I.11Классификация, ранжирование и сопоставление

Это вспомогательная модель для Parrot — системы перефразирования и расширения набора высказываний, разработанной для ускорения обучения моделей понимания естественного языка (NLU). По метаданным это классификатор последовательностей на архитектуре RoBERTa с 454,1 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для оценки адекватности перефразированных высказываний в составе Parrot. Карточка не раскрывает схему меток, формат входа и выхода или отдельные сценарии использования вне этого фреймворка; языковая поддержка также не указана.

RetrievalRouter_Baseline — исследовательский базовый классификатор для выбора стратегии поиска документов, созданный как часть работы RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval. Модель дообучена на Qwen/Qwen3-0.6B-Base с LoRA; использует mean pooling, 1024-мерное представление и линейную голову, выбирающую один из пяти вариантов поискового конвейера. Классификатор обучен на жёстких метках с функцией потерь cross-entropy. Модель оценивает запрос и выбирает подходящий маршрут: от недорогого BM25 до плотного поиска, мультимодального поиска или поиска с поздним взаимодействием. Она возвращает выбранный конвейер, а не документы; для работы нужно отдельно запустить этот конвейер по собственным индексам. Чекпойнт предназначен для воспроизведения исследовательских сравнений, а авторы рекомендуют для развёртывания основные чекпойнты RetrievalRouter. Для загрузки пользовательской архитектуры требуется trust_remote_code=True. Лицензия — MIT.

Модель apanc/russian-inappropriate-messages разработана для классификации русскоязычных сообщений на предмет неуместного содержания. Это плотная BERT-модель с головой классификации последовательностей, содержащая 205,1 млн параметров и принимающая текст длиной до 512 токенов. Она выявляет высказывания, которые могут нанести ущерб репутации автора, даже если в них нет обсценной лексики или токсичного намерения, например оправдание преступления или оскорбление чувств верующих. Модель предназначена как дополнительный этап фильтрации после проверки на токсичность и обсценную лексику; для определения конкретной чувствительной темы README рекомендует использовать отдельную модель. На тестовой выборке авторы сообщают точность 0,89 и F1 0,78 для класса неуместных сообщений. Обучение и оценка проводились на примерах с полной уверенностью в разметке, поэтому качество на неоднозначных сообщениях может отличаться. Доступны веса PyTorch, TensorFlow и Flax. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных материалов на тех же условиях.

SMB-v1 — модель представления пациентов, разработанная Standard Model Bio для анализа продольных структурированных клинических данных в онкологии. Она объединяет временные физиологические показатели, диагнозы и процедуры, лечение, биомаркеры и геномные профили, стадии опухоли и исходы в единое представление состояния пациента. Модель дообучена на Qwen/Qwen3-1.7B методом SFT и JEPA с несколькими целями обучения; для обработки данных ожидает формат MEDS, сериализованный с помощью пакета smb_utils. Модель предназначена для построения представлений пациентов для прогнозирования риска осложнений и прогрессирования, моделирования ответа на лечение, поиска похожих пациентов и сопоставления с критериями клинических исследований. В метаданных основная задача указана как извлечение признаков; карточка описывает только структурированные сигналы и отмечает, что необработанные биомедицинские данные этих типов не использовались для обучения. Лицензия CC BY-NC 4.0 разрешает использование с ограничениями на коммерческое применение.

kev-KOH разработал Time-Embed BGE-M3 LMS Temporal v1.9 Native-Day Bridge — дообученную модель эмбеддингов на основе XLM-RoBERTa и семейства BGE-M3 для поиска по временным выражениям в корейских материалах LMS. Она помогает сопоставлять формулировки вроде «나흘 뒤» и «4일 뒤», различать близкие даты вроде «나흘 뒤» и «사흘 뒤», а также находить сведения о сроках заданий, объявлениях и расписании лекций. Модель содержит 658,7 млн параметров, формирует нормализованные эмбеддинги с CLS-пулингом и рассчитана на входную длину до 8194 токенов; в обучении использовались максимальные длины запроса и документа по 128 токенов. Это узкий корректирующий чекпойнт, обученный на 64 примерах с проверочными выборками по 32 примера. Внутренние проверки показали улучшение распознавания корейских выражений с днями относительно базовой модели, при этом опубликованные проверки KLUE-STS и KorSTS сохранились на близком уровне. Модель предназначена для экспериментов с временным поиском в корейских LMS, а не для замены универсальных корейских эмбеддингов; поддержку вариантов счёта дней следует дополнительно проверять. Лицензия — MIT.

TwIL-LM3-Pro — дообученная модель webAI-Official на базе IBM Granite 4.2 3B, предназначенная прежде всего для задач формальной логики и структурированного вывода. Она принимает текст и генерирует текст; заявленный размер — 3,66 млрд параметров, архитектура — плотная GraniteForCausalLM. Модель поддерживает контекст до 131 072 токенов, однако представленные оценки качества получены в окне 8 192 токена, а работа с более длинным контекстом отдельно не проверялась. Модель настроена на перевод формул логики первого порядка, разметку следования, семантический разбор, формулировки для Lean и критику доказательств Lean. В README приведены сравнительные результаты на бенчмарках рассуждений и общих задач, но отмечены слабые результаты по точному совпадению в FOL-переводе и семантическом разборе. Ответы многословны: в среднем около 1 902 токенов в задачах Track A; 24,2% таких генераций достигали ограничения длины. README также указывает, что это не универсальный ассистент и не заявляет проверенные возможности генерации кода или использования инструментов. Для запуска доступны веса safetensors и GGUF в нескольких вариантах квантования. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Модель justin1983/wav2vec2-base-finetuned-amd — дообученная версия facebook/wav2vec2-base для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. На указанном в карточке наборе для оценки модель достигла точности 0,8455 при значении функции потерь 0,2777; название датасета в README не приведено. Модель предназначена для отнесения аудиозаписей к классам. Карточка не описывает классы, целевую область применения, языки или ограничения качества, поэтому применимость к конкретным типам аудио следует проверять отдельно. Доступна в формате PyTorch по лицензии Apache-2.0.

AffilGood-AffilRoBERTa — англоязычная модель на архитектуре RoBERTa, разработанная для работы со строками аффилиаций организаций. Авторы дополнительно обучили RoBERTa предсказывать замаскированные токены на 10 миллионах строк аффилиаций из OpenAlex, чтобы адаптировать языковую модель к их характерной структуре. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Основная задача модели — восстановление замаскированных токенов в строках аффилиаций. Такая адаптация служит основой для задач распознавания именованных сущностей и выделения фрагментов аффилиаций; в описанной оценке модель показала F1 0,920 для NER и 0,938 для выделения фрагментов. Репозиторий предоставляет веса в формате Safetensors. Модель выпущена под лицензией Apache 2.0. В README отмечены возможные смещения и нежелательные искажения, поэтому результаты применения следует проверять.

gaBERT — базовая модель семейства BERT, разработанная для работы с ирландским языком. Это энкодерный Transformer с 136,4 млн параметров, обученный на 7,9 млн предложений на ирландском языке. Модель предназначена для получения признаков и последующего дообучения под прикладные задачи обработки языка; в карточке Hugging Face для неё указана задача fill-mask. Модель принимает текст и предсказывает замаскированные токены, а также может служить основой для дообучения на других задачах для ирландского языка. Она поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Предобучающие данные частично собраны из интернета и могут содержать предвзятый, оскорбительный или взрослый контент, поэтому результаты прикладных систем на её основе требуют проверки. Лицензия в предоставленных данных не указана.

nanelimon/bert-base-turkish-bullying — модель на основе BERT, созданная Şeyma Sarıgil, Elif Sarıgil Kara, Murat Koklu и Alaaddin Erdinç Dal для определения видов травли в публикациях турецких социальных сетей. Она относит текст к одному из четырёх классов: нейтральное сообщение, провокация или оскорбление, сексизм и расизм; подходит для автоматической разметки и анализа постов и твитов. Модель построена на архитектуре BERT и содержит 211,6 млн параметров. Она обучалась на 3388 твитах из турецкого набора данных для выявления оскорбительного содержания. В README приведены accuracy 0,886 и метрики precision, recall и F1 по классам. Контекст ограничен 512 токенами; лицензия — MIT. Это специализированный классификатор турецких сообщений, поэтому результаты могут быть ненадёжны для других языков и жанров текста. Небольшой объём обучающих данных также ограничивает переносимость метрик на реальные потоки публикаций; в примере README модель загружается в TensorFlow из весов PyTorch.

bert-lyrics-classifier — модель Devan Asokan для классификации отдельных куплетов песен по пригодности для детей. Она разработана в рамках выпускного проекта Asia Pacific University и представляет собой дообученную BERT-модель для бинарной классификации последовательностей на базе google-bert/bert-base-uncased. Модель принимает текст куплета на английском языке и выдаёт метку SAFE или UNSAFE. По метаданным, модель содержит 136,7 млн параметров, поддерживает контекст до 512 токенов и распространяется в формате safetensors; лицензия — MIT. Модель предназначена для анализа текстов песен на уровне отдельных куплетов, например, чтобы выделять потенциально неподходящие фрагменты для последующей проверки родителями или модераторами. В README указана точность 0,8925 на отложенной выборке из того же процесса сбора и разметки, что использовался при обучении. К ограничениям относятся шум в метках, созданных с помощью LLM, субъективность понятия «пригодность», возможное снижение надёжности на длинных и неоднозначных куплетах и текстах с переключением языков. Возможны ложноотрицательные результаты, поэтому предсказания следует использовать как сигнал для проверки, а не как единственное основание для решения.

ChineseBERT-base — китайская языковая модель на архитектуре BERT, разработанная командой авторов статьи ChineseBERT на ACL 2021. Она объединяет обычные символьные эмбеддинги с визуальными признаками начертания и фонетическими признаками пиньиня, чтобы лучше учитывать форму китайских иероглифов и различать многозвучные символы. В репозитории представлена версия для заполнения маски; модель насчитывает 131,1 млн параметров и поддерживает контекст до 512 токенов. Модель подходит для восстановления скрытых фрагментов китайского текста и как основа для задач понимания китайского языка. Карточка не сообщает лицензию, поэтому условия использования следует проверить в репозитории. Она принимает текст, а выдаёт распределение вероятностей токенов для маскированной позиции; заявленная специализация — китайский язык.

ChineseBERT-large — крупная модель семейства BERT от команды ShannonAI, представленная в работе ACL 2021. При предобучении она объединяет обычные эмбеддинги китайских иероглифов с признаками их визуального начертания в разных шрифтах и произношения в пиньине, после чего подаёт объединённое представление в BERT. Такой подход предназначен для улучшения понимания контекста по форме китайских символов и различения омографов с разным произношением. В репозитории указаны веса PyTorch класса GlyceBertForMaskedLM с 426,4 млн параметров и контекстом до 512 токенов. Модель подходит как основа для заполнения пропусков и других задач понимания китайского текста с последующей адаптацией. README не сообщает условия лицензии, поэтому их нельзя уточнить по доступным данным.

Карточка модели thesephist/contra-bottleneck-t5-xl-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.

riyadhctg/distilbert-base-uncased-finetuned-cola — модель классификации текстов, полученная дообучением distilbert-base-uncased на задаче CoLA из набора GLUE. Она предназначена для оценки грамматической приемлемости предложений на английском языке. Архитектура — DistilBERT с классификационной головой; модель принимает текст с контекстом до 512 токенов и выдаёт метку класса. На оценочной выборке GLUE CoLA модель показала Matthews Correlation 0,5527 и loss 0,7691. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения качества.

DuplexJev-B-Para-Whisper-small-Falcon-H1-3B — аудиоязыковой коннектор для коротких решений по речи, созданный на основе Whisper-small и Falcon-H1-3B-Instruct. Он передаёт представления аудио из замороженного энкодера Whisper в замороженную LLM через обучаемый проектор SwiGLU; обучаемая часть содержит 30,4 млн параметров. Для каждого вопроса модель выдаёт распределение вероятностей по вариантам ответа за один шаг, без генерации текста, поэтому за один проход можно оценивать несколько вопросов. Модель предназначена для вопросов по устной речи и классификации паралингвистических признаков, включая пол говорящего и эмоции. В карточке указаны английский и китайский языки; обучение включает AISHELL-1, LibriSpeech, ESD и CREMA-D. По данным README, оценки на небольших наборах составили 49–50% для spoken QA и 85,0% в среднем для определения пола и эмоций. Модель использует архитектуру Ultravox и требует указанные в карточке Whisper-small и Falcon-H1-3B-Instruct; лицензия CC BY-NC 4.0 запрещает коммерческое использование. Для Falcon-H1 на CPU указана низкая производительность без специализированных Mamba-ядер.

DuplexJev-B-Whisper-small-Qwen3-4B-2507 — аудиоязыковая модель семейства Ultravox от adventists-ai для ответов на короткие вопросы по речи и принятия решений по аудиоклипам. Whisper-small кодирует аудио, а Qwen3-4B-Instruct-2507 обрабатывает его представление; обучаемый коннектор объединяет кадры энкодера и проецирует их в пространство языковой модели. Энкодер и языковая модель заморожены, обучено 30,4 млн параметров коннектора. Модель выдаёт распределение вероятностей по вариантам ответа без генерации токенов, что позволяет задавать несколько вопросов за один проход. Предназначена для коротких решений по аудио, вопросов и ответов по услышанному, а также определения речевых и голосовых признаков, например эмоций и характеристик говорящего. В README приведены результаты на небольших наборах spoken QA и тестах паралингвистики. Заявленные измерения задержки относятся к обработке одного клипа длительностью 4,5 секунды и не описывают потоковый режим. Модель поддерживает английский и китайский языки согласно карточке. Распространяется по лицензии Apache-2.0. Она рассчитана на короткие решения, а не на открытые вопросы, требующие обширных знаний; оценивалась на чтении и актёрской речи и небольших тестовых выборках. Распознавание эмоций проверялось на актёрских корпусах, поэтому README предостерегает от использования таких результатов для решений о людях. Коннектор совместим только с указанными Whisper-small и Qwen3-4B-Instruct-2507.

Модель cleanrl/EleutherAI_pythia-1b-deduped__reward__tldr разработана сообществом CleanRL на базе EleutherAI Pythia-1B Deduped. Это reward-модель для оценки качества текстовых ответов в задаче TL;DR, представленная как модель классификации текста и предназначенная для использования в контурах обучения с подкреплением языковых моделей, включая PPO и RLOO. Архитектурно модель основана на GPT-NeoX и использует Transformers и PyTorch; её размер составляет около 1,2 млрд параметров, а нативная длина контекста — 2048 токенов.

fermi-1024 — разреженная модель поиска по документам в ядерной энергетике, разработанная Atomic Canyon. Она кодирует запросы и документы в разреженные векторы, координаты которых соответствуют токенам словаря, а значения отражают их важность. Модель дообучена на базе fermi-bert-1024 с использованием LSR; для обучения применялись MS MARCO Passage Dataset и учительская модель ms-marco-MiniLM-L-6-v2. Модель рассчитана на поиск релевантных фрагментов в документации ядерной отрасли и учитывает специализированную лексику: например, «NRC» токенизируется как единое слово. Контекст составляет 1024 токена. Помимо оценки на ядерных текстах, модель проверялась на MS MARCO и части набора BEIR; разработчики отмечают сильные результаты в работе с отраслевыми терминами. Карточка Hugging Face указывает задачу fill-mask, однако описание и обучение модели посвящены разреженному поиску и расширению документов. Лицензия — Apache 2.0. Результаты оценки зависят от использованных авторами инструментов и наборов данных; для разреженных эмбеддингов разработчики отмечают недостаток стандартизированных средств оценки.

FinLongformer — англоязычный финансовый и количественный текстовый энкодер, созданный дообучением Allen Institute for AI модели allenai/longformer-base-4096 методом masked language modeling. Он предназначен как отправная точка для разработки и проверки моделей понимания финансовых документов; сохраняет MLM-голову и принимает последовательности до 4096 токенов. Архитектура Longformer включает 12 слоёв и 768-мерные представления токенов, всего около 151,8 млн параметров. Обучение продолжено на англоязычных повествовательных разделах SEC 10-K, материалах Федеральной резервной системы и текстах по количественным финансам. Модель подходит для предсказания замаскированных токенов и получения текстовых представлений длинных финансовых документов, но для прикладных задач потребуется подобрать и проверить отдельную голову или способ pooling. Лицензия — Apache-2.0. Валидационные показатели относятся к выборке финансовых текстов, использованной при выборе чекпойнта, а независимого закрытого тестирования и доказательств улучшения на последующих задачах нет. Не проверены сохранение качества на общих текстах и результаты финансовых бенчмарков; MLM-оценки не подтверждают числовое рассуждение или доходность торговых стратегий.

abdulelahagr/harassment_lang_classifier — модель классификации текста на базе BERT, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для отнесения текстовых последовательностей к классам; название репозитория указывает на классификацию языка домогательств, однако карточка не описывает метки и назначение классов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведено значение функции потерь 0,2221 на оценочном наборе, но не описаны состав данных, метрики качества и сценарии использования. Базовая модель bert-base-uncased рассчитана на английский язык. Модель распространяется по лицензии Apache-2.0.

IMPARA-QE — обученная модель для оценки качества автоматического исправления грамматики (GEC), разработанная gotutiyan. Она предсказывает качество исправленного текста без эталонного исправления и предназначена для оценки систем и результатов GEC. Модель основана на BERT и имеет 135,5 млн параметров; максимальная длина контекста — 512 токенов. В README указаны корреляции 95,93 по Пирсону и 93,01 по Спирмену для метрики Expected Wins из работы Grundkiewicz et al. (2015); при расчёте этой метрики использовалась модель оценки SE на базе bert-base-cased. Модель распространяется по лицензии MIT.

BERTikal (legalnlp-bert) — модель BERT-base, разработанная Фелипе Майей Поло и соавторами для обработки бразильского юридического языка. Её обучили на юридических текстах Бразилии, продолжив обучение с контрольной точки BERTimbau. Это регистрозависимая модель с архитектурой BERT и 136,1 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и предсказывает пропущенные токены. Модель предназначена для задач обработки юридических текстов на бразильском португальском, в том числе для заполнения масок и получения контекстных представлений текста. Её можно использовать как основу для прикладных систем анализа бразильских правовых документов. Репозиторий содержит веса PyTorch. Лицензия — MIT.

LevelField — мультимодальная модель Level AI (蓝沃AI) на 9 млрд параметров, дообученная на базе Qwen3.5-9B для планирования процессов нестандартной механообработки по инженерным чертежам. Она принимает изображения чертежей и текстовые запросы, извлекает обозначения деталей, материалы, размеры, допуски и требования к шероховатости, а затем предлагает последовательность операций и варианты улучшения маршрута для 18 типов производственных процессов. Модель предназначена для помощи инженерам-технологам при разборе чертежей и подготовке маршрутов обработки. Разработчик сообщает о дообучении и обучении с подкреплением на 100 000 производственных чертежей и маршрутных карт от 16 заводов; веса выпущены в формате BF16. Внутренние результаты и сокращение времени подготовки маршрутов приведены разработчиком, но методика оценки и размеры выборок не раскрыты. Модель может ошибаться при чтении мелких пометок, плотных чертежей и неоднозначной геометрии; неполные входные данные могут привести к неподтверждённым предположениям. Предложенный маршрут необходимо проверить с учётом оборудования, оснастки, инструмента, материала и контроля качества; подтверждённой генерации CNC-программ или автономного управления производством карточка не заявляет. Лицензия — Apache-2.0.

Llama-FinSent-S — компактная языковая модель семейства Llama, разработанная для классификации тональности финансовых новостей и отчётов. Она дообучена на FinGPT/fingpt-sentiment-train на основе прореженной модели LLaMA-3.2-1B; в слоях MLP удалено 40% нейронов, а LoRA-адаптер после обучения объединён с базовыми весами. Модель содержит 913,7 млн параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для определения тональности финансового текста в трёх- или семикатегорийной схеме. Компактный размер и прореживание рассчитаны на снижение требований к памяти и вычислениям, включая развёртывание на устройствах с ограниченными ресурсами. В метаданных указана библиотека Transformers и лицензия Llama 3.2. Модель специализирована на финансовых текстах, поэтому её результаты на обычных текстах могут быть хуже. На предсказания могут влиять смещения обучающих данных; для оптимальной скорости вывода README рекомендует GPU.

LTZ E1 base — модель masked language modeling на архитектуре ModernBERT, разработанная Instilux и предварительно обученная на люксембургском языке по рецепту Ettin. Это encoder-модель с 149 млн параметров и словарём BPE на 50 368 токенов; для заполнения пропусков использует токен [MASK]. Модель предназначена для восстановления пропущенных слов и других задач, основанных на представлениях текста на люксембургском языке. Метаданные указывают контекст до 7 999 токенов, тогда как README сообщает 1 024 токена. Для работы используется библиотека Transformers версии 4.48.0 или новее. Модель распространяется по лицензии CC BY-SA 4.0.

Модель разработана Уиллом Хорном, Алоной О. Долински и Леной Марией Хубер и дообучена на базе microsoft/mdeberta-v3-base для выделения упоминаний целевых групп в политических текстах. Она принимает предложения без дополнительного контекста и присваивает токенам BIO-метки B-GROUP, I-GROUP и O, чтобы определить границы упоминаний. Архитектура — DeBERTa V2 для классификации токенов; размер по метаданным — 306 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа политических манифестов и коммуникации, сравнительных исследований между странами и подготовки текста для последующего анализа, например определения позиции. В карточке приведены результаты оценки на английском и немецком языках, а также дополнительная проверка на нескольких других европейских языках; исходное обучение проводилось на английских и немецких манифестах. Лицензия в предоставленных данных не указана.

Многоязычная модель классификации политической позиции, разработанная Will Horne, Alona O. Dolinsky и Lena Maria Huber. Она дообучена на mDeBERTa-v3-base и использует NLI: для предложения и целевой группы проверяет гипотезы о положительной, отрицательной и нейтральной позиции и выбирает наиболее вероятную. Модель предназначена для анализа политических манифестов, обращений к социальным группам и сравнительных исследований политической коммуникации. Это плотная модель DeBERTa-v2 для классификации последовательностей с 306 млн параметров и контекстом до 512 токенов. Основные языки обучения — английский и немецкий; в карточке также описана проверка на переводах на нидерландский, датский, испанский, французский, итальянский и шведский. Модель показывает macro-F1 0,81 на основном тестировании, но обучалась на политических манифестах и имеет три класса позиции. Для других жанров текста и политических контекстов качество может меняться, а результаты могут отражать смещения обучающих данных. Модель не предназначена для общей оценки тональности, автоматических решений о людях или группах и модерации без дополнительной проверки. Лицензия в предоставленных данных не указана.

ModernFinBERT — англоязычная модель классификации тональности финансовых текстов, разработанная Tabularis AI на основе ModernBERT и дообученная на синтетических и реальных финансовых данных, прошедших автоматизированную очистку. Она предназначена для определения тональности новостей, публикаций в соцсетях, криптовалютных и макроэкономических текстов. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README приведены результаты оценки на нескольких финансовых наборах данных: средняя точность составляет 0,75, а средний ROC-AUC — 0,91; показатели различаются в зависимости от набора данных и метрики. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют аналогичного качества на других данных, а модель предназначена для англоязычных текстов.

deepanshu120/multiple_choice_model — модель на основе BERT, дообученная разработчиком deepanshu120 для выбора правильного варианта из нескольких ответов. Она предназначена для задач multiple choice, например ответов на вопросы с вариантами ответа. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает последовательности текста с контекстом до 512 токенов. В README приведены результаты оценки: accuracy 0,706 и loss 0,7743; набор данных для обучения не описан. Базовая модель google-bert/bert-base-uncased ориентирована на английский язык. Модель распространяется под лицензией Apache-2.0.