I.11Классификация, ранжирование и сопоставление

TIGER-Lab разработала PixelReasoner-RL-v1 — мультимодальную модель на базе Qwen2.5-VL-7B-Instruct, дообученную с помощью обучения с подкреплением, стимулируемого любознательностью. Она принимает изображения и текстовые запросы и предназначена для диалогового анализа изображений и решения визуальных задач. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель подходит для вопросов об изображениях и визуального рассуждения; карточка также упоминает интерактивную демонстрацию и код для инференса на основе vLLM. Указанные языковые данные относятся к английскому. Репозиторий распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества и подробностей об ограничениях подхода.

polish-roberta-base-v2 — языковая модель-энкодер на архитектуре RoBERTa, предварительно обученная на большом корпусе польских текстов. В карточке модели автор указан как sdadas. Модель предназначена для заполнения пропусков в польском тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Её можно применять как основу для задач обработки польского языка, требующих представлений текста или дообучения под конкретную задачу. Модель содержит 151,6 млн параметров, рассчитана на последовательности до 514 токенов и доступна в форматах PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не приводит отдельных сведений о качестве на конкретных наборах данных или ограничениях сверх её назначения как энкодера для польского языка.

ReasonFlux-PRM-7B — модель оценки процесса рассуждения, разработанная Gen-Verse. Она оценивает траектории рассуждения вместе с ответами и использует как пошаговую, так и траекторную супервизию, чтобы присваивать детальные оценки качества структурированным цепочкам рассуждений. Модель подходит для отбора качественных обучающих данных для дистилляции, плотной оценки процесса при оптимизации политики с подкреплением и масштабирования вывода с помощью оценок вознаграждения; поддерживает офлайн- и онлайн-сценарии супервизии. Это плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров с контекстом 4096 токенов, рассчитанная на текстовый диалог и генерацию. Основная задача в метаданных — text-generation; практическое назначение — оценка рассуждений и вознаграждение за их ход. Доступна в формате safetensors и распространяется по лицензии MIT. README также описывает производную ReasonFlux-PRM-Qwen-2.5-7B, обученную с использованием этой модели, но не сообщает о базовой модели для самого ReasonFlux-PRM-7B.

YouLiXiya/tinyllava-v1.0-1.1b-hf — мультимодальный чат-бот TinyLLaVA, разработанный на основе TinyLlama и дообученный на сгенерированных GPT данных для следования инструкциям с изображениями. Это авторегрессионная модель на архитектуре Transformer, использующая семейство LLaVA; репозиторий содержит веса SafeTensors и поддерживает чатовый формат запросов. Модель принимает текстовые запросы и одно или несколько изображений, а затем генерирует текстовые ответы: например, описывает содержимое изображения и отвечает на вопросы о нём. В карточке заявлена поддержка нескольких изображений и запросов в одном процессе. Указаны английский язык и лицензия Apache-2.0. Для запуска README приводит Transformers версии не ниже 4.35.3; также описаны варианты ускорения генерации с Flash-Attention 2 и загрузки в 4-битном режиме через bitsandbytes на совместимом CUDA GPU.

TRACE Qwen2.5-VL 3B — мультимодальная модель Maveryn для анализа изображений и визуальных рассуждений. Это слитый чекпойнт на 500-м шаге обучения GRPO, полученный дообучением Qwen/Qwen2.5-VL-3B-Instruct на 64 000 примерах из 1 000 задач набора maveryn/trace. Модель содержит 3,1 млрд параметров, построена на архитектуре Qwen2.5-VL и работает с изображениями и текстом; заявленная длина контекста — 128 000 токенов. Модель предназначена для мультимодальных диалоговых сценариев, где нужно отвечать на вопросы по изображениям и выполнять задачи визуального рассуждения. В оценке на 24 внешних бенчмарках TRACE показала макросредний результат 42,85% против 39,34% у базовой модели при описанных авторами настройках оценки. Модель может давать неверные ответы, неподтверждённые рассуждения и ненадёжно связывать выводы с изображением. Она обучена на синтетических задачах и не проверена для критически важных решений, медицины, права или автономного принятия решений. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

VAD for Qwen3.5-4B — мультимодальная модель для понимания изображений, разработанная на базе Qwen3.5-4B. Это объединённый чекпойнт Visual Attribution Distillation с обучением по симметричной дивергенции Йенсена—Шеннона; в README указан шаг global_step_80 и средняя оценка 78,32 по шести бенчмаркам Vision-OPD. При обучении метод выделяет вклад визуальных свидетельств в ответы учителя, а при использовании модель принимает одно изображение и работает на стандартной архитектуре Qwen3.5-4B. Модель предназначена для мультимодального диалога, тонкого визуального анализа и ответов на вопросы по изображениям, в частности для исследовательских экспериментов с on-policy distillation. Базовая модель имеет 4 млрд параметров; контекст в примере оценки и настройки сервинга составляет до 32 768 токенов. В README приведены результаты на VStar, ZoomBench и HRBench, однако они относятся к конкретной конфигурации и протоколу оценки. Лицензия — Apache-2.0.

VideoRFT — мультимодальная модель для рассуждений о видео, представленная авторами одноимённой работы. Она основана на архитектуре Qwen2.5-VL и обучена с применением двух этапов: дообучения на примерах с пошаговыми объяснениями и последующего обучения с подкреплением. Модель предназначена для ответов на вопросы о видеосодержимом с учётом временных и причинно-следственных связей; авторы сообщают о результатах уровня state of the art на шести тестах рассуждений о видео. Модель принимает видео и текстовые инструкции и формирует текстовые ответы. В метаданных указаны 7,1 млрд параметров, контекст до 128 000 токенов и поддержка английского языка. Репозиторий содержит веса Safetensors; для работы указана библиотека Transformers. Модель создана путём слияния VideoRFT-SFT и Qwen2.5-VL-7B-Instruct. Лицензия — Apache-2.0.

VLAA-Thinker-Qwen2.5VL-7B — модель «зрение—язык» от UCSC-VLAA, представленная как раннее исследование обучения моделей рассуждения по изображениям по аналогии с R1. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает поддержку диалогового взаимодействия и интерфейса вызова инструментов; модель предназначена для задач, где требуется анализировать изображение с учётом текстовой инструкции и формулировать ответ. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README называет работу ранним исследованием, поэтому качество и надёжность рассуждений по изображениям могут быть ограничены; отдельные результаты и поддерживаемые языки в карточке не описаны.

xlm-mlm-plains-cree-en-clkd — модель классификации текста для выявления образного языка в предложениях на равнинном кри. Она создана на основе FacebookAI/xlm-mlm-100-1280 методом кросс-лингвальной дистилляции знаний: англоязычная модель-учитель присваивает мягкие метки переводам предложений, а модель-ученик обучается воспроизводить их для текстов на кри. В основе ученика лежит KonradBRG/xlm-mlm-plains-cree-en-tlm; часть нижних слоёв заморожена для сохранения кросс-лингвального выравнивания. Модель различает четыре класса: буквальное выражение, идиому, метафору и сравнение. Она подходит для анализа текстов на равнинном кри и разметки примеров образной речи. Максимальная длина контекста — 512 токенов. Обучение проводилось на примерно 9 тысячах параллельных предложений кри и английского, включая данные из Plains Cree Texts и корпуса EdTeKLA. Лицензия — CC BY 4.0. Оценки качества и ограничения применимости в карточке не приведены.

nlpaueb/bert-base-uncased-eurlex — англоязычная доменная модель LEGAL-BERT, разработанная группой обработки естественного языка Афинского университета экономики и бизнеса. Это вариант BERT, предварительно обученный на законодательстве Европейского союза из EUR-Lex и предназначенный для юридических NLP-исследований и приложений в области вычислительного права и юридических технологий. Модель подходит для предсказания скрытых слов в юридических текстах и как основа для адаптации к прикладным задачам анализа законодательства ЕС. Архитектура BERT, около 136,7 млн параметров, контекст до 512 токенов; доступны веса PyTorch, TensorFlow и Flax. Обучающий корпус включает документы законодательства ЕС; карточка также описывает более широкий набор англоязычных юридических корпусов для семейства LEGAL-BERT. Специализация на юридическом языке может быть полезна для текстов права ЕС, но модель не является генеративным чат-ассистентом и требует оценки на конкретной задаче. Лицензия — CC BY-SA 4.0.

Модель ielabgroup/bert-base-uncased-fineweb100bt-smae — дообученная версия google-bert/bert-base-uncased, связанная с работой «Starbucks: Improved Training for 2D Matryoshka Embeddings». Это англоязычная модель семейства BERT с архитектурой BertForMaskedLM, обученная на данных FineWeb. Она предназначена для заполнения пропусков в тексте и может использоваться для извлечения признаков в задачах понимания языка. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. Карточка не описывает специальные улучшения, результаты оценки или конкретные сценарии применения эмбеддингов; назначение по доступным данным определяется задачей fill-mask.

BERTu — одноязычная модель для мальтийского языка, разработанная MLRS и обученная с нуля на корпусе Korpus Malti v4.0. Она использует базовую архитектуру BERT и предназначена для предсказания замаскированных слов в тексте, а также может служить основой для последующей адаптации к задачам обработки мальтийского языка. Модель содержит 153,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Для использования весов применяется лицензия CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

CySearchAssist-Mesh-0.5B — компактная модель CyberAlien для переформулирования запросов при поиске статических сеток и 3D-ресурсов в библиотеке ассетов. Она дообучена на Qwen/Qwen2.5-0.5B-Instruct, использует архитектуру Qwen2 и содержит около 494 млн параметров. Модель преобразует запрос пользователя в английские поисковые фразы, подсказки категорий и тегов, а также явные исключения. Контекст — до 32 768 токенов; заявлена поддержка английского, французского, испанского, немецкого и итальянского языков. Модель выдаёт структурированный результат по контракту cymesh-query-v1, который хост-приложение должно проверить перед использованием. Она не ищет ассеты самостоятельно, не анализирует геометрию или изображения сеток, не создаёт эмбеддинги и не генерирует 3D-модели. Это экспериментальный лёгкий вариант для интеграции с CyMesh MeshLibrary; веса FP16 занимают около 1 ГБ вместе с файлами токенизатора и конфигурации. Лицензия — Apache-2.0. В небольшом локальном тесте на CPU модель выдала корректный JSON в 30 из 37 запросов, а целевой объект попал в топ-5 в 7 из 10 запросов по метаданным. Тест не подтверждает точность поиска для произвольных библиотек; ошибки возможны при обработке отрицаний, синонимов, неоднозначных многоязычных формулировок и материалов. Качество не гарантирует эквивалентности варианту на 1,5 млрд параметров.

DictaBERT-Large — крупная языковая модель для современного иврита, выпущенная Dicta. Это базовая модель BERT-Large, предварительно обученная с задачей восстановления замаскированных токенов; архитектура в репозитории обозначена как BertForMaskedLM. Модель содержит около 533,7 млн параметров и принимает последовательности длиной до 512 токенов. Основное назначение — предсказывать пропущенные слова или токены в текстах на иврите, а также служить языковой основой для задач, где требуется понимание современного иврита. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY 4.0. В карточке не приведены отдельные ограничения качества или оценки на тестах.

DuplexJev-B-Para-Whisper-small-Qwen3-4B-2507 — аудиоконнектор DuplexJev для коротких решений по речи и анализа характеристик говорящего. Whisper-small кодирует аудио, а Qwen3-4B-Instruct-2507 интерпретирует его; обе базовые модели заморожены. Обучаемая часть — коннектор с проектором SwiGLU, насчитывающий 30,4 млн параметров. Для каждого вопроса модель выдаёт распределение вероятностей по вариантам ответа за один токен, поэтому может обрабатывать несколько вопросов за один проход без генерации текста. Модель предназначена для задач spoken QA с короткими вариантами ответа, распознавания пола и эмоций по голосу и других кратких решений по речи. В README приведены результаты на тестовых наборах qa100 и ZJU-ML, а также оценки для задач паралингвистики. В описанном авторами тесте задержка одного события с 10 вопросами и аудиоклипом длительностью 4,5 секунды составила около 145 мс на H200 и 5,2 секунды на восьми CPU-потоках; эти показатели зависят от оборудования и настроек. Оценка проводилась на прочитанной или разыгранной речи и небольших тестовых наборах; потоковый ввод не проверялся. Авторы отмечают слабые результаты небольшой языковой модели на вопросах, требующих знаний, и предостерегают от использования меток эмоций для принятия решений о людях. Коннектор совместим только с указанными Whisper-small и Qwen3-4B-Instruct-2507. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Dizex/FoodBaseBERT-NER — модель BERT для распознавания именованных сущностей в текстах о еде. Это дообученная версия bert-base-cased, обученная на наборе данных FoodBase и предназначенная для выделения сущностей одного типа: FOOD. Модель принимает текст и размечает в нём упоминания пищевых продуктов; её можно применять для извлечения названий продуктов из текстов и построения NER-конвейеров на базе Transformers. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и поддерживает контекст длиной до 512 токенов. В метаданных указан английский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT. Модель специализирована на сущностях еды и не предназначена для распознавания других типов сущностей.

Pinyin-Code Causal LM — компактная причинная языковая модель на базе Transformers с архитектурой PinyinCodeForCausalLM. Репозиторий содержит экспорт модели размером 41,7 млн параметров в формате safetensors; для загрузки используется библиотека Transformers и пользовательский код модели. Модель предназначена для генерации текста на китайском языке. Токенизатор принимает исходный текст на путунхуа и преобразует его в пиньинь; в этой сборке включена сегментация jieba. Также модель может выдавать скрытые состояния для извлечения представлений, а совместимость токенизатора с масками суффикса позволяет использовать его в оценочных сценариях ранжирования завершений. Контекст составляет 512 токенов. Для загрузки требуется включить trust_remote_code=True. README описывает Windows-совместимую настройку UTF-8, которую можно отключить переменной окружения. Сведения о лицензии и конкретной базовой модели в предоставленных материалах отсутствуют.

GLaMM-GranD-Pretrained — предварительно обученная мультимодальная модель MBZUAI для понимания изображений на уровне областей и сегментационных масок. Она обучена на наборе GranD, созданном автоматизированным конвейером разметки: в нём 7,5 млн уникальных понятий связаны с 810 млн областей изображений, каждая из которых имеет маску сегментации. Модель основана на архитектуре LLaVA и использует плотную архитектуру LISAForCausalLM; содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В метаданных Hugging Face основная задача обозначена как генерация текста, однако описание датасета указывает на визуальное понимание областей и сегментацию. Доступны веса PyTorch, лицензия — Apache-2.0. Модель подходит для экспериментов и задач визуального диалога, требующих связывать понятия с областями изображения и масками. Карточка не приводит сведения о языках, конкретных инструкциях по использованию или оценках качества; генерация масок как выходная возможность не подтверждена метаданными, поэтому её следует считать ограниченно описанной.

KomdigiITS-8B-DFK-CPT — модель языка на индонезийском языке, разработанная aitf-komdigi для продолженного предобучения на материалах о дезинформации, клевете и разжигании ненависти (DFK), а также на текстах общего характера. Это причинная языковая модель семейства Mistral 3, основанная на Ministral-3-8B-Base-2512 и адаптированная с помощью LoRA; репозиторий содержит веса Safetensors и подключается через PEFT. Модель предназначена для адаптации к индонезийскому контексту DFK, обогащения знаний о местной общественно-политической среде и дальнейшего обучения, например instruction tuning или DPO/RLHF. В карточке сообщается об улучшении perplexity на тестовых текстах DFK после обучения при минимальном ухудшении результата на Wiki-ID. Для обычного диалогового следования инструкциям без дополнительного дообучения модель не предназначена. Лицензия — Apache-2.0.

Mists-7B-v01-simple-projector-trained — дообученная модель HachiML на базе HachiML/Mists-7B-v01-not-trained. В метаданных она отнесена к семейству Mists, архитектуре плотной модели MistsForConditionalGeneration и задаче извлечения признаков; репозиторий содержит веса в формате safetensors и указан интерфейс чата. Модель предназначена для извлечения признаков. Базовая модель описана в каталоге как экспериментальная мультимодальная система для совместной работы с текстом и временными рядами, но она непригодна к использованию из-за необученного адаптера. README сообщает о дообучении на неизвестном наборе данных и значении loss 0,0152 на оценочном наборе, однако не приводит описание модели, сценарии использования или методику оценки. Лицензия — Apache-2.0.

Многоязычный бинарный классификатор, разработанный Tuong Vy Vu на основе FacebookAI/xlm-roberta-base. Модель определяет, написан ли текст человеком или сгенерирован ИИ, и предназначена для исследований и экспериментов по выявлению ИИ-текста на английском, китайском и вьетнамском языках. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст длиной до 514 токенов. В обучении использовались QA-ответы из HC3 на английском и китайском языках, а также данные с вьетнамских Reddit-сообществ; ИИ-ответы были созданы Qwen2.5-1.5B-Instruct. На тестовой выборке из 270 примеров общий F1 составил 0,971, но переносимость на другие генераторы и тематические области не проверена. Лицензия — MIT.

myawesomewnutmodel — дообученная модель DistilBERT от автора hope613 для классификации токенов. Она предназначена для присвоения меток отдельным токенам текста; название репозитория указывает на связь с WNUT, однако README не подтверждает датасет или конкретную схему меток. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат safetensors; максимальный контекст составляет 512 токенов. В README приведены результаты оценки: F1 0,4139, точность (precision) 0,5835, полнота (recall) 0,3207 и accuracy 0,9426. Датасет и предназначенные сценарии применения не описаны, поэтому качество и пригодность для конкретных видов разметки следует оценивать на целевых данных. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-SuperClinical-184M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это трансформер DeBERTa V2 для классификации токенов, дообученный на корпусе SPECIES800; в README указана базовая архитектура deberta-v3-base. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей B-SPECIES и I-SPECIES. Размер по метаданным — 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий видов из биомедицинских текстов и научной литературы, включая латинские и общеупотребительные названия. README сообщает F1 0,79, точность 0,76, полноту 0,81 и accuracy 0,96 на SPECIES800. Поддерживается интеграция через Transformers. Лицензия — Apache-2.0. Оценки в карточке относятся к указанному корпусу; качество на иных текстах может отличаться.

OpenMed-NER-OrganismDetect-SuperClinical-434M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Она выполняет разметку токенов BIO-тегами B-SPECIES и I-SPECIES, охватывая научные и обиходные названия видов. Модель дообучена на корпусе SPECIES800 и предназначена для анализа биомедицинских текстов, научных публикаций и клинических документов. Модель построена на архитектуре DeBERTa и содержит около 533,8 млн параметров; в README указана базовая архитектура deberta-v3-large. Длина контекста — 512 токенов. README сообщает F1 0,84, точность 0,83 и полноту 0,86 на SPECIES800. Она принимает токенизированный текст и возвращает метки сущностей, интегрируется с Transformers. Поддерживаемый язык по карточке — английский. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Оценка на SPECIES800 не гарантирует те же результаты на других типах документов; модель специализирована на сущностях видов организмов.

OpenMed-NER-OrganismDetect-SuperMedical-355M — модель OpenMed для распознавания названий организмов и видов в тексте. Это дообученная модель архитектуры RoBERTa для токенной классификации: она присваивает токенам BIO-метки B-SPECIES и I-SPECIES и извлекает упоминания видов, включая научные и общепринятые названия. Модель предназначена для анализа биомедицинских текстов и научной литературы, а также для поиска упоминаний организмов в корпусах по биоразнообразию и таксономии. В README указаны обучение на SPECIES800 и результаты F1 0,77, precision 0,73, recall 0,83 и accuracy 0,96. Модель принимает токенизированный текст и возвращает метки сущностей; контекст составляет 514 токенов. Заявленные показатели относятся к SPECIES800, поэтому качество на других типах текстов может отличаться. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-TinyMed-82M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Это дообученный классификатор токенов на базе distilroberta-base, обученный на корпусе SPECIES800; в метаданных указаны архитектура RoBERTa и 95,2 млн параметров. Модель присваивает токенам BIO-метки B-SPECIES и I-SPECIES, чтобы выделять названия видов, включая научные и общеупотребительные. Модель предназначена для извлечения упоминаний организмов из научной биомедицинской литературы и других текстов на английском языке, а также для анализа биоразнообразия и таксономической информации. Она может быть полезна для поиска упоминаний видов в статьях и подготовки данных для баз знаний. Контекст — до 514 токенов; для длинных документов текст потребуется обрабатывать частями. В README приведены F1 0,72, точность 0,72, полнота 0,73 и accuracy 0,95 на SPECIES800. Эти показатели ниже значений более крупных моделей из сравнительной таблицы того же README. Модель распространяется по лицензии Apache-2.0.

PetBERT-Tick-v2 — англоязычный классификатор на архитектуре BERT, разработанный SAVSNET и дообученный на базе SAVSNET/PetBERT. Модель определяет, упоминаются ли клещи в ветеринарной электронной медицинской записи; результат относится к одному из классов: tick_absent или tick_present. Модель предназначена для автоматического выявления записей о клещах в клинических данных собак и кошек. В README приведены результаты на тестовой выборке из 15 842 примеров: accuracy 0,972, F1 для класса tick_present 0,942; указанный порог классификации — 0,943. Модель содержит 135,5 млн параметров, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Классификатор специализирован на ветеринарных записях и выявлении клещей; результаты на других типах документов и для иных задач не описаны. Для применения к отдельным записям стоит учитывать, что полнота для класса tick_present на приведённой выборке составляет 0,927. Лицензия в предоставленных материалах не указана.

Модель Minh Nguyen для определения тональности финансовых текстов на вьетнамском языке. Это дообученная на базе vinai/phobert-base модель классификации последовательностей с архитектурой RoBERTa и примерно 162,4 млн параметров. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность; нативный контекст составляет 258 токенов. Модель предназначена для анализа финансовых новостей, биржевых сводок, инвестиционных материалов и публикаций о фондовом рынке. Её можно применять для мониторинга настроений рынка, анализа новостей и предварительного отбора акций по тональности. README сообщает о датасете примерно из 1 200 размеченных примеров и точности около 90% на оценке разработчика. Модель рассчитана на вьетнамский финансовый текст; качество может снижаться на сленге и неформальных сообщениях, а также вне финансовой области. Она не предназначена для других языков и критически важных решений без проверки человеком. Лицензия — MIT.

pt-ai-detector-sent — португалоязычный классификатор предложений, разработанный командой detecting-ai.com. Он оценивает, вероятно ли, что отдельное предложение написано человеком или сгенерировано языковой моделью. Модель предназначена для проверки коротких фрагментов текста, где документный классификатор Detecting-ai/pt-ai-detector терял точность. Это дообученная модель BERT для классификации последовательностей объёмом 136,1 млн параметров, с контекстом до 512 токенов. Её обучали на сбалансированном наборе из 200 тысяч человеческих и ИИ-предложений; для ИИ-текстов использовали модели GPT-4o-mini, GPT-4o и GPT-35-turbo. Модель принимает текст на португальском языке и выдаёт метку класса с оценкой уверенности. Репозиторий содержит форматы Safetensors и ONNX. В опубликованной оценке на сбалансированной тестовой выборке из 20 тысяч предложений указана макро-F1 0,989. Лучше всего модель работает на предложениях длиной от 8–10 токенов; на очень коротких фрагментах результат ненадёжен. Возможны ложные срабатывания на формальном человеческом тексте и пропуски ИИ-текста со сленгом, а качество может снижаться для новых моделей и текстов с сильной промпт-инженерией. Это не детектор плагиата и не доказательство авторства. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Cyber-ThreaD/SecureBERT-CyNER — англоязычная модель RoBERTa, дообученная на CyNER для распознавания и классификации именованных сущностей в текстах о кибератаках. Она принимает текст и присваивает метки отдельным токенам, помогая извлекать сущности для анализа и атрибуции киберинцидентов. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. В карточке приведены результаты оценки: F1 0,7674 на оценочном наборе и 0,7367 на наборе предсказаний; точность составляет 0,9836 и 0,9761 соответственно. Высокая точность при более низких полноте и F1 означает, что качество извлечения может зависеть от набора данных и типов сущностей. Модель распространяется по лицензии BigScience OpenRAIL-M.