I.1Поиск и навигация по информации

shuaih777/music-crs-biencoder-personalized — англоязычная Sentence Transformer-модель на базе BAAI/bge-large-en-v1.5, дообученная для сопоставления текстовых запросов и предложений. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и использует косинусное сходство; архитектура включает BertModel, CLS-пулинг и нормализацию. Модель рассчитана на семантический поиск и сравнение текстов, в том числе персонализированных запросов о музыкальных рекомендациях. Контекст ограничен 512 токенами, библиотека — Sentence Transformers; веса доступны в формате safetensors. README не сообщает лицензию.

PLLuM-12B-chat-2412 — диалоговая языковая модель из семейства PLLuM, разработанного для польского и других славянских и балтийских языков с дополнительными англоязычными данными. Модель основана на архитектуре Mistral, содержит 12,1 млрд параметров и работает с контекстом до 131 072 токенов. Для запуска предусмотрена библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалоговой помощи: она может отвечать на вопросы, составлять краткие изложения и служить основой специализированных ассистентов. В карточке семейство PLLuM также описано как применимое к польским административным и юридическим темам, особенно в сценариях с поиском по документам. Для версии с суффиксом chat заявлено обучение на предпочтениях людей, ориентированное на диалог и более безопасное взаимодействие. Разработчики отмечают, что модель может выдавать фактически неверные ответы и проявлять предвзятость в спорных или субъективных темах; работа с очень длинным контекстом зависит от доступной памяти. Лицензия этой модели — Apache-2.0.

ptt5-v2-base — текстовая модель семейства T5, разработанная группой Unicamp-DL как продолжение предобучения исходной модели Google для португальского языка. Чекпойнт содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате PyTorch; нативный контекст — 512 токенов. Модель предназначена для преобразования текста в текст на португальском языке и служит базой для задач NLP. Чекпойнты ptt5-v2 также использовались для обучения португальских MonoT5-реранкеров. Модель распространяется по лицензии Apache-2.0.

rubra-ai/Qwen2-7B-Instruct — дообученная компанией Rubra модель Qwen2-7B-Instruct для диалогов и многошагового вызова функций и инструментов. Модель основана на плотной авторегрессионной архитектуре Qwen2, содержит 8 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текстовые ответы и вызовы инструментов. Модель предназначена для чат-ботов и агентных сценариев, где ассистент выбирает функции, передаёт им аргументы, получает результаты и продолжает диалог. В README указано, что модель прошла дополнительное постобучение с замороженными параметрами и DPO на закрытом наборе данных с примерами вызова функций, диалогов и инструкций. Заявлена лицензия Apache-2.0. Модель может выдавать предвзятые или ошибочные ответы; результаты в чувствительных и критически важных сценариях требуют проверки. Языковые метаданные карточки указывают английский и китайский, но README не уточняет качество поддержки каждого языка.

FinaPolat/Qwen3-8B-grounded_KGC-sft-domains — генеративная языковая модель семейства Qwen3, опубликованная пользователем или организацией FinaPolat. Модель доступна для работы через библиотеку Transformers и имеет около 7,6 млрд параметров; в метаданных указаны обучение с учителем (SFT), TRL и conversational-сценарии. По названию репозитория модель ориентирована на grounded KGC и доменную адаптацию, поэтому может применяться для генерации ответов с опорой на контекст или знания, а также для задач, связанных с дополнением графов знаний и специализированными доменными инструкциями. Нативная длина контекста составляет 40 960 токенов, что позволяет обрабатывать достаточно объёмные входные данные. Лицензия, поддерживаемые естественные языки, точная архитектура, состав обучающих данных и результаты оценки в доступных материалах не описаны.

Карточка модели sapienzanlp/relik-reader-deberta-v3-large-aida на Hugging Face совпадает с карточкой sapienzanlp/relik-reader-deberta-v3-base-aida, поэтому описание составлено по ней. Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.

Byunghwee/roberta_belief_finetuned — модель Sentence-Transformers на базе RoBERTa, дообученная на триплетах убеждений из датасета Debate.org. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска и сравнения смыслового сходства, кластеризации и анализа контекстных связей между убеждениями. В метаданных указано 151,8 млн параметров и контекст до 514 токенов; модель использует библиотеку sentence-transformers и распространяется в формате safetensors. Модель подходит для семантического поиска и группировки текстов об убеждениях, а также для получения эмбеддингов, учитывающих их контекстные отношения. Она обучалась с TripletLoss на триплетах, извлечённых из Debate.org. Лицензия в предоставленных данных не указана.

Veritone распространяет текстовую башню модели SigLIP 2 So400m patch14-384 от Google: это отдельная копия текстового энкодера исходной модели google/siglip2-so400m-patch14-384. Она преобразует текстовые запросы в общее пространство эмбеддингов, сопоставимое с представлениями изображений, и предназначена для использования при поиске отдельно от визуальной башни, что позволяет сократить расход памяти и время загрузки. Модель подходит для классификации изображений по текстовым меткам без дообучения, поиска изображений по запросу и в качестве текстового компонента систем сопоставления текста и изображений. Семейство архитектуры — SigLIP; модель работает с текстом и сама по себе не содержит визуальную башню. Контекст составляет 64 токена. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0. README указывает предварительное обучение SigLIP 2 на наборе WebLI.

xusenlin/uie-base — китайская модель для универсального извлечения информации, основанная на подходе UIE, предложенном Яоцзе Лу и соавторами на ACL 2022. По карточке модель обучена PaddleNLP на базе ERNIE 3.0 и объединяет извлечение сущностей, отношений и событий, а также анализ тональности в единой схеме.

AI-vs-Deepfake-vs-Real-v2.0 — модель классификации изображений от prithivMLmods, дообученная на визуальном энкодере Google SigLIP 2 Base Patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: сгенерированное ИИ, дипфейк или подлинная фотография. Модель предназначена для проверки подлинности изображений, анализа медиаконтента и поддержки цифровой экспертизы. Прикладные сценарии включают фильтрацию изображений в новостных и социальных сервисах и предварительную проверку материалов для фактчекинга. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Это модель классификации текста на основе ALBERT-base-v2, дообученная TextAttack на наборе данных AG News для отнесения новостных текстов к тематическим категориям. Она принимает последовательность текста и выдаёт метку класса; модель обучалась пять эпох с максимальной длиной последовательности 128 токенов. В карточке указана точность 0,947 на проверочной выборке. Модель предназначена для классификации новостных публикаций по категориям AG News. Архитектура — ALBERT для классификации последовательностей; размер составляет 136,3 млн параметров, нативное окно контекста — 512 токенов. Лицензия в предоставленных данных не указана.

ilsilfverskiold/bart-keyword-extractor — англоязычная модель BART, дообученная на facebook/bart-large для извлечения ключевых слов из текста. Она генерирует основные ключевые слова по входному тексту и подходит для автоматической разметки новостных материалов и подготовки метаданных для поиска. Модель содержит 252,8 млн параметров, использует архитектуру encoder-decoder и принимает контекст длиной до 1024 токенов. В README приведено значение loss 0,6179 на оценочном наборе; иных сведений о качестве нет. Модель распространяется по лицензии Apache-2.0.

Модель Jorgeutd/bert-large-uncased-finetuned-ner — англоязычная модель распознавания именованных сущностей, созданная дообучением Google BERT Large Uncased на наборе CoNLL-2003. Это трансформер BERT с архитектурой BertForTokenClassification, примерно 433,9 млн параметров и контекстом до 512 токенов. Модель принимает текст и присваивает метки токенам, позволяя выделять сущности в тексте; для запуска доступен конвейер NER в Transformers. На тестовой выборке CoNLL-2003 указаны F1 0,954, точность 0,9505 и полнота 0,9575. Модель рассчитана на англоязычные новостные тексты, сходные с обучающими данными; в других предметных областях и временных периодах качество может снижаться. Иногда сущностями помечаются части слов, поэтому результатам может потребоваться постобработка. Лицензия Apache-2.0.

jurabi разработала японскую модель BERT для распознавания и классификации именованных сущностей в тексте. Модель использует архитектуру BertForTokenClassification и насчитывает 138,4 млн параметров; для токенизации применяется японский BERT-токенизатор. Базовая модель — cl-tohoku/bert-base-japanese-v2, дообученная на наборе stockmarkteam/ner-wikipedia-dataset. Модель извлекает восемь типов сущностей: имена людей, компании, политические и другие организации, географические названия, объекты инфраструктуры, названия продуктов и произведений, а также события. Она принимает японский текст и возвращает разметку токенов с типами сущностей; поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Подходит для извлечения сущностей из японских документов и текстов на основе Википедии. В README не приведены оценки качества; результат на других жанрах текста может отличаться. Лицензия — Creative Commons Attribution-ShareAlike 3.0.

CoE-Wiki-CoE-8B-i1-GGUF — квантизированная версия мультимодальной модели PeiyangLiu/CoE-Wiki-CoE-8B, подготовленная mradermacher в формате GGUF. Модель относится к семейству Qwen3-VL и предназначена для работы с визуальными данными, визуальными вопросами и пониманием документов, включая сценарии, где требуется сопоставлять сведения и формировать ответы на основе цепочки доказательств. В README указан английский язык. Модель имеет около 8 миллиардов параметров и поддерживает мультимодальный ввод, однако точная архитектура и размер контекстного окна не указаны. Репозиторий содержит множество вариантов квантизации, от очень компактных IQ1 до более качественных Q6_K; рекомендуемыми названы i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Более агрессивные варианты уменьшают требования к памяти, но могут заметно снижать качество ответов. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Модель распространяется по лицензии Apache-2.0. README не содержит результатов бенчмарков, точных требований к оборудованию, ограничений по разрешению изображений или подробных сведений о качестве на разных задачах, поэтому эти характеристики нельзя оценить по имеющимся данным.

Erlangshen-TCBert-110M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang-LM. Это вариант TCBert с примерно 129,5 млн параметров, предназначенный для получения векторных представлений предложений и классификации тем. Модель предварительно обучалась контрастивным методом на многочисленных наборах данных тематической классификации с использованием общих промптов; в README описаны эксперименты на китайских наборах TNEWS, CSLDCP и IFLYTEK. Модель принимает китайский текст и выдаёт предсказания замаскированных токенов; архитектура в метаданных указана как BertForMaskedLM с контекстом до 512 токенов. Представления предложений можно применять в сценариях тематической классификации и оценки сходства. Опубликована в формате PyTorch под лицензией Apache-2.0. Метаданные Hugging Face помечают её задачей fill-mask, поэтому для извлечения эмбеддингов может понадобиться соответствующая настройка модели и pooling.

knguyennguyen/fashion_5k — модель Sentence Transformers, дообученная на основе FacebookAI/roberta-base на парных текстах о модных товарах. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству; в метаданных указан размер 151,8 млн параметров. Модель предназначена для семантического поиска и сопоставления запросов с описаниями товаров, оценки сходства и поиска перефразировок, а также может использоваться для кластеризации и классификации текста. Архитектура состоит из энкодера RoBERTa и слоя mean pooling. README указывает максимальную длину последовательности 128 токенов; метаданные каталога указывают нативное контекстное окно 514 токенов. Обучающий набор содержит 4 693 пары текстов. Базовая RoBERTa ориентирована на английский язык, а примеры данных описывают одежду, аксессуары и другие модные товары. Модель подходит для семантического поиска по каталогу и ранжирования описаний товаров по смысловому соответствию запросу. Она выдаёт векторы, а не готовые текстовые ответы; тексты длиннее лимита последовательности могут обрезаться. Лицензия в предоставленных данных не указана.

Finetuned-NepBertA-NER — модель токеновой классификации, разработанная Прияншу Койралой из Synapse Technologies на основе NepBERTa. Она предназначена для распознавания именованных сущностей в непальском тексте: людей (PER), организаций (ORG) и мест (LOC), например в новостях, документах и отзывах. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. На валидационной выборке автор сообщает F1 0,89, точность 0,86 и полноту 0,90. Модель может ошибаться на незнакомых типах сущностей, в специализированных текстах, при неоднозначном контексте и на текстах не на непальском языке; для новых областей может потребоваться дообучение. Лицензия — Apache 2.0.

Gurveer05/gte-base-eedi-2024 — модель Sentence Transformer на архитектуре BERT, дообученная для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их с помощью косинусного сходства. Модель обучалась на 218 496 примерах, связанных с математическими заданиями и типичными заблуждениями учащихся; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и сравнения ответов, поиска перефразировок, кластеризации и классификации текстов, в том числе для анализа ученических ответов и математических заблуждений. Она выдаёт эмбеддинги, а не готовые текстовые ответы. В README не указаны автор обучения, языки модели и лицензия; поэтому условия использования по карточке установить нельзя.

serdarakyol/interpress-turkish-news-classification — модель классификации турецких новостных текстов на основе BERT. Она обучена на 108 тысячах примеров из набора данных Interpress; автор сообщает точность 97% на обучающей и валидационной выборках при разделении данных 80/20. Модель предназначена для отнесения новостных текстов к категориям в приложениях на PyTorch, TensorFlow или Flax. Число параметров составляет 137,8 млн, максимальная длина контекста — 512 токенов; карточка указывает поддержку турецкого языка. Лицензия в предоставленных данных не указана.

Модель bespin-global/klue-sentence-roberta-base-kornlu разработана Jaehyeong из Bespin Global на базе архитектуры RoBERTa. Это модель Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. В README указано обучение с CosineSimilarityLoss; среди метаданных также отмечена поддержка извлечения признаков и семантического сходства предложений. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторы; контекст — до 514 токенов. Модель связана с датасетом kor_nlu и предназначена прежде всего для корейского языка. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. В README не приведены результаты оценки, поэтому качество для конкретного набора данных следует проверять отдельно.

LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

rufimelo/Legal-BERTimbau-sts-large-ma-v3 — модель встраивания предложений, адаптированная к португалоязычным юридическим текстам. Она основана на Legal-BERTimbau-large из семейства BERTimbau и обучена вычислять семантическое сходство предложений на португальском языке. Размер модели — 433,2 млн параметров, контекст — до 512 токенов; на выходе она формирует плотные векторы размерностью 1024. Модель предназначена для семантического поиска, сравнения юридических формулировок и кластеризации предложений и абзацев. Обучение включало дистилляцию знаний от sentence-transformers/stsb-roberta-large, а затем дообучение на наборах ASSIN, ASSIN2 и stsb_multi_mt для португальского языка, а также на PortugueseLegalSentences-v0. Доступны веса PyTorch и safetensors; для использования README рекомендует библиотеку Sentence-Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

MoEViE-B16-224 — разработанный Meta визуальный энкодер из семейства MoE-ViE для понимания изображений и видео. Модель обучена контрастным способом на парах изображение–текст и предназначена для классификации изображений без примеров и извлечения визуальных и текстовых признаков для сопоставления и поиска. Это вариант B/16 с 12 слоями, шириной 768 и входным разрешением 224 пикселя. В модели около 0,5 млрд параметров, из которых примерно 0,1 млрд активируется для отдельного токена: каждый MoE-блок сочетает постоянно работающего эксперта и маршрутизируемых экспертов. В README приведены результаты zero-shot классификации на ImageNet-1k и ObjectNet, а также поиска по изображениям и видео. Для работы требуются CUDA GPU и Triton; MoE-ядра компилируются при запуске. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ionio-ai/retail_embedding_classifier_v1 — дообученная на BAAI модель Sentence Transformers на основе BAAI/bge-base-en. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название указывает на розничную тематику, а пример обучающих данных содержит описания товаров; обучение проводилось на 174 064 парах текстов с оценками сходства, однако README не уточняет состав всего набора данных или результаты оценки качества. Архитектура включает BERT-трансформер, пулинг CLS-токена и нормализацию эмбеддингов. Максимальная длина входа — 512 токенов; модель содержит 136,7 млн параметров и распространяется в формате safetensors. Базовая модель BAAI/bge-base-en англоязычная, поэтому основным языком применения следует считать английский. Лицензия в предоставленных данных не указана.

timm/ViT-L-16-SigLIP2-256 — контрастивная модель «изображение–текст» семейства SigLIP 2, разработанная и преобразованная для использования в OpenCLIP из исходного контрольного набора JAX проекта Big Vision. Модель обучена на WebLI и предназначена для классификации изображений без дообучения: она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие варианты. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. В названии указаны вариант ViT-L-16 и размер изображения 256; карточка описывает мультиязычные возможности семейства SigLIP 2, но не перечисляет поддерживаемые языки этой конкретной версии. Использование весов регулируется лицензией Apache-2.0.

arinze/address-match-abp-v1 — модель на базе BERT, опубликованная пользователем arinze. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством; размер составляет 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для сопоставления адресов по смысловому сходству и поиска близких текстовых записей. Использовать её можно через Sentence-Transformers или Transformers с подходящей операцией pooling. В репозитории указаны веса PyTorch. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

ADELIE-SFT — языковая модель для извлечения информации, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель создана инструкционным дообучением LLaMA 2 7B на корпусе IEInstruct и предназначена для закрытого, открытого и выполняемого по запросу извлечения информации, включая распознавание сущностей, извлечение событий и отношений. Модель основана на плотной архитектуре LLaMA с причинным языковым моделированием, содержит 6,6 млрд параметров и имеет контекст длиной 2048 токенов. Она принимает текст и генерирует текст; заявленный язык — английский. В карточке приведены результаты на наборах данных извлечения информации и общих бенчмарках. Использование регулируется лицензией LLaMA 2.

NAMAA-Space/AraModernBert-Topic-Classifier — экспериментальная арабоязычная модель классификации тем, созданная NAMAA-Space на основе answerdotai/ModernBERT-base. Это encoder-модель ModernBERT с 149 млн параметров, дообученная для отнесения текста к семи темам: политике, финансам, медицине, культуре, спорту, технологиям и религии. Для обучения использован датасет SANAD; карточка также описывает арабский токенизатор и предварительное обучение на арабской Википедии. Модель принимает текст и выдаёт метку класса; автор сообщает F1 0,95 на тестовом наборе из 14 181 примера. Контекст — до 8192 токенов. Распространяется по лицензии Apache-2.0. Результаты относятся к указанному набору данных и не гарантируют такую же точность на других текстах и распределениях тем.

BetterWright-4b — полноразмерная дообученная модель на базе XHToken/Spark-X2.5-4B, созданная для управления браузером через BetterWright и Playwright. Разработчики обучали её на проверенных выполнением траекториях работы агента с реальными сайтами; модель использует архитектуру Spark-X2.5 с чередованием скользящего и полного внимания и содержит 3,8 млрд параметров. Модель предназначена для выполнения многошаговых задач в браузере: перехода по страницам, извлечения сведений и заполнения форм в тестовых сценариях. Она работает с инструментами браузера и выдаёт текстовые ответы и вызовы инструментов. Нативный контекст — до 1 048 576 токенов, рекомендуемое окно обслуживания — 262 144 токена. Для работы с браузером модель рассчитана на шаблон чата Spark-X2.5 и совместимый инструментальный интерфейс BetterWright. В небольшом тесте на 40 задачах модель чаще выдавала ответы, обоснованные наблюдениями браузера, чем базовая модель, однако строгий процент успешного выполнения остался низким, а многие задачи завершились по тайм-ауту. Модель видит текстовые снимки доступности, DOM и JSON-результаты, но не скриншоты; обучение не охватывало аутентифицированные сценарии с реальными учётными данными. Лицензия — Apache-2.0.