I.12Рекомендации и персонализация

Модель aalonso-developer/vit-base-patch16-224-in21k-clothing-classifier — дообученная модель классификации изображений на основе Google ViT Base Patch16 224 In21k. Архитектура Vision Transformer содержит около 113,2 млн параметров; модель принимает изображения и относит их к категориям одежды. Репозиторий содержит веса в формате TensorFlow. В README приведены результаты на оценочной выборке: точность обучения 96,86%, точность валидации 79,06%, а точность с учётом трёх наиболее вероятных классов на валидации — 94,37%. Датасет и перечень классов не описаны, поэтому область применения за пределами классификации одежды не установлена. Лицензия — Apache-2.0.

Rocketknight1/bert-base-cased-finetuned-swag — модель BERT, дообученная на базе bert-base-cased для задачи выбора одного ответа из нескольких вариантов. Она предназначена для задач с вопросом и набором вариантов ответа, в частности для оценки утверждений в стиле SWAG. Модель содержит 135,5 млн параметров, использует регистрозависимый BERT и принимает последовательности длиной до 512 токенов. Доступен формат TensorFlow. В README приведены результаты обучения: точность на валидационной выборке 0,759 и потери 0,6167; название обучающего набора данных и подробности оценки не раскрыты. Модель выпущена под лицензией Apache-2.0.

ymelka разработала дообученный французский cross-encoder на базе DistilCamemBERT для переупорядочивания результатов поиска по аптечным карточкам и лекарствам. Модель предназначена для короткого списка кандидатов, найденного отдельным поисковым модулем: она оценивает релевантность карточек запросам о дженериках, дозировке, лекарственной форме, способе применения и подходящей возрастной группе. Размер в метаданных — 81,2 млн параметров; README указывает около 68 млн. Архитектура — CamemBERT для классификации последовательностей, формат весов — safetensors; контекст модели по метаданным — 514 токенов, а в рецепте обучения и примере использования задано ограничение 256 токенов. Модель лицензирована по MIT. В описанном тесте на аптечных данных она улучшила метрики переупорядочивания относительно родительской модели, особенно для запросов о замене препарата. Результаты ограничены условиями оценки: проверялись преимущественно французские аптечные карточки и запросы, а лекарственные сущности частично пересекались между обучением и тестом. Модель не проверена для оценки противопоказаний, взаимодействий, беременности, почечных или печёночных состояний и не предназначена для принятия клинических решений.

bennexx подготовил классификатор японских предложений по уровням JLPT, дообучив cl-tohoku/bert-base-japanese-v3 на примерно 5000 размеченных предложениях с сайтов для изучающих язык. Модель использует архитектуру BERT, содержит 138,4 млн параметров и принимает текст длиной до 512 токенов; результатом служит один из классов N5, N4, N3, N2 или N1. Модель подходит для примерной оценки сложности отдельного японского предложения, например при подборе учебных текстов или сортировке материалов по уровню JLPT. На тестовых данных, близких к обучающей выборке, указана точность 0,84, однако на официальных материалах JLPT качество заметно хуже, поэтому оценку не следует считать точной. Лицензия в метаданных указана как cc.

CRAB_bert_base_uncased_finetuned — модель на архитектуре BERT, дообученная разработчиком Ariffiq99 для задачи multiple-choice: выбора ответа из нескольких вариантов по заданному контексту или вопросу. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель принимает текст и выдаёт оценку вариантов ответа. В карточке приведены результаты оценки: loss 1,0100 и F1 0,7250. Датасет и конкретная область применения не описаны, поэтому качество в других задачах и переносимость на новые данные по этим результатам определить нельзя. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

Idan/fga-ndcg — модель Factor Graph Attention, разработанная на основе подхода FGA из работы CVPR 2019 и дообученная автором на плотных оценках релевантности для визуального диалога. Она принимает изображение и историю диалога с вопросом, а затем ранжирует 100 предложенных ответов; обучение оптимизирует NDCG, учитывая градации релевантности, выставленные пятью аннотаторами. Модель основана на архитектуре FGA для визуального диалога и рассчитана на набор VisDial v1.0. На валидационной выборке автор сообщает NDCG 69,07; компромисс этой настройки — MRR 49,03, ниже, чем у варианта, обученного на разреженных метках. Репозиторий содержит веса Safetensors и указывает библиотеку Transformers. Лицензия — MIT.

Модель 7k8k7/bert-base-uncased-finetuned-swag — дообученная версия BERT-base-uncased от Google для задачи multiple choice: она оценивает варианты ответа в контексте и выбирает наиболее подходящий. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает текстовые входные данные с максимальной длиной контекста 512 токенов. В README приведены результаты оценки: accuracy 0,8005 и loss 0,8480; обучающий датасет не установлен. Модель распространяется по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения и ограничения качества.

meet5568 разработала BhashaEmbed Hindi Songs — плотную BERT-модель на базе AkshitaS/bhasha-embed-v0, дообученную полным обновлением параметров методом TSDAE на текстах песен из индийских фильмов. Модель строит векторные представления строк и фрагментов песен на хинди в деванагари, романизированном хинди (хинглиш) и английском; размер модели — 264,8 млн параметров, библиотека — Sentence Transformers, формат весов — safetensors. Максимальная длина последовательности в README — 400 токенов, контекст модели по метаданным — 512 токенов. Модель предназначена для тематической классификации текстов песен и анализа изменений в хинди-музыке между поколениями и периодами. Обучение проводилось на 8 464 песнях и 28 713 фрагментах куплетов с балансировкой письменностей. Лицензия — Apache-2.0. Это доменно адаптированная модель эмбеддингов, а не генеративная модель. В README отмечено, что тематического обучения с разметкой не проводилось и модель не оценивалась на задачах за пределами текстов хинди-песен; полное дообучение также допускает значительное смещение весов относительно базовой модели.

Consc_continuous — англоязычная модель классификации последовательностей, созданная ajrayman тонкой настройкой microsoft/deberta-v3-base. Она содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текст длиной до 512 токенов. Карточка приводит результаты на тестовом наборе: loss 0,0352, RMSE 0,1875, MAE 0,1491 и корреляция 0,3714; назначение целевой оценки и подробности набора данных не раскрыты. Модель можно применять для предсказания непрерывной оценки по тексту в сценариях, где подходит классификатор последовательностей с соответствующей настройкой. Распространяется по лицензии MIT. README не описывает intended use, обучающие данные или известные ограничения.

Модель e_care_CRAB_COPA_albert_base_finetuned — дообученная версия Ariffiq99/CRAB_COPA_albert_base_finetuned на архитектуре ALBERT с 136,3 млн параметров. Она предназначена для задачи multiple-choice: модель оценивает варианты ответа и помогает выбрать наиболее подходящий. Контекст составляет 512 токенов. В README приведены результаты оценки: loss 0,7816 и F1 0,6645. Датасет дообучения не уточнён. Модель распространяется в формате safetensors по лицензии Apache-2.0.

czw/gpt2-base-chinese-finetuned-job-resume — языковая модель семейства GPT-2, созданная дообучением ckiplab/gpt2-base-chinese на неизвестном наборе данных. Она предназначена для генерации текста по заданному контексту; название указывает на специализацию на резюме и вакансиях, но README не раскрывает конкретные сценарии обучения или применения. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекст длиной до 1024 токенов. В карточке приведён результат оценки: loss 2.2658. Репозиторий содержит веса PyTorch, лицензия — GPL-3.0. Состав и качество обучающих данных, языковые возможности и ограничения в README не раскрыты.

OLMo-2-1124-7B-RM-Preview — англоязычная reward-модель Allen Institute for AI (Ai2), созданная на основе диалоговой OLMo 2 7B SFT и обученная на варианте набора Tülu 3 и данных предпочтений. Это плотная модель семейства OLMo 2 с 6,9 млрд параметров, контекстом до 4096 токенов и архитектурой классификации последовательностей; она принимает текст и оценивает ответы для задач ранжирования предпочтений и обучения с подкреплением. Модель использовалась для инициализации value-моделей в обучении RLVR. Карточка не приводит отдельного бенчмарка reward-модели, поэтому её качество как самостоятельного оценщика не подтверждено. OLMo 2 имеет ограниченное обучение безопасности и может выдавать проблемные ответы при соответствующих запросах. Веса распространяются по лицензии Apache 2.0.

Это японская модель BERT-base, разработанная на основе cl-tohoku/bert-base-japanese-v2 и дообученная автором репозитория на версии 1 датасета WRIME. Модель принимает японские твиты и оценивает интенсивность восьми эмоций: радости, грусти, предвкушения, удивления, гнева, страха, отвращения и доверия. Для каждой эмоции она выдаёт отдельную оценку для автора текста и усреднённую оценку читателей — всего 16 регрессионных выходов. Модель предназначена для анализа эмоциональной окраски японских сообщений в соцсетях, в том числе для сравнения предполагаемых эмоций автора и читателей. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальный контекст — 512 токенов. Карточка приводит результаты оценки на тестовой части WRIME. При регрессионном обучении модель может выдавать оценки за пределами диапазона обучающих меток. Она обучена на японских твитах WRIME, поэтому перенос результатов на другие жанры и языки не подтверждён. Лицензия — CC BY-SA 3.0.

Модель e_care_CRAB_COPA_KUCI_bert_base_uncased_finetuned — дообученная версия Ariffiq99/CRAB_COPA_KUCI_Bert_Base_Uncased_finetuned, разработанная автором репозитория Ariffiq99. Это плотная BERT-модель с головой BertForMultipleChoice, предназначенная для выбора наиболее подходящего ответа из нескольких вариантов. Она содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В README приведены результаты оценки: loss 0,8644 и F1 0,7531; набор данных для дообучения не назван. Модель распространяется по лицензии Apache-2.0.

Llama-3.1-8B Taiwan Chat — дообученная с помощью QLoRA на подмножестве TaiwanChat модель Meta-Llama-3.1-8B-Instruct, созданная для более естественного традиционного китайского языка с тайваньской лексикой и местным контекстом. По README, обучение выполнялось с Unsloth, а адаптер объединён с базовыми весами в полный вариант fp16; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель работает в формате text-generation и поддерживает диалоговый сценарий. Её можно применять для ответов на бытовые вопросы о Тайване, рекомендаций о местной еде и местах, а также объяснения различий между тайваньским и материковым китайским. Примеры в карточке показывают, что дообучение не гарантирует фактическую точность: ответы могут содержать ошибки, в том числе о местной культуре и реалиях. Возможны фрагменты упрощённого китайского или английского; дополнительное выравнивание безопасности не проводилось, поведение в этой области унаследовано от базовой модели. Модель распространяется по лицензии Llama 3.1 Community License с требованиями Acceptable Use Policy. README указывает, что из-за лицензии обучающих данных TaiwanChat CC BY-NC 4.0 модель предназначена только для исследований и некоммерческого использования.

Merlyn-education-teacher-assistant — плотная авторегрессионная модель GPT-NeoX примерно на 12 млрд параметров, обученная Merlyn Mind на базе EleutherAI/pythia-12b. Она предназначена для образовательной среды в классе и вне его: по ходу обсуждения в классе предлагает полезные рекомендации, исследовательские задания и темы для дальнейшего изучения. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Для запуска в полной точности требуется более 48 ГБ видеопамяти; в README в качестве примера указана одна A100 с 80 ГБ, а для меньших GPU предлагаются несколько устройств или сниженная точность. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

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

PDAP/url-relevance — модель классификации текста на базе DistilBERT, опубликованная 7 марта 2024 года. По карточке она обучена с нуля на неизвестном наборе данных; подробности об авторе и назначении в README отсутствуют. Метаданные указывают на задачу text-classification и архитектуру DistilBertForSequenceClassification с контекстом до 2048 токенов. Название репозитория предполагает оценку релевантности URL, однако карточка не подтверждает, какие именно тексты или URL модель принимает и как интерпретировать её классы. Указаны веса в формате safetensors и TensorFlow. README не содержит сведений о метриках, обучающих данных, ограничениях или лицензии, поэтому применимость модели для конкретных сценариев и условия её использования подтвердить нельзя.

Xinyuan-LLM-14B-0428 — плотная языковая модель на 14 млрд параметров, выпущенная Cylingo Group и дообученная на базе Qwen/Qwen3-14B-Base. Она предназначена для поддержки в сфере психического здоровья, сценариев психологического сопровождения и решения вопросов воспитания детей и семейной жизни. Разработчик заявляет обучение на миллионах примеров из разных сценариев этой области и поддержку персонализированных психологических профилей. Модель работает с текстом, имеет контекст до 32 768 токенов и поддерживает английский и китайский языки. Метаданные указывают возможности диалогового взаимодействия и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.

KUCIecareCRABAlbertBaseFinetuned — дообученная модель на базе Ariffiq99/e_care_CRAB_COPA_albert_base_finetuned для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру ALBERT и содержит 136,3 млн параметров; максимальная длина контекста — 512 токенов. Модель может оценивать предложенные варианты и выбирать наиболее подходящий ответ. В README приведены результаты на оценочной выборке: loss 1,3258 и F1 0,3692. Данные обучения не описаны, поэтому эти показатели не позволяют судить о качестве в конкретных сценариях. Модель распространяется по лицензии Apache-2.0.

Brendan/refpydst-100p-referredstates — модель эмбеддингов на базе MPNet, дообученная разработчиком на 100%-м few-shot-разбиении MultiWOZ с использованием supervised contrastive loss. Она предназначена для поиска подходящих примеров из обучающей выборки MultiWOZ, которые можно передавать модели как контекст при решении задач диалога. Для корректной работы примеры и запросы должны быть оформлены в специальном формате; модель не рассчитана на общее применение как кодировщик предложений. Модель преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и сравнения сходства. Имеет 136,7 млн параметров, контекст до 514 токенов и распространяется в формате PyTorch. В README лицензия не указана.

Tulu V2.5 13B RM — англоязычная модель вознаграждения, разработанная AllenAI для обучения с подкреплением на основе человеческих предпочтений. Она оценивает текстовые ответы помощника и предназначена прежде всего для использования в PPO-пайплайнах и исследованиях методов RLHF, а не как самостоятельный чат-бот. Модель основана на архитектуре Llama 2, содержит 12,9 млрд параметров и принимает текст с шаблоном диалога, заданным в токенизаторе; контекст составляет 4096 токенов. Модель дообучена на наборе HH-RLHF 60k с использованием данных Tulu и обучалась с помощью JAX RM trainer на EasyLM. Карточка указывает английский язык и лицензию Apache 2.0. Оценки модели отражают предпочтения, усвоенные из обучающих данных, и могут не совпадать с предпочтениями конкретного приложения; для надёжного применения требуется оценка и настройка в целевом пайплайне.

moinsaj/aaie-ddense-gft-yarn2-fg-lora — экспериментальная модель генерации структурированной обратной связи, созданная дообучением AAIE-Distilled Dense Instruct в формате Llama. Разработчик использовал LoRA ранга 8 с alpha 20, затем объединил адаптер с базовой моделью; оригинальный адаптер сохранён в подкаталоге репозитория. Модель имеет 354,4 млн параметров и рассчитана на генерацию диалогового текста через Transformers. Контекст настроен на 2 048 токенов с YaRN factor 2.0 относительно исходного окна в 1 024 токена. Обучение проводилось в течение двух эпох на 450 примерах генерации обратной связи; для диагностики использовались отдельные выборки валидации и оценки. Язык обучающих данных в доступных сведениях не указан. Это исследовательский артефакт для целевого эксперимента по генерации обратной связи. Модель не проверялась экспертами на образовательную корректность, обоснованность, справедливость и пригодность к развёртыванию; её не следует использовать для принятия решений об оценке учащихся. Эксперимент с окном 2 048 токенов не подтверждает общую способность к длинному контексту. Сведения о лицензии в предоставленных источниках отсутствуют.

CRAB_COPA_KUCI_Albert_Base_finetuned — модель Ariffiq99, дообученная на базе Ariffiq99/COPA_KUCI_albert_base_finetuned для выбора одного ответа из нескольких вариантов. Она использует плотную архитектуру ALBERT и содержит 136,3 млн параметров; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: loss 1,0723 и F1 0,7417, однако набор данных и подробности оценки не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Peppizza/deberta_v3_finetune_hellaswag — модель Peppizza на базе DeBERTa-v3-base от Microsoft, дообученная на датасете HellaSwag для выбора наиболее подходящего продолжения ситуации из нескольких вариантов. Она использует архитектуру DeBERTa-v2 для задачи multiple-choice, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. В README указаны результаты на evaluation set: loss 0,3999 и accuracy 0,8765. Модель предназначена для оценки правдоподобия повседневных сценариев и выбора подходящего продолжения на английском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит дополнительных сведений об ограничениях или обучении.

XRe03/my_awesome_swag_model — англоязычная модель на архитектуре BERT, дообученная автором на неизвестном датасете для задач с выбором одного варианта ответа из нескольких. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает текстовые варианты ответа в контексте до 512 токенов. Модель предназначена для оценки вариантов в формате multiple choice; в README указаны accuracy 0,7321 и loss 2,0352 на тестовом наборе, но состав набора и методика оценки не описаны. Распространяется в формате safetensors по лицензии Apache-2.0.

SEA-CLIP-Tiny — экспериментальный мультимодальный CLIP-чекпойнт, созданный для исследования влияния состава обучающих данных. Эта абляционная версия обучена только на наборах данных Юго-Восточной Азии; архитектура, конвейер и гиперпараметры совпадают с основной SEA-CLIP-Tiny. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и для поиска соответствий между изображениями и текстом. Визуальная часть использует ViT-T/16, текстовая — 12-слойный трансформер шириной 384; размер эмбеддинга — 512, всего 46,11 млн параметров. Применяются CLIP BPE с контекстом 77 токенов. Заявлены английский и несколько языков Юго-Восточной Азии, включая индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. Чекпойнт работает через open_clip и распространяется по лицензии MIT. В README приведены результаты абляции, в том числе точность 5,6% на ImageNet, поэтому модель следует рассматривать как исследовательский вариант, а не универсальную модель распознавания. Качество может существенно зависеть от языка и обучающего распределения; приведённые метрики ограничены указанными тестами.

BoostBot — диалоговая модель на архитектуре InternLM2, дообученная на базе InternLM2.5-7B-Chat. Она предназначена для генерации персонализированных комплиментов и доброжелательных, ободряющих ответов, которые помогают поднять настроение, поддержать уверенность и сделать общение в социальных и рабочих ситуациях более непринуждённым. Модель содержит 7,4 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. В метаданных указан английский язык и интерфейс чата. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает модель как помощника для эмоциональной поддержки в повседневном общении. Она не позиционируется как клинический инструмент или замена профессиональной помощи; качество и уместность сгенерированных комплиментов могут зависеть от контекста.

KUCI_xlm_roberta_large_Finetuned — модель XLM-RoBERTa large, дообученная автором репозитория на датасете, который в карточке не назван. Она предназначена для выбора правильного варианта ответа в задачах multiple choice. В метаданных указаны архитектура XLMRobertaForMultipleChoice, 658,7 млн параметров, контекст до 514 токенов и формат safetensors. В оценке на тестовом наборе указаны loss 0,8479 и F1 0,8503, но описание набора и протокола оценки отсутствует. Базовая модель XLM-RoBERTa рассчитана на 100 языков; конкретные языки и специализация этой версии не уточнены. Модель распространяется по лицензии MIT.

FineVT/mistral-7b-v0.1-social_iqa — дообученная FineVT модель на основе unsloth/mistral-7b-bnb-4bit, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; название репозитория указывает на дообучение для Social IQA, то есть вопросов и ответов о социальных ситуациях и повседневных рассуждениях. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Выпущена под лицензией Apache-2.0. README не содержит результатов оценки качества или подробных рекомендаций по использованию, поэтому способность отвечать на вопросы Social IQA следует считать ориентиром назначения, а не подтверждённой гарантией качества.