I.11Классификация, ранжирование и сопоставление

Qwen3.8-27B-Heretic-JP-Roleplay-NSFW-DanbooruTags — дообученная и слитая с базовыми весами модель на архитектуре Qwen3.5, созданная sss22213 на основе sss22213/Qwen3.8-27B-Heretic-JP-Roleplay-NSFW. Её дополнительный навык — преобразовывать описание сцены в точные теги Danbooru для генераторов аниме-изображений, включая Stable Diffusion WebUI, A1111, Forge и ComfyUI. Модель также сохраняет многоходовую ролевую переписку на японском языке и возможности родительской vision-language модели. Для тегирования модель обучали на парах японских описаний и тегов Danbooru, а также на примерах ролевых диалогов. В README указано, что обучение vision-компонента не проводилось и его возможности не оценивались. Теги предназначены для коротких, похожих на подпись к изображению описаний; длинные ролевые сцены могут давать менее точный результат. Формальной оценки нет, точность тегов ограничена качеством исходных описаний и компромиссом при слиянии адаптера. Модель способна выдавать откровенный контент и не отказывает в таких запросах. Лицензия — Apache-2.0.

ryankim17920/qwen3p6-27b-expthink-step60 — текстовая дообученная модель на базе Qwen/Qwen3.6-27B, опубликованная как шаг 60 эксперимента ExpThink. Она предназначена для генерации ответов с рассуждением и сокращения числа токенов во внутреннем рассуждении. Модель содержит языковую часть Qwen3_5ForCausalLM, имеет 22,3 млрд параметров и контекст до 262 144 токенов; формат весов — Safetensors. Это только текстовая модель: зрительная часть базовой мультимодальной модели в репозитории отсутствует. В оценке на англоязычных задачах вопросов и ответов, математике и тестах с выбором ответа модель сократила число токенов рассуждения на 52,71% на IID и на 33,80% на OOD по сравнению с базовой моделью. В этих ограниченных тестах регрессии точности не наблюдалось, однако объём выборки и три случайных seed не позволяют считать улучшение точности статистически подтверждённым. Обучение продолжало предыдущий чекпойнт ещё на 10 шагов со сброшенными оптимизатором и планировщиком. Модель может применяться для ответов на проверяемые вопросы, математических задач и тестов на общие и научные знания, когда важно уменьшить длину рассуждений. Карточка не подтверждает качество для общего диалога, программирования, многоязычной работы, использования инструментов или безопасного поведения. Для запуска требуется актуальная версия Transformers с поддержкой текстовых моделей Qwen 3.5; Apache-2.0 унаследована от базовой модели.

RoBERTa base OpenAI Detector — классификатор текста, разработанный OpenAI для определения текстов, сгенерированных моделями GPT-2. Модель основана на RoBERTa base и дообучена на выходах GPT-2 с 1,5 млрд параметров. Веса содержат около 151,8 млн параметров; архитектура — RobertaForSequenceClassification, максимальная длина контекста — 514 токенов. Модель рассчитана на английский язык и распространяется по лицензии MIT. Её можно применять в исследованиях синтетического текста и как один из сигналов при анализе происхождения текста. В описанных авторами испытаниях классификатор достигал примерно 95% точности на текстах GPT-2 с 1,5 млрд параметров, однако результат зависел от метода генерации. Модель может ошибаться на текстах более крупных моделей и не предназначена для самостоятельных решений о нарушениях академической добросовестности; результаты следует сопоставлять с другими данными и оценкой человека.

SigLIP Skin Lesion Classifier — модель SkinTag Labs для классификации изображений кожных поражений и предварительной сортировки случаев по риску. Она дообучена на базе google/siglip-so400m-patch14-384: разморожены последние четыре слоя vision transformer и добавлена классификационная голова. Базовая модель содержит 878 млн параметров; обучение использовало выборку из 47 277 изображений дерматологических наборов данных с балансировкой по фототипам кожи Fitzpatrick. Модель предназначена для классификации по 10 категориям, включая меланому, базальноклеточную и плоскоклеточную карциному, а также для триажа «доброкачественное или злокачественное». В README приводятся результаты оценки бинарного триажа и проверка на фототипах Fitzpatrick I–VI, но они не подтверждают пригодность для постановки диагноза. Репозиторий содержит веса PyTorch и артефакты классификаторов. Лицензия модели — MIT; базовая SigLIP указана под Apache 2.0.

darjja/smolvlm2-food-finetuned — мультимодальная модель, дообученная разработчиком darjja на базе HuggingFaceTB/SmolVLM2-2.2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; предназначена для сценариев, связанных с изображениями еды. Архитектура — SmolVLM, модель плотная, поддерживает чат и обработку изображений. В карточке указаны английский язык и формат весов safetensors. Лицензия — Apache-2.0. Модель дообучена с использованием Unsloth и библиотеки TRL. README не описывает обучающие данные, конкретный набор поддерживаемых пищевых задач или результаты оценки, поэтому её пригодность для отдельных сценариев с едой следует проверять на собственных примерах.

SmolVLM-500M-anime-caption-v0.2 — мультимодальная модель автора Andres77872 для создания подписей к изображениям в стиле аниме. Она дообучена на базе HuggingFaceTB/SmolVLM-500M-Base на синтетических парах изображений и описаний и использует архитектуру Idefics3. Модель принимает изображение и выдаёт естественное описание на английском языке; подходит для аниме-иллюстраций, манга-панелей и каталогизации изображений в тематических архивах. Модель ориентирована на аниме и иллюстрации и не предназначена для описания обычных фотографий или произведений в других стилях. Она выпущена под лицензией Apache 2.0.

StoryPatch-context-v3 — небольшой контекстный ранжировщик для выбора вариантов правки коротких историй на английском языке. Он оценивает предложенные варианты с учётом окружающего текста, помогая решить, оставить исходный фрагмент или применить альтернативу; редактирование подтверждает пользователь, а символы за пределами выделенного фрагмента сохраняются. Модель содержит 13 645 761 параметр. Её контекстный ранжировщик переносит основу из собственного генератора проекта DiffuThink и дообучает её с новой классификационной головой и маркерами фрагмента; внешние предварительно обученные веса и модель-учитель не использовались. Модель использует собственный BPE-токенизатор и контекст до 512 токенов, реализована на PyTorch и опубликована в формате safetensors. Веса и код лицензированы Apache-2.0; исходные тексты и производные примеры TinyStories регулируются CDLA-Sharing-1.0. Ранжировщик обучен на 24 000 контекстах, включая синтетические процедурные примеры и отрывки TinyStories с механическими искажениями. В карточке приведены ограниченные тесты, но разметка человеческих предпочтений и слепая оценка людьми отсутствуют; результаты не подтверждают общих способностей к грамматике или рассуждению. Модель может предлагать неудачные или противоречивые правки и сохранять исходные ошибки; она не может восстановить вариант, который не предложил генератор. Обобщение на длинные контексты не установлено.

UNI — предварительно обученный визуальный энкодер Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель построена на ViT-L/16 с подходом DINOv2 и предобучена на наборе Mass-100K: примерно 100 млн изображений из 100 тыс. целых гистологических слайдов, включая частные коллекции BWH/MGH и материалы консорциума GTEx. Входное изображение преобразуется к размеру 224 × 224, выходной вектор признаков имеет размерность 1024. UNI предназначена для построения и оценки моделей вычислительной патологии. Замороженные признаки можно применять для классификации участков ткани, поиска похожих изображений и классификации целых слайдов с помощью MIL; для сегментации рекомендуется дообучение специализированными средствами. Авторы сообщают о сильных результатах на 34 клинических задачах и отмечают, что предобучение не использовало ряд открытых наборов гистологических слайдов, применяемых в бенчмарках. Для загрузки весов требуется аутентификация и одобрение доступа; README указывает, что основной адрес Hugging Face должен быть институциональным. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных материалов. Модель ориентирована на изображения патологии и сама по себе не выдаёт клинический диагноз.

Aquilign Multilingual Segmenter — модель ProMeText для сегментации средневековых и исторических текстов на фразы. Она основана на архитектуре BERT и дообучена для классификации токенов с целью выявления границ фраз в многоязычной исторической прозе. Модель предназначена для подготовки параллельных корпусов к выравниванию, многоязычного выравнивания средневековых текстов и исследований в цифровой филологии и вычислительной гуманитаристике. Она используется в рабочем процессе Aquilign и обучалась на Multilingual Segmentation Dataset с исторической прозой XIII–XVI веков. Поддерживаются латинский, французский, кастильский, португальский, каталанский, английский и итальянский языки. Модель содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, ограничивая коммерческое использование. Качество сегментации может зависеть от языка, периода и жанра текста; назначение модели ориентировано на историческую прозу и рабочий процесс Aquilign.

youngseok12 разработала эту модель на базе skt/A.X-3.1-Light для генерации ответов в разговорном и инструкционном формате. Это плотная модель семейства Llama с 6,8 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. Модель ориентирована на корейский язык и выдаёт ответ в компактном формате «정답: X (근거: )». Она создана в два этапа: три специализированных LoRA-адаптера для наборов KMMLU-Pro, MuSR и Com2-main объединены методом TIES, после чего модель дополнительно обучена выдавать ответ в первую очередь. Итоговые веса BF16 сохранены в формате safetensors; отдельный адаптер не требуется. Лицензия — Apache-2.0. Модель предназначена для ответов на вопросы и задач, где важны контролируемый формат и порядок подачи ответа. Локальная диагностика на выборках по 100 примеров для каждой оси показала улучшения на KMMLU-Pro и Com2-main относительно базовой модели, но автор предупреждает, что такая диагностика ранее неверно предсказывала результаты KMMLU-Pro. Для специализированной версии ещё нет результатов оценки на реальных данных. README рекомендует использовать модель для исследований и оценки и не полагаться на её ответы как на единственное основание для решений с высокими последствиями.

Salesforce/bic_simple_edit_id — модель Salesforce для классификации токенов на основе RoBERTa. В метаданных указаны 454,1 млн параметров, контекст до 514 токенов, формат PyTorch и лицензия Apache-2.0. Карточка сообщает, что выпуск предназначен для исследований в рамках академической статьи. Модель может применяться для задач разметки токенов, однако документация не уточняет целевые метки, датасеты, поддерживаемые языки и сценарии применения. Перед использованием следует оценить точность, безопасность и справедливость модели.

augmdc/bigbird_mental2019_1 — дообученная модель BigBird для выбора ответа из нескольких вариантов. Она основана на augmdc/bigbird_race_1 и содержит 151,9 млн параметров; архитектура представлена классом BigBirdForMultipleChoice. Модель принимает текст и выдаёт выбор ответа, а заявленная длина контекста составляет 4096 токенов. Модель предназначена для задач с вопросом, текстовым контекстом и набором вариантов ответа. На указанном в карточке наборе для оценки она показала точность 0,4983 и loss 1,1074. Разработчик не описал набор данных для дообучения и подробные сценарии применения. Лицензия — Apache-2.0.

CNY-7B — исследовательский чекпойнт Allen-UQ, дообученный на базе Qwen2.5-7B-Instruct для выбора соседних узлов и классификации объектов в текстовых графах. Модель использует архитектуру Qwen2, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Она предназначена для многошагового обхода графа: получает описание целевого узла, варианты меток и краткие сведения о соседях, затем выбирает узлы для раскрытия их полного текста и формирует ответ. Обучение проводилось методом GRPO с on-policy self-distillation на смеси из восьми текстовых графов; доступны результаты нулевого дообучения на нескольких тестовых наборах. Модель рассчитана на графовые сценарии классификации узлов и отношений, а не на обычный диалог. Для использования её обученной стратегии требуется специальный многошаговый шаблон CNY и среда обхода графа; стандартный инструктивный запрос эту стратегию не задействует. Политика обхода обучена с ограниченным числом шагов и фиксированным форматом предварительного просмотра, а качество зависит от информативности текста целевого узла. Модель распространяется под лицензией Apache-2.0.

GRM-Kerlin-3b — компактная модель для решения головоломок разных типов, разработанная Orion Research. Она предназначена для диалогового взаимодействия и генерации ответов с рассуждениями: модель анализирует логику задачи и может замечать собственные ошибки. Модель построена на архитектуре Qwen2 и содержит 3,1 млрд параметров. Она принимает текст, поддерживает контекст длиной до 32 768 токенов и выдаёт текст. В метаданных также заявлен интерфейс для вызова инструментов. Разработчик описывает её как эффективную модель для сложных головоломок, однако независимые оценки качества в карточке не приводятся. Лицензия — Apache-2.0.

MentalRoBERTa — языковая модель на базе RoBERTa-Base, разработанная для работы с текстами о психическом здоровье. Авторы обучили её на тематических публикациях Reddit, используя стандартные протоколы предобучения BERT и RoBERTa и библиотеку Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для последующей автоматической обработки материалов о психическом здоровье, например выявления возможных признаков расстройств в публичных онлайн-публикациях. Модель принимает текст на английском языке и предсказывает пропущенные токены. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Предсказания не являются психиатрическим диагнозом; при применении для поиска людей, которым может потребоваться помощь, необходима профессиональная проверка. Авторы также отмечают возможные смещения, проблемы справедливости, неопределённости и интерпретируемости.

SafeAeroBERT — англоязычная BERT-модель NASA-AIML для работы с текстами по авиационной безопасности. Модель на 136,7 млн параметров основана на base-bert-uncased и дополнительно предварительно обучена как masked language model на 2 283 435 разделах документов Aviation Safety Reporting System (ASRS) и отчётов National Transportation Safety Board (NTSB), опубликованных до ноября 2022 года. Обучающая выборка включала более 1,05 млрд токенов; контекст составляет до 512 токенов. Основная задача модели — предсказывать замаскированные слова в авиационных текстах. Её также оценивали после отдельного дообучения для бинарной классификации документов по факторам происшествий; опубликованные результаты относятся к более ранней версии модели и этой задаче. Модель может служить основой для дальнейшей настройки на анализ авиационных сообщений и отчётов, но сама по себе не является готовым классификатором. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. В README указаны авторы исследования Sequoia R. Andrade и Hannah S. Walsh; модель связана с NASA. Код лицензии в метаданных указан как other, а уведомление в карточке заявляет об авторском праве правительства США и предоставлении ПО «как есть» без гарантий; перед использованием следует сверить применимые условия лицензии в репозитории.

icelab/spaceroberta_CR — модель семейства SpaceTransformers, дообученная на базе SpaceSciBERT для распознавания понятий в требованиях к космическим системам. Она присваивает метки отдельным токенам текста и обучена на 874 уникальных требованиях ECSS с ручной разметкой. Модель разработана в рамках работы, представленной в статье «SpaceTransformers: Language Modeling for Space Systems»; исходный репозиторий проекта — strath-ace/smart-nlp. Модель имеет архитектуру RoBERTa для классификации токенов, содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Карточка указывает английский язык. Веса опубликованы в формате PyTorch под лицензией MIT. Модель подходит для извлечения и разметки понятий в требованиях ECSS; качество на других типах документов и требованиях карточка не характеризует.

Модель katomyomachia/xlm-roberta-persian-meter — классификатор размера (baḥr) полустишия классической персидской поэзии. Она разработана на основе XLM-RoBERTa и дообучена на примерах из корпуса Ganjoor; архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст полустишия и предсказывает класс стихотворного размера, который можно сопоставить с персидским названием через таблицу label_map.json. Обучающая выборка содержит 277 248 уникальных полустиший из произведений Саиба Тебризи, Хафиза, Саади, Руми, Фирдоуси и Низами. Автор сообщает об accuracy 0,9801 и F1 0,9792 на случайно отобранных 10% обучающих данных, поэтому эти результаты не подтверждают качество на независимой выборке. Редкие размеры представлены недостаточно. Модель ориентирована на персидскую поэзию; лицензия — MIT.

appvoid/arco-2 — экспериментальная языковая модель на архитектуре Llama с 464,4 млн параметров. В карточке она описана как экспериментальная версия модели Arco, ориентированная на решение простых задач на английском языке и тест ARC Challenge. Автор сообщает, что в ARC Challenge результат модели отстаёт на 1,2 пункта от базовой модели современного уровня с 3 млрд параметров; приведены также результаты нулевого обучения на нескольких тестах, но методика и сами значения для Arco в доступном фрагменте карточки не раскрыты. Модель принимает текст и генерирует текст. Контекст — до 8192 токенов; готовый формат запроса намеренно не задан. Карточка рекомендует другие семейства моделей для многоязычных ответов, общих знаний и тривиально простых вопросов. Репозиторий содержит форматы ONNX и safetensors, лицензия — Apache-2.0. Метаданные указывают на слияние моделей, но не называют исходные модели.

BananaMind 2 AI Detect — модель для оценки того, написан ли текст человеком или GPT-4. Её разработчики полностью дообучили базовую языковую модель Qwen/Qwen3.5-0.8B-Base на двух классах датасета RAID: человеческих текстах и текстах GPT-4. Архитектура — плотная причинная языковая модель Qwen3.5 с примерно 581 млн параметров; карточка указывает контекст до 262 144 токенов. Модель принимает текстовый фрагмент и продолжает шаблон с меткой, выдавая `human` или `ai`; логиты этих вариантов можно использовать для оценки уверенности. Она предназначена для локальных экспериментов с обнаружением ИИ-текстов, изучения устойчивости детекторов и сравнения с другими методами. В README сообщается о точности 99,5% на небольшой отложенной выборке из той же распределительной совокупности, что использовалась при обучении; это самооценка разработчиков, а не независимый широкий тест. Модель обучалась только 1 200 шагов, примерно на 20% одной эпохи, и обучение завершилось при снижении функции потерь. Положительный класс представлен только GPT-4, поэтому результат для текстов других генераторов нельзя считать подтверждением человеческого авторства; устойчивость к перефразированию также не проверялась. Модель не следует использовать как единственное основание для решений с серьёзными последствиями. Лицензия — Apache-2.0.

Elia Khater разработал эту модель на основе DistilBERT и дообучил её для бинарной классификации англоязычных текстов: написан ли текст человеком или сгенерирован ИИ. Модель построена на архитектуре DistilBERT для классификации последовательностей, обучена на корпусе HC3 с примерами ответов ChatGPT и принимает тексты длиной до 512 токенов. Для репозитория указана лицензия MIT. Модель предназначена прежде всего для исследовательских и учебных экспериментов, оценки методов обнаружения ИИ-текстов и как отправная точка для дальнейшего дообучения. В README приведены результаты на отложенной выборке HC3, однако они не гарантируют качество на других темах или генераторах. Автор отмечает повышенную частоту ошибок на технических текстах и коротких фрагментах, а также вероятное смещение против авторов, для которых английский не является родным. Модель не оценивалась на неанглийских текстах и текстах современных генераторов; её предсказания не следует использовать как единственное основание для решений, затрагивающих людей.

Riiid/kda-mpnet-base-race — модель на архитектуре MPNet, связанная с работой EMNLP 2022 «Evaluating the Knowledge Dependency of Questions». Она предназначена для выбора правильного варианта ответа в задачах с несколькими вариантами и использует набор данных RACE. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт выбор ответа. Модель представлена в формате PyTorch и распространяется по лицензии CC BY-NC-SA 4.0. Карточка указывает на исследовательскую работу, но не описывает показатели качества или дополнительные сценарии применения.

REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP — мультимодальная модель на архитектуре LLaVA, дообученная разработчиком REILX для распознавания китайского текста и смысла мемов. В основе лежат Qwen/Qwen2-7B-Instruct и OFA-Sys/chinese-clip-vit-large-patch14-336px; LoRA применялась к компонентам визуального и языкового энкодеров, а мультимодальный проектор обучался полностью. Модель принимает изображение и текстовый запрос, а отвечает текстом на китайском языке. Модель предназначена для описания китайских мемов с распознаванием текста на изображении и объяснением подразумеваемого смысла. Обучение проводилось на данных с примерно 10 835 изображениями мемов и 24 332 парами изображение–описание; README сообщает об использовании описаний, созданных несколькими моделями. Указанная длина контекста — 2048 токенов. Лицензия репозитория — Apache-2.0. Заявления README о сравнении качества с крупными закрытыми моделями не подкреплены приведёнными количественными оценками.

MedM-VL-2D-3B-en — мультимодальная модель для работы с двумерными медицинскими изображениями и англоязычным медицинским текстом. В README указаны разработчик и точная конфигурация архитектуры; по метаданным модель объединяет Qwen/Qwen2.5-3B-Instruct и визуальный энкодер google/siglip-base-patch16-256-multilingual, соединённые двухслойным MLP. Репозиторий содержит веса Safetensors, размер языковой модели — 3 млрд параметров. Модель предназначена для генерации медицинских отчётов, ответов на вопросы об изображениях, понимания и генерации выражений, указывающих на области изображения, а также классификации медицинских изображений. README приводит результаты на MedMNISTderma, MedMNISTorgan и MedPix; на первых двух наборах показаны высокие результаты относительно перечисленных моделей сравнения, тогда как на MedPix результат ниже указанного для LLaVA-Med. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Карточка заявляет работу с 2D-изображениями и английским медицинским текстом; длина контекста не приведена. Лицензия — Apache-2.0. Оценки приведены лишь для части бенчмарков и не гарантируют качество на других типах изображений или клинических сценариях; модель следует рассматривать как вспомогательный инструмент, а не замену профессиональной медицинской оценки.

Nocturne v1.1 Teacher — разработанная Stratus Labs модель классификации биоакустических записей для распознавания видов, не относящихся к птицам: насекомых, амфибий, млекопитающих и рептилий. Она предназначена для пассивного акустического мониторинга биоразнообразия, экологических исследований, оповещения о сельскохозяйственных вредителях и обследований присутствия амфибий. Модель использует Audio Spectrogram Transformer (AST), инициализированный весами MIT/ast-finetuned-audioset-10-10-0.4593, с линейной выходной головой на 2182 вида и многометочной классификацией. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц, преобразуемая в 128-полосную log-mel спектрограмму. Для порога обнаружения доступны общие и откалиброванные по классам значения. По данным карточки, на 300 тестовых записях не-птичьих видов точность top-1 составила 76,7%; качество при этом зависит от таксона и места записи. Модель не предназначена для определения птиц, обнаружения ультразвуковой эхолокации летучих мышей или подтверждения отсутствия вида. Географические и таксономические смещения обучающих данных могут снижать качество на недопредставленных видах и территориях; результаты для природоохранных решений требуют проверки специалистом. Лицензия модели — CC-BY-4.0.

Модель Nominalization Detector разработана в рамках проекта QANom и представляет собой BERT для классификации токенов, дообученный на задаче распознавания предикативных номинализаций. Она определяет, несёт ли существительное в контексте событийное, близкое к глагольному значение; классификация бинарная и применяется к кандидатам, предварительно извлечённым по частям речи и лексическим ресурсам. Модель предназначена для анализа английских предложений и может использоваться в лингвистических исследованиях и NLP-конвейерах, изучающих номинализации. Архитектура — BertForTokenClassification на базе bert-base-cased, около 135,5 млн параметров; максимальный контекст составляет 512 токенов. Для работы с полным сценарием обнаружения кандидатов README указывает пакет qanom. Модель дообучена на данных QANom, размеченных для этой задачи. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

OliveGemma — мультимодальная модель для распознавания блюд средиземноморской и европейской кухни по фотографиям и ответов на вопросы о них. Её разработала исследовательская группа Университета Иоаннины и Университета Патр в Греции. Модель дообучена с помощью LoRA на базе google/paligemma2-3b-pt-448; адаптер объединён с базовыми весами. Архитектура PaliGemma включает визуальный энкодер SigLIP-So400m и языковую модель Gemma-2 2B. В метаданных указано 2,1 млрд параметров. Модель принимает изображение блюда и текстовый вопрос. Её основные сценарии — назвать блюдо, перечислить типичные ингредиенты и кратко объяснить различие между похожими блюдами. Для распознавания названия блюда на отложенной выборке указана точность top-1 0,943. Модель рассчитана на вопросы на английском языке и обучалась преимущественно на греческой и средиземноморской кухне. Результаты ненадёжны для кухонь, слабо представленных в обучающих данных. Перечень ингредиентов отражает типичный рецепт и может включать то, чего нет на снимке; модель не подходит для проверки аллергенов, питания или медицинских решений. Распознавание видимых ингредиентов и обоснование ответа визуальными свидетельствами показали низкое качество. Использование регулируется условиями лицензии Gemma.

PopBERT — модель на базе deepset/gbert-large, разработанная для выявления популистской риторики в немецких политических речах в Бундестаге. Она анализирует предложения и выдаёт оценки по четырём измерениям: антиэлитизм, центризм в отношении народа, левая и правая идеологическая ориентация популистской риторики. Модель представляет собой плотную архитектуру BERT для классификации последовательностей; объём — 434,5 млн параметров, максимальный контекст — 512 токенов. PopBERT дообучена на вручную составленном наборе предложений из 18-го и 19-го созывов Бундестага. В README приведены тестовые значения F1 от 0,71 до 0,84 для трёх измерений; для максимальной эффективности автор рекомендует применять отдельные пороги классификации. Модель предназначена прежде всего для исследовательского анализа немецких политических выступлений и может хуже работать на других типах текстов или вне немецкого политического контекста. Лицензия — MIT.

Anas Belfathi разработал эту модель как доменно-адаптированную версию BERT base uncased для юридических текстов. Модель продолжительно обучалась на корпусе LexFiles, включающем решения Европейского суда по правам человека, судебные материалы ЕС и индийские судебные материалы. Обучение использует masked language modeling с выборочным маскированием: юридически значимые слова выбираются с учётом TF-IDF, чтобы модель лучше усваивала термины и темы документов. Это BERT-модель класса BertForMaskedLM с 136,7 млн параметров и контекстом до 512 токенов. Она принимает английский текст с маскированными токенами и предсказывает подходящие слова для заполнения пропусков, что подходит для исследования юридической терминологии и адаптации текста в юридическом домене. Лицензия — CC BY 4.0. Модель не предназначена для генерации свободного текста или юридических консультаций; её обучающие данные ограничены указанными корпусами и юрисдикциями.

bigstral-12b-v0.2-32k — плотная авторегрессионная языковая модель семейства Mistral, опубликованная Abacus AI. Она получена самопереплетением Mistral-7B-v0.2 методом passthrough в MergeKit и рассчитана на дальнейшее предварительное обучение, а не на готовый диалоговый сценарий. Число параметров — 12,3 млрд, контекст — до 32 768 токенов; модель работает с текстом и распространяется в формате Safetensors через Transformers. Модель подходит для экспериментов с продолжением предварительного обучения и дальнейшей адаптацией языковых моделей. README указывает Mistral-7B-v0.2 как включённую в слияние модель; метаданные также связывают репозиторий с производной от alpindale/Mistral-7B-v0.2-hf. Для модели указана лицензия Apache-2.0.