обрабатывать много вопросов за один проход без генерации текста. В README приведены результаты тестов на произнесённых вопросах и задержка на клипе длиной 4,5 секунды. Проверялась на прочитанной или разыгранной речи и небольших тестовых наборах; потоковый ввод не оценивался. Небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний, а метки эмоций основаны на разыгранной речи и не подходят для принятия решений о конкретных людях. Коннектор работает только с указанными аудиоэнкодером и языковой моделью. Лицензия — Apache-2.0.

DuplexJev-B-MOSS-Transcribe-SmolLM3-3B — компактная аудиотекстовая модель семейства Ultravox от adventists-ai. Она объединяет замороженный аудиоэнкодер MOSS-Transcribe-Diarize на архитектуре Whisper и замороженную языковую модель SmolLM3-3B через обучаемый коннектор с проектором SwiGLU; обучено 37,8 млн параметров коннектора. Модель оценивает варианты ответа по аудиозаписи, выдавая распределение по вариантам без генерации токенов, поэтому подходит для коротких решений и распознавания речевых характеристик. Предназначена для вопросов и классификационных задач по речи, включая spoken QA и определение характеристик говорящего. В карточке указаны английский и китайский языки. В опубликованной оценке результаты spoken QA составили 47% по протоколу статьи и 53% с настройками duplexjev 0.2.2; тестирование проводилось на небольших наборах. Модель не предназначена для потокового ввода и открытых вопросов, требующих обширных знаний. Эмоциональные метки основаны на актёрской речи и не должны использоваться для принятия решений о людях. Лицензия — Apache-2.0; для работы нужны указанные в карточке базовые компоненты.

DuplexJev-B-Para-MOSS-Transcribe-Falcon-H1-1.5B — аудиотекстовая модель семейства Ultravox, разработанная adventists-ai как коннектор между аудиоэнкодером MOSS-Transcribe-Diarize и Falcon-H1-1.5B-Instruct. Замороженный Whisper-энкодер передаёт признаки замороженной языковой модели через обучаемый проектор SwiGLU с укладкой кадров; у коннектора 37,8 млн обучаемых параметров. Модель обрабатывает аудиоклип и типизированные вопросы, выдавая распределение вероятностей по вариантам ответа без генерации токенов; поддерживается пакетная оценка нескольких вопросов. Модель предназначена для коротких решений по речи и определения характеристик говорящего, включая речевые вопросы-ответы и паралингвистические признаки. В README приведены результаты на небольших тестовых наборах и задержки, сильно зависящие от аппаратуры; на CPU без Mamba-ядер работа медленная. Модель не оценивалась на потоковом аудио, а вопросы на общие знания ограничены возможностями небольшой языковой модели. Эмоциональные метки обучены на корпусах актёрской речи и не подходят для принятия решений о конкретных людях. Для работы нужны указанные энкодер и LLM. Лицензия — CC-BY-NC-4.0, допускающая использование на условиях некоммерческого лицензирования.

Falconsai/fear_mongering_detection — модель классификации текста на базе DistilBERT-base-uncased, дообученная для выявления запугивающих и нагнетающих страх формулировок. Она предназначена для анализа публикаций и комментариев в социальных сетях, новостных материалов и контента онлайн-платформ, например для мониторинга и предварительной модерации. Модель принимает текст на английском языке и выдаёт метку классификации. В карточке указано, что обучение проводилось на специализированном наборе данных объёмом менее 50 тысяч примеров. Модель ориентирована на выявление нагнетания страха и может ошибочно помечать обычный текст; качество за пределами этой задачи может быть низким. Лицензия — Apache-2.0.

hxxris/haaris-audio-classification-modified — модель классификации аудио на архитектуре Wav2Vec2ForSequenceClassification, дообученная разработчиком на основе facebook/wav2vec2-base. Она предназначена для отнесения аудиозаписей к классам и может использоваться в задачах, где метки определяются по аудиосигналу. В репозитории указаны веса SafeTensors, размер модели — 113,3 млн параметров, лицензия — Apache-2.0. Карточка не описывает набор классов, обучающие данные, качество, поддерживаемые языки или конкретные сценарии применения. Поэтому применимость к отдельным типам аудио и языкам речи по доступным сведениям установить нельзя.

Riiid разработала эту модель на архитектуре ALBERT для выбора правильного варианта ответа в заданиях с множественным выбором. Она использовалась в работе EMNLP 2022 «Evaluating the Knowledge Dependency of Questions» для оценки зависимости вопросов от знаний. Модель содержит 1,7 млрд параметров, принимает текст и поддерживает контекст до 512 токенов. Модель подходит для экспериментов с вопросами и ответами в формате multiple choice. Она распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Latxa 70b v1.2 — большая языковая модель, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Это продолжительно предобученная версия Meta Llama 2 с 68,7 млрд параметров, созданная для работы прежде всего с баскским языком. Для обучения использован корпус Latxa v1.1 объёмом около 4,2 млрд токенов; также включались англоязычные данные. Модель имеет архитектуру LlamaForCausalLM и контекст до 4096 токенов. Модель предназначена для генерации текста и языковых экспериментов на баскском: её можно задавать через промпты или дообучать под конкретные задачи, например классификацию, анализ тональности и понимание текста. Она не проходила дообучение на следование инструкциям и не рекомендуется как готовый чат-ассистент. Для языков, отличных от баскского, качество не гарантируется. Лицензия Llama 2 допускает коммерческое и исследовательское использование с соблюдением её условий.

Legal-BERTimbau-base — модель семейства BERT, разработанная Rufimelo для работы с юридическими текстами на бразильском португальском языке. Это дообученная версия BERTimbau Base: её дополнительно обучали на корпусе из 30 000 юридических документов, чтобы адаптировать представления модели к правовой тематике. Модель содержит 136,1 млн параметров, использует архитектуру BERT с 12 слоями и поддерживает контекст до 512 токенов. Основная задача по метаданным — предсказание скрытых токенов (fill-mask); README также показывает получение эмбеддингов. Репозиторий содержит веса PyTorch. Модель подходит для анализа и представления бразильских юридических текстов, а также для языковых задач, построенных на предсказании замаскированных слов. Лицензия — MIT. Результаты могут быть менее надёжными вне юридического домена и бразильского португальского языка.