I.11Классификация, ранжирование и сопоставление

Модель tiantiaf/childvox-speechocean762-accuracy-whisper-base разработана Tiantian Feng и предназначена для классификации точности детской речи. Это дообученная на SpeechOcean762 модель OpenAI Whisper Base, использующая аудио на входе и выдающая категорию качества речи: «Poor» или «Understandable». Модель относится к семейству Whisper; для работы используется библиотека Transformers. Модель подходит для исследовательской оценки разборчивости детской речи и анализа аудиозаписей в задачах, связанных с просодией и качеством произношения. Она не предназначена для клинической диагностики, индивидуальной оценки развития без проверки специалистом, наблюдения или вмешательства в частную жизнь. Детские аудиозаписи требуют согласия и надлежащего этического одобрения. Лицензия OpenRAIL запрещает коммерческое использование.

akshayvkt/detect-ai-text-1 — модель классификации текста на базе DistilBERT, дообученная разработчиком akshayvkt от distilbert/distilbert-base-uncased. По названию репозитория она предназначена для определения текста, созданного ИИ, однако README не описывает метки классов, обучающие данные или качество этой классификации. Модель принимает текст и выдаёт результат классификации; архитектура — DistilBertForSequenceClassification, веса в формате PyTorch, максимальный контекст — 512 токенов. Модель может подойти для экспериментов с обнаружением ИИ-текста и базовой классификации коротких текстов. README не содержит сведений об оценке качества и известных ошибках, поэтому надёжность детектирования по карточке установить нельзя. Лицензия — Apache-2.0.

JochenLinnemann/gemma-4-26B-A4B-it-noloop-GGUF — экспериментальная GGUF-конверсия модели edgerunner-ai/gemma-4-26B-A4B-it-noloop, являющейся производным вариантом Gemma 4 26B-A4B от Google DeepMind с изменёнными весами. Репозиторий предназначен для использования с llama.cpp и содержит квантизированные варианты модели. Модель относится к мультимодальному классу image-text-to-text и рассчитана на обработку изображений и текста с генерацией текстовых ответов. Точные сведения об архитектуре, размере контекста, поддерживаемых языках и конкретных вариантах квантизации в README не указаны. Заявленная особенность upstream-версии — попытка уменьшить циклические повторения при фактическом перечислении. Конверсия является экспериментальной: в предварительном тестировании для общих агентских задач наблюдалась сильная деградация качества и зацикливание. Поэтому модель следует использовать с осторожностью и проверять результаты на целевых сценариях. Распространение регулируется лицензией Apache-2.0, однако README рекомендует дополнительно изучить карточку upstream-модели и условия лицензии Gemma перед коммерческим использованием или перераспространением.

contextlab разработала компактную авторскую языковую модель GPT-2 для исследования стилистики Ф. Скотта Фицджеральда. Модель обучена с нуля на восьми книгах писателя из корпуса Project Gutenberg и предназначена для генерации текста в его стиле, стилистического анализа и атрибуции авторства по сравнению значений cross-entropy с другими авторскими моделями. Архитектура GPT-2 включает 8 слоёв, эмбеддинги размерности 128 и 8 голов внимания. Модель работает с английским текстом, обученным и генерируемым в нижнем регистре; длина контекста — 1024 токена. Весов достаточно для демонстраций вычислительной стилистики и творческих экспериментов, но компактность ограничивает качество генерации. Модель не предназначена для поиска фактов или создания исторически достоверного содержания: она воспроизводит языковые закономерности ограниченного корпуса и лексику эпохи джаза. Лицензия — MIT.

YuchengShi/LLaVA-v1.5-7B-Plant-Leaf-Diseases-Detection — мультимодальная модель Yucheng Shi для распознавания болезней растений по изображениям листьев и объяснения результата. Она основана на LLaVA-1.5-7B-hf и дообучена с помощью LoRA на данных PlantVillage; в обучении также применялся отбор ответов методом rejection sampling без reward-модели. Модель принимает изображение листа и текстовый запрос, а в ответ формирует текст с предполагаемым заболеванием и описанием видимых симптомов, которое можно проверить визуально. Модель предназначена для классификации здоровых и поражённых листьев разных видов растений. В карточке заявлены высокая точность и интерпретируемые объяснения по сравнению с базовыми моделями; размер базовой модели — 7 млрд параметров. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и длина контекста в предоставленных данных не описаны.

mrseongminkim/mistral-7b-qlora-ai2_arc-full-mcqa-merged — объединённая модель на основе Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Идентификатор указывает на настройку QLoRA для полного набора AI2 ARC с вопросами с множественным выбором; метаданные подтверждают семейство Mistral и задачу text-generation. Модель использует плотную архитектуру MistralForCausalLM, доступна в формате safetensors, а указанное родное окно контекста составляет 32 768 токенов. По назначению она подходит для генерации ответов и решения вопросов с вариантами выбора, в том числе на научные темы из набора ARC. Поисковая выдача по точному заголовку и идентификатору не дала результатов; сведения о настройке QLoRA и предметной области следуют из идентификатора модели, а не из найденной карточки. Лицензия и конкретные ограничения качества в предоставленных данных не установлены.

allenai/tulu-v2.5-ppo-13b-uf-mean-13b-mix-rm-value — англоязычная модель Allen Institute for AI из серии RLHF-настроенных моделей для диалогов. Она дообучена методом PPO на базе reward-модели allenai/tulu-v2.5-13b-uf-rm; в README также указана исходная модель meta-llama/Llama-2-13b-hf. Модель использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом 2048 токенов. Основное назначение — классификация токенов при оценке ответов помощника в сценариях обучения с подкреплением и работы с предпочтениями. README описывает обучение на данных Tulu V2 и UltraFeedback и указывает формат входа с сообщением и завершающим переводом строки. Метаданные отмечают возможность чата, однако основная задача репозитория — token classification. Модель предназначена для исследовательского использования. Она принимает и обрабатывает английский текст; сведений о других языках или мультимодальных входах нет. Лицензия — Apache 2.0.

URCHIN Strict-Small — языковая модель, созданная PHC Lab для трека Strict-Small конкурса BabyLM 2026 с ограничением обучающих данных в 10 млн слов. Это авторегрессионная модель генерации текста на архитектуре PHCSSM: один рекуррентный слой спайковых LIF-нейронов с возбуждающими и тормозными связями по правилу Дейла многократно обновляет состояние для каждого токена. Модель содержит 4,23 млн параметров, не использует attention и выдаёт оценки токенов через линейную голову по напряжению нейронов. Модель предназначена для исследований компактного языкового моделирования и генерации текста в условиях ограниченного объёма обучения; в каталоге также отмечена поддержка классификации текста. Используется токенизатор BabyLM GPT-BERT на 16 384 токена. Репозиторий включает вариант последовательного event-driven прохода, использующий те же веса. Для загрузки требуется Transformers с `trust_remote_code=True` и пользовательским кодом модели. Карточка указывает английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

gokulsrinivasagan/bert_base_lda_50_v1_book — модель на базе архитектуры DistilBERT, дообученная на корпусе книг gokulsrinivasagan/processed_book_corpus-ld-50. В названии указано LDA с 50 темами, однако карточка не объясняет эту настройку, поэтому её назначение нельзя установить точнее. В README приведены результаты оценки на тестовой выборке: loss 3.9956 и accuracy 0.7552. Модель доступна в формате safetensors и имеет контекстное окно 512 токенов. Описание сценариев применения и ограничений в карточке отсутствует. Лицензия не указана.

DentalGemma 1.5 4B IT — мультимодальная модель для стоматологии, созданная Naazim S. на основе Google MedGemma 1.5 4B IT. Это дообученная модель Gemma 3 с архитектурой для генерации текста по текстовым запросам и изображениям; карточка указывает LoRA-адаптацию в два этапа и обучение в bf16. Модель анализирует стоматологические фотографии и рентгенограммы, классифицирует патологии, описывает их расположение и формирует структурированные клинические оценки, включая диагноз, план ведения и рекомендации пациенту. Текстовое обучение охватывает 98 стоматологических состояний; данные для мультимодального этапа включают примерно 2 529 пар изображение–вопрос–ответ. Основной язык карточки — английский. Модель предназначена для исследовательских и учебных задач, а также для разработки прототипов стоматологических помощников. Она может ошибаться, а точность зависит от типов изображений и клинических сценариев, представленных в обучающих данных. Определение локализации по снимку приблизительное; результаты требуют проверки стоматологом и не подходят для самостоятельной диагностики или принятия лечебных решений. Распространяется по лицензии Apache-2.0.

liyucheng/frame_finder — модель на архитектуре RoBERTa, разработанная для классификации семантических фреймов в предложениях по FrameNet v1.7. Разметка сведена к задаче последовательной классификации токенов: модель назначает метки фреймов словам в контексте предложения. Модель предназначена для анализа английского текста и автоматической разметки семантических ролей и фреймов в предложениях. Она содержит 151,8 млн параметров, имеет контекст длиной до 514 токенов и представлена в формате PyTorch. В README указаны accuracy, precision, recall и micro-F1 около 0,838, а macro-F1 — около 0,458. Модель обучена на FrameNet v1.7; репозиторий датасета указан как liyucheng/FrameNet_v17. Лицензия репозитория — CC. Низкое значение macro-F1 указывает на возможные трудности с редкими классами; качество может зависеть от распределения фреймов и соответствия входного текста обучающим данным.

Mistral-7B ARC-Challenge SFT + Synthetic-Pair DPO — языковая модель на архитектуре MistralForCausalLM, дообученная на базе mistralai/Mistral-7B-v0.1. Разработчик дообучил модель в два этапа: SFT на обучающих примерах ARC-Challenge и ARC-Easy, затем DPO на синтетических парах правильных ответов и отвлекающих вариантов. Чекпойнт объединяет LoRA-адаптации и сохранён в bf16; в репозитории используются веса safetensors. Модель предназначена для генерации ответов на вопросы с выбором варианта, прежде всего для бенчмарка ARC-Challenge. По оценке авторов, acc_norm составила 71,84 ± 0,48 при официальном протоколе ARC-Challenge с 25 примерами и четырьмя seed, против 61,07 ± 0,36 у базовой модели при тех же условиях. Поддерживает английский язык; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Лицензия Apache-2.0. Результаты и настройка ориентированы на ARC, поэтому их нельзя считать гарантией качества на других задачах. DPO использует синтетические обучающие пары, а опубликованная проверка на бенчмарке не описывает качество в широком наборе реальных сценариев.

Это модель для определения одного из четырёх широких региональных вариантов норвежского языка по аудиозаписи речи. Её разработали в NbAiLab на основе энкодера NbAiLab/nb-whisper-medium: модель Whisper с архитектурой WhisperForAudioClassification полностью дообучена с классификационной головой и содержит 455,8 млн параметров. Модель предназначена для исследований норвежских диалектов и влияния просодии на их распознавание. Она обучалась на речи с монотонным контуром основного тона (F0), поэтому на вход следует подавать аудио, обработанное таким же образом, в моно, с частотой 16 кГц. Результат — метка одного из четырёх регионов: восток, запад, центральная Норвегия/Трёнделаг и четвёртая региональная категория. Доступен чекпойнт последней, третьей эпохи обучения. Обучение проводилось на парламентской речи взрослых из корпуса SSC с разделением обучающей и проверочной выборок по говорящим. Крупные региональные группы не отражают тонкие диалектные различия, а точность на разговорной речи, детской речи и речи неносителей не гарантирована. Модель не предназначена для решений с существенными последствиями для людей. Лицензия — Apache-2.0.

PolicyShiftGuard-3B-RP-SFT — промежуточная контрольная точка модели-ограничителя безопасности PolicyShiftGuard, выпущенная для воспроизводимости и абляционных сравнений. Это плотная мультимодальная модель Qwen2.5-VL с 3,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-3B-Instruct методом Stage-1 Randomized Policy SFT. Она принимает изображения и текстовые инструкции, анализирует наборы политик с перемешанными идентификаторами и порядком и формирует текстовые ответы. Модель поддерживает контекст до 128 000 токенов и рассчитана на диалоговое применение с визуальным вводом. Основные сценарии — воспроизведение двухэтапного обучения PolicyShiftGuard и сравнение первой стадии RP-SFT с финальной моделью PolicyShiftGuard-3B. Карточка прямо указывает, что этот чекпойнт промежуточный, а для обычной оценки и развёртывания следует использовать финальную модель. Модель выпущена под лицензией Apache-2.0.

Qwen3-0.6B-Gensyn-Swarm-tall_tame_panther — языковая модель для генерации текста, созданная на базе Qwen3-0.6B и дообучаемая с использованием фреймворка Gensyn RL-Swarm, алгоритма GRPO и распределённого обучения с подкреплением. Модель ориентирована прежде всего на математическое и логическое рассуждение, включая базовую арифметику, операции с дробями и десятичными числами, перевод между системами счисления, календарные вычисления и задачи на пропозициональную логику. Модель поддерживает разговорный формат Qwen3 и английский язык. Указаны совместимость с Transformers, Text Generation Inference и llama.cpp, а также варианты GGUF-квантизации F16, Q3_K_M, Q4_K_M и Q5_K_M для локального и периферийного запуска. Обучение выполняется непрерывно; в README указано, что на момент публикации завершено более 43 610 из 100 000 раундов. Размер контекста явно не указан, однако в примере конфигурации TGI используются ограничения до 4096 входных и 8192 суммарных токенов. Сильными сторонами модели являются небольшой размер, возможность локального запуска, поддержка нескольких форматов и специализация на арифметических и логических задачах. Ограничения связаны с малым объёмом обучающего набора — 1000 составных примеров, узкой предметной направленностью и продолжающимся обучением, из-за чего характеристики модели могут меняться со временем. Модель распространяется по лицензии Apache 2.0.

ResNet50.lunit_bt — модель классификации изображений и извлечения признаков для гистологических изображений, созданная Lunit. Это backbone ResNet-50 с 23,6 млн параметров, обученный методом self-supervised learning Barlow Twins на 33 млн гистологических патчей из нескольких наборов данных, включая BACH, CRC, MHIST, PatchCamelyon и CoNSeP. Максимальный размер входного изображения, указанный в карточке, — 1024 × 768 пикселя, 3 канала. Модель предназначена для классификации гистологических патчей и получения векторных эмбеддингов, которые можно использовать в последующих задачах анализа изображений патологических образцов. Репозиторий содержит веса в формате safetensors и указывает библиотеку timm. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

RussianNLP/ruRoBERTa-large-rucola — дообученная модель RuRoBERTa-large от RussianNLP для классификации лингвистической приемлемости на бенчмарке RuCoLA. Она оценивает, является ли русское предложение грамматически приемлемым, и подходит для экспериментов и автоматической разметки предложений в задачах лингвистики и обработки русского языка. Модель построена на архитектуре RoBERTa и содержит 454,1 млн параметров. Она принимает текст, выдаёт классовую метку и рассчитана на контекст до 514 токенов. Для дообучения использовались пять эпох, AdamW, пакет размером 32 и ранняя остановка по MCC на валидационной выборке. Модель распространяется по лицензии Apache-2.0. Её специализация — оценка приемлемости предложений в рамках RuCoLA; карточка не подтверждает качество на иных наборах данных или для более широких задач классификации.

Это модель классификации последовательностей на базе DeBERTa V3 Large, разработанная для автоматической оценки систем генерации разделов related work в RWGBench. Она анализирует контексты цитирования и относит их к функциональным категориям, формируя профили числа кадров для сравнения с эталонными текстами. Модель дообучена на MultiCite и предназначена для исследовательской оценки таких систем, а не для общей оценки качества научных статей или корректности цитирования. Модель содержит 533,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. Для многометочной декодировки применяются пороги из thresholds.json; если ни одна метка не проходит порог, RWGBench выбирает наиболее вероятную. На тестовой выборке MultiCite показаны Macro F1 0,5585 и Micro F1 0,6751; качество различается по категориям, в частности F1 для motivation составляет 0,3523, а для background — 0,7756. Лицензия — MIT.

RJ3vans/SignTagger — англоязычная модель разметки токенов на основе BERT, разработанная для выявления в последовательности признаков синтаксической сложности. Она присваивает токенам метки, описывающие содержащиеся в них признаки; модель предназначена для анализа текста и задач лингвистической разметки. Модель дообучена на google-bert/bert-large-cased и содержит 432,3 млн параметров. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. README связывает модель с кодом Dr. Le An Ha из Университета Вулверхэмптона и отсылает за подробностями к главам 2 и 3 диссертации. Лицензия — Apache-2.0.

VetBERT — предварительно обученная модель семейства BERT для работы с ветеринарными клиническими записями. Её разработчики адаптировали ClinicalBERT, основанную на Bio+Clinical BERT, дополнительно обучив её на корпусе VetCompass Australia: более чем на 15 миллионах клинических записей и 1,3 миллиарда токенов. Веса содержат 135,5 млн параметров, архитектура — BertForPreTraining, формат — PyTorch, максимальный контекст — 512 токенов. Модель предназначена для языковых задач в ветеринарной медицине; указанный сценарий — заполнение пропусков в тексте. В исследовательской работе на основе VetBERT также создана VetBERTDx, дообученная для классификации синдромов заболеваний по клиническим записям. Эта карточка описывает именно предварительно обученную VetBERT, поэтому классификацию следует выполнять после отдельного дообучения. Модель обучалась на англоязычных ветеринарных записях и распространяется по лицензии OpenRAIL.

CrosswordSpace++ — итальянский BERT cross-encoder-реранкер от cruciverb-it для подбора ответов на вопросы-кроссвордные подсказки. Модель оценивает пары «подсказка — кандидат ответа» и предназначена для второго этапа ранжирования: она переупорядочивает до 100 кандидатов, предварительно отобранных bi-encoder-моделью cruciverb-it/crosswordspacepp-dualencoder с учётом длины ответа. Модель построена на nickprock/sentence-bert-base-italian-xxl-uncased и имеет архитектуру BertForSequenceClassification с одним выходом и sigmoid-активацией. Она дообучена на 3 747 628 парах из обучающей части EVALITA 2026 CruciverbIT Task 1; максимальная длина последовательности в README — 84 токена, а контекстное окно по метаданным — 512 токенов. Размер модели — 137,9 млн параметров. Для итогового ранжирования авторы предлагают смешивать нормализованные оценки cross-encoder и bi-encoder с весом 0,17 для cross-encoder. На тестовом наборе EVALITA 2026 CruciverbIT Task 1 комбинация двух моделей показала Acc@1 68,2%, Acc@10 85,5% и MRR@10 74,5%; сам реранкер — Acc@1 59,9%, Acc@10 83,1% и MRR@10 67,9%. Это специализированная модель для итальянских кроссвордов, а не универсальный поисковый реранкер; ей необходимы пары подсказок и кандидатов, обычно полученные от первого этапа. Лицензия — CC BY 4.0.

R938 — SoftCtx × MidRank × HiBeta UltraLoLR — это экспериментальный чекпойнт семейства Qwen 3.5 MoE от автора crazyape777, дообученный на базе vera6/affine-5g4yy75zuz-t6 методом offline DPO. Модель предназначена для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4; автор прямо указывает, что это не универсальная чат-модель. При дообучении модель оптимизировали на предпочтение рассуждений, которые повышают оценку Reason у модели-учителя. В README указаны LoRA rank 32, β=0,3, длина последовательности 12 288 токенов, 19 200 шагов и четыре эпохи. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Для оценки описан результат на выборке из 80 примеров, но он не гарантирует аналогичного качества в других задачах.

HW1 HC3 Detector — модель Chengwei-Shen для классификации ответов из датасета HC3 как написанных человеком или ChatGPT. Это дообученная для учебного задания модель на базе sentence-transformers/all-MiniLM-L6-v2 с архитектурой BERT для классификации последовательностей; размер составляет 25,9 млн параметров. Модель принимает текст длиной до 512 токенов и выдаёт один из двух классов. Модель предназначена для экспериментов с обнаружением текста ChatGPT на ответах HC3. В README указана точность 0,9914 на тестовом наборе с фиксированными разбиениями; этот результат относится к данному набору данных и не гарантирует такое же качество на других текстах. Доступ к модели представлен в формате safetensors; лицензия в доступных сведениях не приведена.

MentaLLaMA-chat-13B — языковая модель проекта MentaLLaMA для интерпретируемого анализа психического здоровья. Она дообучена с инструкционным режимом на основе Meta LLaMA 2 Chat 13B и набора IMHI, включающего 75 тысяч инструкций. Модель содержит 12,9 млрд параметров, использует архитектуру LLaMA и поддерживает контекст до 4096 токенов. Модель предназначена для анализа различных состояний психического здоровья и генерации объяснений к прогнозам. Авторы сообщают, что на тестовых примерах бенчмарка IMHI она приблизилась к специализированным дискриминативным методам по корректности и качеству объяснений. Она принимает текст и генерирует текст на английском языке; доступна в формате PyTorch и распространяется по лицензии MIT. Результаты предназначены только для неклинических исследований и не заменяют оценку психиатра или другого клинического специалиста. Возможны ошибочные прогнозы, неподходящие объяснения, чрезмерные обобщения и смещения, включая различия по гендеру.

Карточка модели ledgernova/sn120-8ef1b06acfe8 на Hugging Face совпадает с карточкой crazyape777/fk-unconst-affine-5czsc2fc98-r938-vera-odpo-midrank-hibeta-soft, поэтому описание составлено по ней. R938 — SoftCtx × MidRank × HiBeta UltraLoLR — это экспериментальный чекпойнт семейства Qwen 3.5 MoE от автора crazyape777, дообученный на базе vera6/affine-5g4yy75zuz-t6 методом offline DPO. Модель предназначена для участия в SN120 Affine miner и оценки в дуэльном сценарии Reason v4; автор прямо указывает, что это не универсальная чат-модель. При дообучении модель оптимизировали на предпочтение рассуждений, которые повышают оценку Reason у модели-учителя. В README указаны LoRA rank 32, β=0,3, длина последовательности 12 288 токенов, 19 200 шагов и четыре эпохи. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Для оценки описан результат на выборке из 80 примеров, но он не гарантирует аналогичного качества в других задачах.

SPIDER-thorax — модель HistAI для классификации гистологических изображений лёгочной и другой торакальной ткани на уровне патчей. Она дообучена на базе визуального энкодера Hibou-L и входит в инициативу SPIDER, посвящённую размеченным гистологическим данным для разных органов. Модель принимает изображения размером 1120×1120 пикселей и относит патчи к классам тканей; в обучающем наборе SPIDER-thorax указано 78 307 центральных патчей, а также контекстные патчи, всего 599 459 патчей с 411 слайдов. В опубликованной оценке для торакальных образцов указаны accuracy 0,962, precision 0,958 и F1 0,960. Эти результаты относятся к описанной авторами оценке и не гарантируют такого же качества на других наборах данных или в клиническом применении. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование; для коммерческой лицензии авторы предлагают связаться с HistAI.

ajrayman/Depression_continuous — дообученная модель классификации текста на базе microsoft/deberta-v3-base, построенная на архитектуре DeBERTa-v2. Она предназначена для оценки текста по непрерывной шкале, связанной с депрессией. В карточке приведены результаты на наборе оценки: RMSE 0,2672, MAE 0,2149 и корреляция 0,4697; описание обучающих данных и подробности применения не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт предсказание для задачи классификации. Опубликована в формате safetensors, использует библиотеку Transformers и распространяется по лицензии MIT.

GysBERT v1 — историческая языковая модель для нидерландского языка из проекта MacBERTh. Она разработана на основе BERT base uncased и содержит 136,7 млн параметров; модель опубликована в формате PyTorch, принимает текст с контекстом до 512 токенов. Предобучение выполнено преимущественно на материалах DBNL и архиве газет Delpher. Модель предназначена для работы с историческим нидерландским текстом и успешно проверялась на задачах снятия лексической неоднозначности (Word Sense Disambiguation), в том числе в рамках исследования о снятии неоднозначности слов в исторических языках. Карточка не описывает другие подтверждённые задачи или обновлённый вариант модели. Лицензия — MIT. Результаты проверки указаны для задач из публикации; качество на иных корпусах и современных текстах README не характеризует.

LMEnt 1B full control — исследовательская базовая языковая модель, подготовленная авторами работы «Can Concept Erasure Reproduce Concept Exclusion? A Matched Evaluation of EMBER, RMU, and SNMF». Это причинная плотная модель на архитектуре OLMo2 с 1,1 млрд параметров: 18 слоёв, размер скрытого состояния 2048, 16 голов внимания, контекст до 2048 токенов. Модель обучена на корпусе Википедии с аннотациями сущностей LMEnt в течение двух эпох; связанные с понятиями фрагменты не исключались из функции потерь. Чекпойнт служит общей контрольной моделью для экспериментов по исключению и удалению понятий, в частности по темам Древнего Рима, бейсбола и искусственного интеллекта. Это англоязычная причинная языковая модель без дообучения для следования инструкциям; её используют как основу для сравнения с моделями-близнецами и последующими редакциями весов, а варианты ответов оценивают по вероятности текста. Репозиторий содержит преобразованные веса в формате safetensors, токенизатор и конфигурацию; авторы уточняют, что модель не является дообучением отдельно выпущенного чекпойнта OLMo2. Модель предназначена для исследовательских сравнений и не заявлена как готовый чат-ассистент. Она может воспроизводить ошибки и смещения материалов Википедии, не имеет настройки безопасности, а результаты экспериментов не доказывают общего удаления знаний или отсутствия понятия. В карточке лицензия на веса не заявлена.

MetaAligner-IMHI-13B — языковая модель проекта MetaAligner, разработанная для интерпретируемого анализа психического здоровья по публикациям в социальных сетях. Она дообучена на базе Meta LLaMA2-13B с использованием динамического многокритериального набора данных, созданного на основе IMHI. Модель предназначена для генерации ответов в стиле ИИ-психолога и выравнивания ответов по нескольким предпочтениям, включая цели, не встречавшиеся при обучении. Модель построена на архитектуре LlamaForCausalLM, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке указан английский язык. Репозиторий содержит веса PyTorch, а лицензия — MIT. Авторы сообщают об экспериментальной оценке многокритериального выравнивания; результаты не подтверждают пригодность модели для постановки диагноза или замены специалиста.