I.11Классификация, ранжирование и сопоставление

Dart v2 base — базовая авторегрессионная языковая модель архитектуры Mistral, разработанная Plat для генерации тегов Danbooru. В карточке указано 114 млн параметров для варианта v2-base, тогда как метаданные репозитория указывают 90,8 млн параметров; поэтому точный размер этого чекпойнта неоднозначен. Длина контекста составляет 1024 токена. Модель обучена на наборе isek-ai/danbooru-tags-2024 с тегами за период с 2005 года по март 2024 года. Модель предназначена для генерации последовательностей тегов Danbooru с настройками категории рейтинга, соотношения сторон и примерного количества тегов. Она работает с текстовыми тегами и не принимает изображения напрямую. Модель не проходила оценку качества; обучение и библиотека dartrs описаны как экспериментальные, а качество выдачи может варьироваться. Лицензия — Apache-2.0.

DuplexJev-B-Para-MOSS-Transcribe-Falcon-H1-3B — аудиомодель adventists-ai для ответов на типизированные вопросы о речи. Замороженный аудиоэнкодер MOSS-Transcribe-Diarize на архитектуре Whisper передаёт признаки через обучаемый коннектор в замороженную Falcon-H1-3B-Instruct. Коннектор содержит 38,8 млн обучаемых параметров; для чтения вариантов ответа модель оценивает распределение по однотокенным вариантам без генерации текста. Архитектура Falcon-H1 сочетает внимание и Mamba. Модель предназначена для коротких решений по аудиоклипам: spoken QA, распознавания паралингвистических характеристик, таких как пол и эмоция, и вопросов о говорящих. В карточке указаны английский и китайский языки. Представленные оценки получены на небольших тестовых наборах; модель не предназначена для потоковой обработки, а небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний. Эмоциональные метки получены на корпусах с актёрской речью и не должны использоваться для принятия решений о людях. Коннектор работает только с указанными энкодером и LLM. Лицензия — CC BY-NC 4.0, допускает использование с ограничениями, включая запрет коммерческого применения.

DuplexJev-B-Whisper-small-SmolLM3-3B — компактный аудиоязыковой коннектор семейства Ultravox от adventists-ai. Он соединяет замороженный энкодер OpenAI Whisper-small с замороженной языковой моделью SmolLM3-3B; обучаемая часть — проектор SwiGLU с укладкой аудиокадров и 29,4 млн параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением вероятностей по вариантам за один шаг, без генерации последовательности токенов; за один проход можно задать несколько вопросов. Модель предназначена для коротких решений по речи: ответов на вопросы по аудиоклипам и определения характеристик говорящего, включая эмоции. В карточке приведены результаты на небольших наборах для устных вопросов и паралингвистических задач, а также измерения задержки. Указанные языки — китайский и английский; лицензия — Apache-2.0. Оценка проводилась на прочитанной или разыгранной речи и небольших выборках; потоковый ввод не оценивался. Небольшая языковая модель слабо отвечает на вопросы, требующие общих знаний, а распознавание эмоций обучалось на разыгранной речи, поэтому эти результаты не следует использовать для принятия решений о людях. Коннектор совместим только с указанными Whisper-small и SmolLM3-3B.

GEVO — мультимодальная модель, разработанная для анализа эволюции древнекитайских иероглифов; работа принята на основную конференцию ACL 2026. Это дообученная методом supervised fine-tuning модель Qwen3-VL-2B-Instruct с визуальной архитектурой Qwen3-VL и 2 млрд параметров в базовой модели. GEVO предназначена для вопросов и анализа изображений надписей на гадательных костях, бронзовых сосудах, в письме чжуань, канцелярском и стандартном письме. Модель обучалась на обведённых репродукциях древних знаков. Она может быть полезна для изучения и сопоставления форм иероглифов разных исторических письменностей, однако качество на сильно зашумлённых эстампажах может быть ниже. В карточке указана базовая модель Qwen3-VL-2B-Instruct-GGUF; файлы этой модели представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Модель c299m/japanese_stock_sentiment — классификатор тональности комментариев и обсуждений о японских акциях. Она создана для определения двух классов: бычьего и медвежьего настроения; автор README сообщает, что модель обучена на собранных комментариях о фондовом рынке. Архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель принимает японский текст и выдаёт метку тональности. Её можно применять для анализа сообщений инвесторов и поддержки работы рыночных аналитиков при сборе настроений участников рынка. Точность и качество на конкретных источниках комментариев в карточке не приведены, поэтому перед использованием в торговых решениях результаты следует проверять. Лицензия — MIT.

Модель Muhammad Sijjeel из Университета Хартфордшира — классификатор JavaScript-функций для первичного выявления уязвимостей. Она дообучена для бинарной классификации на базе microsoft/unixcoder-base: код функции подаётся как текст, а модель возвращает оценку вероятности и метку «безопасно» или «уязвимо». Архитектура — энкодер UniXcoder на базе RoBERTa с классификационной головой; размер — 152,7 млн параметров. Заявленный нативный контекст составляет 1026 токенов, однако при обучении и применении вход обрезается до 256 токенов. Модель предназначена для сортировки функций и передачи подозрительных примеров на проверку специалисту. На отложенном тесте из той же выборки автор сообщает AUC-ROC 0,923 и F1 0,848, но на независимом наборе CrossVul AUC составляет около 0,49, то есть качество близко к случайному. Обучающие данные смещены в сторону XSS, поэтому модель может хуже выявлять другие типы уязвимостей. Она рассчитана только на отдельные JavaScript-функции, а не на целые файлы, репозитории или другие языки; результат не подтверждает безопасность кода и не заменяет анализ человеком. Лицензия — MIT.

dascim/juribert-base — базовая версия семейства JuriBERT, разработанного исследователями École Polytechnique совместно с HEC Paris. Это плотная модель BERT с 137,8 млн параметров, обученная с нуля на французских юридических текстах: материалах Légifrance, обезличенных судебных решениях и документах дел Кассационного суда. Модель предназначена прежде всего для заполнения пропусков в тексте; её контекстные представления также можно использовать как признаки для последующих задач обработки юридических документов. JuriBERT ориентирована на французский язык и юридическую область. Длина контекста составляет 512 токенов. Модель доступна в формате safetensors и предназначена для использования с библиотекой Transformers. Лицензия — MIT. Обучение на специализированном корпусе делает модель подходящей для французской юридической терминологии и текстов, однако карточка не подтверждает качество на конкретных downstream-задачах. Контекст ограничен 512 токенами, поэтому длинные документы потребуется обрабатывать частями.

OpenMed разработала OpenMed-NER-OrganismDetect-BioMed-109M — дообученную модель BERT для распознавания названий организмов в биомедицинском тексте. Модель обучена на корпусе SPECIES800 и выделяет упоминания видов, включая научные и общеупотребительные названия, разметкой B-SPECIES и I-SPECIES. Модель принимает токенизированный текст и выдаёт BIO-разметку для извлечённых сущностей. Её применяют для поиска упоминаний организмов в научных аннотациях и биомедицинских документах, а также для анализа биоразнообразия и таксономической литературы. Архитектура — BertForTokenClassification на базе BiomedNLP-BiomedELECTRA-base-uncased-abstract; размер — 136,7 млн параметров, контекст — до 512 токенов. В README указаны F1 0,79, точность 0,76 и полнота 0,83 на SPECIES800. Модель рассчитана на английский язык. Она распознаёт сущности видов, а не лекарства или химические соединения; заявленные в README сценарии извлечения лекарств и обнаружения взаимодействий не подтверждаются описанными метками. Лицензия — Apache-2.0.

Pixtral 12B Construction Safety — модель компьютерного зрения и языка на базе Pixtral 12B, дообученная автором репозитория для обнаружения и классификации опасностей на строительных площадках. Она принимает изображение и запрос, а в ответ формирует структурированный JSON с типами опасностей, уровнями серьёзности, приблизительными ограничивающими рамками и описаниями на английском и японском языках. Модель ориентирована на проверку средств индивидуальной защиты, включая каски и жилеты, а также на выявление опасностей падения и электрических рисков. Модель дообучена с помощью LoRA на примерах, размеченных учителем Qwen3.5-27B; в обучении использовались наборы данных по безопасности строительства и внутренние справочные изображения. В оценке на 50 тестовых изображениях авторы сообщают о повышении полноты обнаружения нарушений относительно базового Pixtral 12B. Это результат ограниченной оценки, поэтому он не гарантирует аналогичного качества на других площадках и условиях. Модель использует архитектуру LlavaForConditionalGeneration, обрабатывает изображения и текст и генерирует текстовый ответ. Лицензия — Apache-2.0. Она обучалась преимущественно на открытых строительных площадках; рамки объектов приблизительны, а распознавание погоды и освещения основано только на визуальных признаках. Для решений, критичных для безопасности, результаты следует проверять.

Qwen3-1.7B-Coder-Distilled-SFT-GGUF — набор GGUF-квантизаций модели, опубликованный и квантованный tinyopsec. В основе лежит модель reaperdoesntknow/Qwen3-1.7B-Coder-Distilled-SFT, созданная Convergent Intelligence LLC: Research Division. Модель построена на архитектуре Qwen3ForCausalLM и предназначена для генерации текста с акцентом на логический вывод и STEM-рассуждения. Модель имеет около 1,7 млрд эффективных параметров и была обучена в два этапа: дистилляция знаний из Qwen3-Coder-30B-A3B-Instruct для формирования структурированного основания для STEM-рассуждений, затем дообучение примерно на 54 600 задачах логического вывода. Основные сценарии — пропозициональная логика, формальные рассуждения, вывод следствий, структурированная аргументация, решение STEM-задач и образовательное сопровождение. Указан английский язык, контекст обучения составляет 1024 токена. Доступны варианты от F16 до Q2_K размером примерно от 3,4 до 0,6 ГБ, что позволяет запускать модель на устройствах с ограниченными ресурсами через llama.cpp, llama-cpp-python, LM Studio или Ollama. Сильные стороны модели — небольшой размер, разнообразие степеней квантизации и специализация на логическом выводе и кратких STEM-выводах. Ограничения включают небольшой контекст, непредназначенность для универсальной генерации кода, формальной проверки доказательств в Lean или Coq и задач, требующих высокой безопасности; качество снижается при более агрессивной квантизации. Лицензия — Apache 2.0.

HYU-NLP-EVAL создала плотный чекпойнт Qwen3-4B, полученный дообучением Qwen/Qwen3-4B-Instruct-2507 на этапе RaR-Medicine OnlineRubrics. Репозиторий содержит модель в BF16 для инференса и исходные файлы чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с медицинскими онлайн-рубриками. Архитектура — Qwen3 dense с 3,7 млрд параметров; длина контекста — до 262 144 токенов. Лицензия — Apache-2.0.

SHARE-14B-Base-2604 — базовая языковая модель на 13,9 млрд параметров, разработанная João Gonçalves, Sonia de Jager, Petr Knoth, David Pride и Nick Jelicic для исследований и образования в социальных и гуманитарных науках. Это декодерный трансформер с архитектурой семейства Phi-3, обученный предсказывать следующий токен на специализированном корпусе по гуманитарным и социальным дисциплинам. Контекст — 16 384 токена; модель использует собственный токенизатор BPE на 50 000 токенов. Основной язык — английский, также поддерживается нидерландский. Модель предназначена прежде всего для анализа текстов через интерфейс MIRROR, который рассчитывает неожиданность и энтропию отдельных токенов. Это помогает находить стилистические аномалии, возможные опечатки и фактические ошибки, а также изучать нормы, смещения и неожиданные идеи в научных текстах. Чекпойнт опубликован примерно после 15% запланированного предобучения; это базовая модель без SFT и выравнивания, поэтому она не предназначена для диалогового использования. Лицензия RAIL-SHARE запрещает коммерческое использование и дистилляцию и ограничивает генерацию текста.

trentmkelly/slop-detector-mini-2 — компактная модель бинарной классификации текста, разработанная для выявления комментариев Reddit, созданных искусственным интеллектом. Она дообучена на TaylorAI/gte-tiny с использованием AutoTrain и датасета trentmkelly/gpt-slop-2. Модель основана на BERT, содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Основной сценарий — локальная проверка комментариев в расширениях браузера с помощью ONNX и Transformers.js: комментарии с оценкой уверенности выше 50% помечаются пользователю. В карточке приведены F1 0,991 и precision 0,986; эти показатели относятся к описанной оценке и не гарантируют такую же точность на других данных. Модель ориентирована на англоязычный разговорный текст Reddit, поэтому на формальных текстах и других доменах качество может отличаться. В репозитории доступны форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Slop-Detector-v2 — англоязычный классификатор текста, разработанный DrRiceIO7 на основе дообученной answerdotai/ModernBERT-base. Модель относит текст к одному из двух классов: «Likely Slop» или «Likely Not Slop»; она ориентируется на особенности стиля и потока текста, например клише, повторяющийся ритм и поверхностную витиеватость. Модель предназначена для экспериментальной оценки текстов на признаки низкокачественной шаблонной прозы, в том числе при проверке материалов, созданных ИИ. Это ModernBERT для классификации последовательностей на 149 млн параметров; README сообщает об обучении с контекстом 1024 токена, тогда как метаданные указывают нативный контекст 8192 токена. Карточка указывает обучение в течение трёх эпох на датасете DrRiceIO7/SlopReview v2. Лицензия — Apache-2.0. Автор не рекомендует использовать модель для важных решений: она может ошибочно помечать качественный текст и отражает конкретное, не универсальное понимание «слопа».

ShadowTooOP/smart-mcq-roberta-base — модель на базе RoBERTa Base, дообученная командой ShadowTooOP для решения заданий с выбором одного из нескольких вариантов. Она выдаёт оценки вариантов ответа, которые можно использовать для выбора наиболее вероятного ответа в системах тестирования и викторинах. Чекпойнт содержит 151,8 млн параметров, использует архитектуру RobertaForMultipleChoice и принимает контекст задания вместе с вариантами ответа в пределах контекста до 514 токенов. Модель описана как первая часть ансамбля: при итоговом инференсе её оценки объединяются с оценками ShadowTooOP/smart-mcq-distilbert-base с весами 0,6 и 0,4 соответственно. Лицензия — Apache-2.0. Карточка не сообщает поддерживаемые естественные языки или специализированные предметные области.

TaiVisionLM-base-v1 — мультимодальная модель benchang1110 с 1,2 млрд параметров, разработанная для ответов на инструкции на традиционном китайском языке с учётом входного изображения. Она объединяет визуальный энкодер SigLIP, языковую модель семейства TinyLlama и проектор признаков; по архитектурной идее близка к PaliGemma. Модель использует архитектуру TaiVisionForCausalLM и доступна в формате safetensors. Модель предназначена для диалога по изображениям и визуальных вопросов и ответов. В карточке описаны предварительное обучение на парах изображение—текст и выравнивание визуальных и текстовых признаков с помощью LoRA; обучение для подписей к изображениям и простого визуального вопросно-ответного режима обозначено как будущий этап. Для загрузки требуется Transformers с trust_remote_code=True, поскольку модель не интегрирована в библиотеку нативно. Лицензия в предоставленных данных не указана.

Unicosys Hypergraph Knowledge Model — обучаемая модель встраивания знаний, созданная конвейером Unicosys для представления единого гиперграфа доказательств по делу 2025-137857. Она связывает финансовые транзакции, электронную переписку, юридические доказательства и отношения между сущностями в общей структуре знаний. Модель использует структурные векторы узлов размерностью 128 и текстовые векторы размерностью 256. Текстовый кодировщик построен на двухслойном Transformer с четырьмя головами, скрытое представление имеет размерность 256. В README указана возможность дообучения для предсказания связей. Модель и закодированные графовые данные распространяются в формате Safetensors; лицензия — MIT. Модель специализирована на одном графе доказательств, поэтому применимость к другим делам или графам зависит от подготовки данных и дообучения. README не сообщает оценок качества или результатов проверки.

Voxlect German Dialect MMS LID 256 — модель классификации аудио для распознавания региональных разновидностей немецкой речи. Она разработана Tiantian Feng и описана в работе Voxlect: A Speech Foundation Model Benchmark for Modeling Dialect and Regional Languages Around the Globe. Модель дообучена на facebook/mms-lid-256 и работает с аудио на входе, присваивая ему метку диалектной группы. В карточке перечислены группы говорящих из Австрии, немецких регионов вне Северного Рейна — Вестфалии, Северного Рейна — Вестфалии, Швейцарии, а также категория «Other». Модель предназначена для исследовательской классификации немецких диалектов и региональной речи. Репозиторий содержит веса в формате safetensors; используется библиотека Transformers. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Авторы также исключают клиническое применение, наблюдение и вмешательство в частную жизнь; при работе с речевыми данными необходимо учитывать согласие говорящих и требования применимого законодательства.

XLM-R-ParlaSent — модель регрессии тональности предложений парламентских выступлений, разработанная Peter Rupnik, Nikola Ljubešić и Michal Mochtak в рамках проекта ParlaMint. Она построена на xlm-r-parla — XLM-R-large, дополнительно обученной на стенограммах парламентских заседаний, и дообучена на вручную размеченном наборе ParlaSent. Модель возвращает числовую оценку тональности; при необходимости её можно преобразовать в исходные категории или свести к трём классам. Модель предназначена для анализа тональности предложений из парламентских дебатов на боснийском, хорватском, чешском, сербском, словацком, словенском и английском языках. Архитектура — XLM-RoBERTa для классификации последовательностей, используемая здесь как регрессор; размер — 658,7 млн параметров, контекст — до 514 токенов. В опубликованных результатах на тестовых данных R² составил 0,6146 для боснийского, хорватского и сербского языков и 0,6722 для английского. Модель распространяется по лицензии Apache-2.0.

Agree_continuous — дообученная модель на базе microsoft/deberta-v3-base, разработчик — ajrayman. Это англоязычный классификатор текста на архитектуре DeBERTa V2 с 211,6 млн параметров и контекстом до 512 токенов. По метрикам оценки (RMSE 0,1490, MAE 0,1172, корреляция 0,4918) модель, вероятно, предсказывает непрерывную оценку по тексту; точное назначение, шкала и обучающие данные в карточке не раскрыты. Модель подходит для экспериментов с оцениванием текста и задач регрессии, оформленных как классификация последовательностей. Карточка не содержит сведений о целевых сценариях или ограничениях качества, поэтому применимость к конкретным задачам следует проверять отдельно. Лицензия — MIT.

Atom Classifier — мультиязычная модель токенной классификации от hyperquest для первого этапа Alpha-Beta-парсера семантических гиперграфов. Она присваивает каждому токену предложения одну из 39 меток семантических атомов и подтипов: понятий, предикатов, модификаторов, связок, триггеров, союзов или исключаемых токенов. Полученные метки затем используются для построения вложенных гиперграфовых структур на следующем этапе парсера. Модель построена на DistilBertForTokenClassification и дообучена на distilbert/distilbert-base-multilingual-cased. Максимальная длина последовательности — 512 токенов. В карточке заявлена поддержка английского, немецкого, французского, испанского, португальского и нидерландского языков. Модель распространяется по лицензии Apache-2.0. Она предназначена для семантического разбора предложений в составе инструментария hyperbase и Alpha-Beta-парсера, а не для самостоятельной генерации текста или полного построения гиперграфа. Качество разметки зависит от соответствия входного языка и текста обучающим данным; подробности о составе обучающего набора и оценках качества в предоставленной карточке не приведены.

BEREL 3.0 — модель Dicta для обработки текстов на иврите, представленная как BERT с головой языкового моделирования. В карточке указана статья Avi Shmidman и соавторов о BEREL; модель загружается через Transformers и содержит около 211,6 млн параметров. Метаданные относят её к генерации текста, а архитектура и пример использования указывают на задачу masked language modeling. Модель рассчитана на языковые задачи с текстами на иврите и обучена для работы с особой токенизацией: авторы предупреждают, что обычный BertTokenizer даст плохие результаты, и рекомендуют AutoTokenizer или BertTokenizerFast. Максимальная длина контекста составляет 512 токенов. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

nightingal3/bert-finetuned-wsc — это модель на архитектуре BERT, дообученная для решения задач выбора одного из нескольких вариантов ответа. По названию она предназначена для задачи WSC (Winograd Schema Challenge): выбора, к кому или чему относится местоимение в предложении, с учётом контекста. В метаданных указаны класс BertForMultipleChoice, 136,7 млн параметров и максимальная длина контекста 512 токенов. Модель принимает текстовые варианты задачи и выдаёт оценку для выбора ответа. Карточка Hugging Face указывает тип задачи multiple-choice; поиск также подтвердил назначение модели и метку задачи. Данные не устанавливают поддерживаемые языки или лицензию, поэтому здесь они не уточняются.

CySearchAssist-Mesh-1.5B — компактная языковая модель, разработанная Cyberalien для переформулирования запросов к библиотеке статических мешей и 3D-ресурсов. Она преобразует запрос пользователя в английские поисковые фразы, подсказки по категориям и тегам, а также явные исключения. Модель дообучена на Qwen/Qwen2.5-1.5B-Instruct, использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и имеет контекстное окно 32 768 токенов. Выдаёт структурированный JSON по контракту cymesh-query-v1; поддерживаемые языки — английский, французский, испанский, немецкий и итальянский. Лицензия — Apache-2.0. Модель рассчитана на локальное использование в CyMesh MeshLibrary или интеграциях, которые применяют её вывод для поиска по собственному индексу метаданных. В небольшом локальном тесте JSON-контракт был соблюдён для 35 из 37 запросов, а целевой объект попал в топ-5 для 10 из 10 тестовых запросов по метаданным; этот тест не измеряет общее качество поиска на произвольных библиотеках. Модель сама не ищет ресурсы, не анализирует геометрию или изображения мешей, не строит эмбеддинги и не генерирует 3D-модели. На CPU генерация в описанном тесте занимала медианно 15,26 секунды; ошибки в обработке отрицаний, синонимов, языковой неоднозначности и материалов возможны, поэтому JSON следует проверять, а при некорректном выводе использовать исходный запрос.

Dart v1 — модель Plat для генерации тегов Danbooru. Это дообученная методом SFT причинная языковая модель на архитектуре OPT с 165,5 млн параметров и контекстом 2048 токенов. Она продолжает структурированный промпт с тегами рейтинга, произведения, персонажей и общими тегами, выдавая теги в алфавитном порядке. Модель обучалась на наборе isek-ai/danbooru-tags-2023; в README указано, что для SFT использовались данные начиная с 2020 года. Модель предназначена для дополнения тегов постов Danbooru по заданной структуре и, по README, не поддерживает запросы на естественном языке и гибкие спецификации. Для вывода доступны веса Safetensors и ONNX, включая квантованный вариант ONNX; библиотека Transformers и ONNX Runtime через Optimum подходят для запуска. Лицензия — Apache-2.0. Оценка качества в карточке не проводилась.

YoichiTakenaka/deverta-v3-japanese-large-Anticipation — модель классификации текста на основе DeBERTa V2, предназначенная для определения эмоции предвкушения (Anticipation) в японском тексте. Это один из восьми отдельных дообученных классификаторов пакета DeBERTa Emotion Predictor, который также оценивает радость, грусть, удивление, гнев, страх, отвращение и доверие. Для каждого текста модель выдаёт метку наличия целевой эмоции и уверенность в положительном классе. Модель принимает текст и рассчитана на японский язык. Архитектура DeBERTa V2 содержит 451,8 млн параметров и поддерживает контекст до 512 токенов. Веса опубликованы в формате safetensors; для использования пакета требуются PyTorch и Transformers. Лицензия — CC BY-SA 4.0. Модель подходит для анализа эмоциональной окраски японских сообщений и текстов. Её классификация ограничена одной эмоцией — предвкушением; остальные эмоции определяются отдельными моделями пакета. README не сообщает метрики качества или состав обучающих данных.

negfir/distilbert-base-uncased-finetuned-cola — модель классификации последовательностей на базе архитектуры BERT, дообученная автором negfir на наборе данных CoLA. В карточке указаны результаты оценки после двух эпох: Matthews Correlation равен 0,0 на обучающей выборке; потери составили 0,6077 на обучающей и 0,6185 на валидационной выборке. Модель содержит 7,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для классификации текста. Название и результаты обучения указывают на связь с CoLA — оценкой грамматической приемлемости английских предложений, однако карточка не описывает классы и точную процедуру использования. Доступны форматы PyTorch и TensorFlow; лицензия в предоставленных данных не указана.

Sumaia/distilbert-base-uncased-finetuned-winogrande — модель классификации последовательностей на базе DistilBERT, дообученная для задачи Winogrande. Она предназначена для выбора или классификации текстовых вариантов в задачах, связанных с пониманием контекста и здравым смыслом. Модель принимает текст и выдаёт метки классов; максимальная длина контекста составляет 512 токенов. В README указаны loss 0,9100 и accuracy 0,5525 на оценочном наборе, что указывает на ограниченное качество и необходимость проверки на целевых данных. Модель распространяется по лицензии Apache-2.0.

FinBERT-PT-BR — модель Lucas Leme для классификации тональности финансовых текстов на бразильском португальском языке. Это модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 136,1 млн параметров и принимающая текстовые последовательности длиной до 512 токенов. Модель обучали в два этапа: сначала на более чем 1,4 млн финансовых новостей на португальском языке, затем на 500 размеченных примерах для классификации тональности. Она подходит для анализа новостных публикаций и сообщений о финансовом рынке, построения индексов тональности, изучения макроэкономических показателей и поддержки инвестиционных стратегий. В README сообщается о результатах лучше других сравниваемых моделей, но подробности оценки не приведены. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она рассчитана на финансовые тексты на бразильском португальском; заявленные области применения не гарантируют качество инвестиционных решений. Контекст ограничен 512 токенами.

Gemma4-12B-CVRR — мультимодальная модель для визуального рассуждения и ответов на вопросы по изображениям, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary». Она основана на инструкционной модели Google `google/gemma-4-12B-it` и использует метод Causal Visual Recurrent Reasoning (CVRR): состояние вопроса многократно обновляется с доступом к визуальным свидетельствам, а верхний декодер формирует ответ через итоговое состояние рассуждения. Рекуррентный переход адаптирован с помощью LoRA и включён в опубликованный чекпойнт; отдельная загрузка адаптера не нужна. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Для воспроизводимого инференса предусмотрены строгий считыватель первого токена ответа и детерминированная генерация жадным декодированием; коэффициент рекуррентного обновления по умолчанию равен beta=0.5. Для загрузки требуется специальный Transformers loader и зависимости из README. Нужна полная копия модели на каждой GPU: автоматическое распределение по GPU, прямая загрузка через vLLM или SGLang и обычная повторная сериализация через `save_pretrained()` не поддерживаются. Лицензия — Apache-2.0.