I.1Поиск и навигация по информации

ModernBERT Embed base Legal Matryoshka — англоязычная модель Sentence Transformers, дообученная adamNLP на базе nomic-ai/modernbert-embed-base. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью 768 для семантического поиска по юридическим материалам, сравнения сходства текстов, поиска перефразировок, классификации и кластеризации. Архитектура включает ModernBERT, усреднение токенных представлений и нормализацию; модель принимает последовательности длиной до 8192 токенов. Matryoshka-обучение позволяет усекать векторы до 512, 256, 128 или 64 измерений с некоторым снижением качества поиска. Модель обучена на 5822 парах текстов из набора json, где представлены юридические фрагменты и вопросы к ним. Для сравнения используется косинусное сходство; указанные в карточке результаты поиска относятся к этому набору и не гарантируют аналогичного качества на других юридических корпусах. Лицензия — Apache-2.0.

Muse-Glimmer-30B-Hermes-Agentic-GGUF — квантованная GGUF-версия улучшенной дообученной модели Muse Glimmer 30B, разработанная Victor Cruz на базе Muse Glimmer 30B от Meta Superintelligence Lab. Модель ориентирована на локальный запуск в llama.cpp, работу в Hermes Agent и других агентных сценариях с вызовом инструментов через OpenAI-совместимый интерфейс. Основная специализация — управляемое использование инструментов: модель обучена вызывать один или два инструмента Hermes и своевременно завершать выполнение, избегать повторных вызовов неработающих инструментов, однократно восстанавливаться после отсутствующего файла и не использовать инструменты без необходимости. Указан английский язык дообучения, тогда как базовая модель является многоязычной. Размер базовой модели — 30B; доступны варианты квантования от Q2_K до Q8_0 и F16. Рекомендуемый вариант Q4_K_M рассчитан на видеокарту с 24 ГБ памяти, заявленный контекст — 32K токенов. В сравнении с исходной Muse Glimmer дообученная версия показала более стабильное завершение агентных циклов и отсутствие случаев достижения лимита последовательных вызовов в приведённых тестах. Ограничения включают ориентацию дообучения преимущественно на английские сценарии, зависимость от Hermes Agent и llama.cpp версии не ниже b10353, а также необходимость отключать DFlash при оценке циклов вызова инструментов. Модель распространяется по лицензии Apache 2.0.

Gurveer05/mxbai-embed-large-v1-eedi-2024 — дообученная модель Sentence Transformers на базе mixedbread-ai/mxbai-embed-large-v1. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В обучающих примерах использованы образовательные задания по математике и описания типичных заблуждений учащихся, поэтому модель может быть полезна для сопоставления вопросов и ответов или поиска похожих учебных ошибок. Модель построена на BERT и использует Sentence Transformers с пулингом CLS-токена. Максимальная длина входа — 512 токенов; библиотека — sentence-transformers. В README приведена оценка бинарной классификации с точностью по косинусному сходству 0,9992, но она относится к указанной оценке и не гарантирует качество на других данных. По базовой модели можно установить англоязычную основу; самостоятельные сведения о языковом охвате дообученной версии не приведены. Лицензия в предоставленных данных не указана.

pplx-decider-v1-27b — плотная мультимодальная модель на 27 млрд параметров, разработанная Perplexity и дообученная на базе Qwen/Qwen3.8-27B для задач классификации и принятия решений. В метаданных Hugging Face для неё указан pipeline text-classification; README приводит результаты на 11 бенчмарках, включая WinoGrande, FinancialPhraseBank и RAGTruth, измеренные через Perplexity API. Модель подходит для классификации текстов, оценки утверждений и выбора между вариантами в задачах на рассуждение. README указывает на необходимость Python 3.12 или новее и CUDA GPU, способного разместить около 49 ГиБ весов вместе с рабочей памятью. Репозиторий содержит веса safetensors и inference.py. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 159 — чекпойнт обучения с подкреплением, созданный командой willamazon1 на основе willamazon1/qwen3-8b-tmax-sft-v3-iter353. Модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель дообучена методом group-relative policy optimization на асинхронных многоходовых взаимодействиях с агентными средами. Она предназначена для диалоговой генерации и сценариев использования инструментов агентом. Это одна из опубликованных итераций обучения, поэтому её можно сравнивать с другими чекпойнтами той же серии. Веса доступны в формате safetensors, bf16; модель распространяется по лицензии Apache-2.0.

dealignai/Qwen3.8-Flash-Next-CRACK-JANG_4M — это экспериментальная CRACK-abliterated сборка модели JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M, подготовленная для запуска на Apple Silicon через MLX и vMLX. Модель относится к предварительной линейке qwen4_exp и предназначена для мультимодальных сценариев, включая работу с текстом, изображениями и видео, рассуждения, агентное взаимодействие и использование инструментов. Архитектура описана как смесь экспертов примерно на 176 млрд параметров с 512 экспертами и около 6 млрд активных параметров. Используется гибрид Gated DeltaNet и Qwen Sparse Attention, hashed n-gram embedding и встроенная multi-token-prediction head. Доступны режимы рассуждения off, low и xhigh; заявлена поддержка английского и китайского языков. Сборка использует смешанную точность JANG_4M и занимает около 96 ГБ на диске, при этом требует примерно 70 ГБ активной оперативной памяти; около 26 ГБ таблицы n-грамм хранится на диске и подгружается по требованию. К сильным сторонам относятся сохранённые мультимодальные возможности, рассуждение, работа с инструментами и отсутствие встроенного отказного поведения. По приведённому тесту MMLU результат CRACK составляет 85,92% против 86,89% у базовой версии, то есть наблюдается небольшое снижение качества, а по отдельным предметам падение заметнее. Модель является исследовательским артефактом, требует значительных ресурсов и рассчитана прежде всего на совместимый runtime vMLX. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

SCIroShot — англоязычная модель для классификации текста без заранее заданного набора классов, разработанная SIRIS Lab и Language Technologies Unit Barcelona Supercomputing Center. Это дообученная RoBERTa-large с 454,1 млн параметров, которая использует подход, основанный на проверке следования (entailment), и предназначена прежде всего для классификации научных текстов по заданным пользователем категориям. Модель обучали на более чем двух миллионах англоязычных научных статей из Microsoft Academic Graph: заголовках, аннотациях и категориях научных дисциплин. Она также может применяться к текстам общего назначения; карточка сообщает о сильных результатах в научной области и конкурентных результатах на некоторых общих задачах. Контекст составляет 514 токенов. Лицензия — Apache 2.0. Возможное смещение и токсичность модели отдельно не оценивались. Качество может зависеть от области текста и выбранных меток; для научной классификации модель обучалась на данных с публикациями 2000–2021 годов.

SetFit/test-setfit-sst2-diff-head — модель классификации текста на основе BERT и подхода SetFit. В репозитории SetFit её использовали как тестовый пример; разработчики отмечают, что модель не обучалась для достижения высокого качества. Чекпойнт содержит около 25,9 млн параметров и рассчитан на входные последовательности длиной до 512 токенов. SetFit сочетает дообучение Sentence Transformer контрастивным обучением и обучение классификационной головы на полученных признаках. Модель предназначена для классификации текста; каталог также отмечает извлечение признаков и оценку сходства предложений. Поддерживает обработку текста и выдаёт классы и текстовые эмбеддинги. Используется формат PyTorch; лицензия Apache-2.0.

cardiffnlp/twitter-roberta-base-ner7-latest — модель Cardiff NLP на архитектуре RoBERTa, обученная на 154 млн твитов до конца декабря 2022 года и дообученная для распознавания именованных сущностей в твитах на датасете TweetNER7 из SuperTweetEval. Она размечает фрагменты текста как организации, творческие работы, события, группы, местоположения, людей и продукты. Модель предназначена для извлечения сущностей из сообщений в социальных сетях; её можно использовать для анализа упоминаний людей, организаций и других объектов в твитах. Метаданные указывают 151,8 млн параметров, контекст до 514 токенов и поддержку английского языка. Распространяется по лицензии MIT.

EMBO разработала SODA-VEC — модель эмбеддингов для биомедицинских и научных текстов, обученную с функцией потерь VICReg Our. Это дообученная ModernBERT-base с 149 млн параметров, mean pooling и L2-нормализацией: она преобразует текст в векторы размерности 768. Модель рассчитана на английский язык и контекст до 8192 токенов. Модель предназначена для семантического поиска и оценки сходства текстов в биомедицине и науках о жизни. При обучении использовались 26,5 млн пар заголовков и аннотаций из PubMed Central; среди описанных сценариев оценки — поиск публикаций и различение тематически близких и несвязанных статей. Лицензия — Apache-2.0. Модель оптимизирована для заголовков и аннотаций, поэтому длинные документы может потребоваться разбивать на фрагменты. На текстах общего назначения её качество может быть ниже; она наследует смещения корпуса PubMed Central.

KnutJaegersberg/website-classifier — модель классификации текста на базе DeBERTa-v2, обученная с помощью AutoTrain. Она предназначена для определения категории веб-сайта по тексту: обучающая выборка создана на основе категорий URL Classification Dataset [DMOZ] и примеров из корпуса C4, размеченных zero-shot-классификатором; использована только часть исходного датасета. Модель содержит 533,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README указаны метрики на валидации: accuracy около 0,91 и macro F1 около 0,91. Результаты относятся к описанной выборке и не гарантируют такое же качество на других сайтах и текстах. Модель опубликована в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.

ynie/albert-xxlarge-v2-snli_mnli_fever_anli_R1_R2_R3-nli — модель ALBERT-XXLarge-v2 для классификации текстовых пар по задаче Natural Language Inference (NLI). Она разработана пользователем ynie и опубликована на Hugging Face; модель также доступна через Transformers в форматах PyTorch и TensorFlow. Обучение выполнено на комбинации SNLI, MNLI, FEVER-NLI и ANLI R1, R2, R3. Модель принимает пару текстов и определяет, является ли второй текст следствием первого, нейтральным утверждением или противоречит ему. Архитектура — AlbertForSequenceClassification: 3,3 млрд параметров, 12 скрытых слоёв, 64 головы внимания, размер скрытого представления 4096; максимальная длина входа составляет 512 токенов. Выходные классы — entailment, neutral и contradiction. Сильная сторона модели — специализация на текстовом логическом выводе и проверке отношений между утверждениями, включая устойчивость к сложным примерам из ANLI. Модель не является генеративной и не предназначена для свободного создания текста; результат зависит от качества и формата входной пары, а длинные входы ограничены контекстом в 512 токенов. Лицензионные условия в доступных данных не установлены.

Aptivra-Base-110M — компактная модель эмбеддингов предложений, дообученная raghunath1 на базе intfloat/e5-base-v2 для маршрутизации запросов к навыкам и инструментам и семантического поиска по их описаниям. Это модель BERT с 136,7 млн параметров: она кодирует текст в 768-мерные векторы с mean pooling и L2-нормализацией, которые сравнивают косинусным сходством. Контекст ограничен 512 токенами. Модель принимает обычный текст без префиксов query: и passage: и предназначена для retrieval-компонента агента, роутера или MCP-сервера. README сообщает о повышении Recall@1 относительно базовой модели на чистом тесте маршрутизации, но качество зависит от корпуса навыков и проверено не для всех предметных пакетов. Модель не генерирует текст и не подходит как самостоятельный авторитет для выполнения действий. Доступны веса safetensors и форматы ONNX и OpenVINO; лицензия — MIT. Карточка характеризует модель как экспериментальную: перед применением следует проверить её на собственных запросах и сохранять последующую проверку политик, безопасности и разрешений.

Athene-V2-Agent — языковая модель Nexusflow для агентных сценариев и вызова функций, дообученная на Qwen2.5-72B-Instruct. Она планирует последовательности действий с несколькими вызовами инструментов, включая задачи со сложными зависимостями, и формирует вызовы функций, которые приложение может выполнить и вернуть модели для продолжения работы. Модель также поддерживает диалог и генерацию текста; заявленные в карточке результаты относятся к тестам вызова функций и агентных задач. Модель имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. README рекомендует запускать её через специальный Docker-образ Nexusflow с vLLM: формат промптов в нём настроен для извлечения исполняемых вызовов из планирования модели; стандартный шаблон чата Hugging Face может снизить качество агентной работы. Для предсказуемого поведения также рекомендуются отключённая случайная выборка и нулевая температура. Указана лицензия Nexusflow Research License; метаданные обозначают её как «other», поэтому условия следует сверять с текстом лицензии репозитория.

AViGPT — авторегрессионная языковая модель с архитектурой GPT-2, разработанная и предварительно обученная с нуля Avinash Ricky Yadlapalli. Её компактное ядро содержит около 183,9 млн параметров и предназначено для генерации текста с использованием внешней памяти на локальном NVMe-накопителе. Модель выдаёт специальные управляющие токены, по которым интегрированная система может выполнять поиск в SQLite FTS5 и добавлять найденные записи в контекст; такую схему автор позиционирует для ответов с опорой на обновляемые факты и для локального запуска на потребительском оборудовании. Модель совместима с GPT2LMHeadModel и библиотекой Transformers, распространяется в формате safetensors. Заявленная длина контекста — 1024 токена, язык карточки — английский. Само ядро генерирует текст; поиск по NVMe и выполнение действий требуют соответствующего внешнего окружения. Лицензия — MIT.

Модель fabriceyhc/bert-base-uncased-ag_news — версия BERT base uncased, дообученная для классификации новостных текстов на наборе AG News. Она принимает текст и относит его к одному из классов новостей; модель предназначена для категоризации новостных статей и сообщений. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README указаны точность 0,9375 и loss 0,3284 на оценочной выборке. Модель работает с текстом на английском языке, что следует из uncased-варианта базового BERT и англоязычного набора AG News. Вес опубликован в формате PyTorch по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других типах текстов и в других предметных областях этими данными не подтверждено.

BioLORD-2023-S — модель представления текста, разработанная FremyCompany для получения семантических эмбеддингов клинических предложений и биомедицинских понятий. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology. Архитектура — MPNet, размер — 136,7 млн параметров; модель обрабатывает текстовые фразы, предложения и абзацы и выдаёт плотные векторы размерности 768. Максимальная длина контекста — 514 токенов. Модель предназначена для сравнения сходства медицинских текстов и понятий, семантического поиска и кластеризации. Определения и описания из биомедицинского графа знаний помогают связывать представления понятий с их смыслом и иерархическими отношениями в онтологиях. В README заявлены высокие результаты на MedSTS и EHR-Rel-B; эмбеддинги медицинских текстов и терминов совместимы в общем пространстве. Поддерживаемый язык карточки — английский. Модель опубликована в формате PyTorch. В метаданных указана лицензия «other», но её конкретные условия в предоставленных данных не раскрыты; перед использованием следует проверить лицензию на странице модели.

Испаноязычный bi-encoder на базе BETO, дообученный для связывания упоминаний сущностей с авторитетными записями Biblioteca Nacional de España (BNE). Он преобразует текстовые упоминания и записи в нормализованные векторы размерностью 768 для векторного поиска, семантического извлечения кандидатов и устранения неоднозначности с привязкой к устойчивым URI BNE. Модель предназначена для работы с историческими авторами, литературными произведениями и библиотечными предметными рубриками. В карточке заявлены результаты Recall@1 0,992, Recall@5 0,997 и Recall@10 0,999 на benchmark-оценке. Метаданные указывают архитектуру BERT, 137,1 млн параметров, контекст до 512 токенов и формат safetensors; модель распространяется по лицензии CC BY 4.0. README приводит другое число параметров — около 110 млн. Применение модели лучше ограничивать испанскими историческими, литературными и библиографическими ресурсами; приведённые метрики относятся к оценке, описанной в карточке.

Erlangshen-Ubert-330M-Chinese — китайская модель семейства UBERT от проекта Fengshenbang-LM, разработанная для понимания языка и извлечения информации. В карточке Hugging Face указана архитектура BERT с головой BertForMaskedLM, 424,3 млн параметров и контекст до 512 токенов; README описывает UBERT как унифицированную многозадачную систему на основе MacBERT-Large, обученную на более чем 70 наборах данных с общим объёмом около 1,07 млн примеров. Модель предназначена для заполнения маскированных токенов и может применяться в задачах извлечения сущностей, понимания естественного языка и ответов на вопросы по тексту. В соревновании AIWIN 2022 по многозадачному пониманию небольших китайских страховых выборок решение заняло первое место в двух таблицах результатов. Модель принимает и выдаёт текст на китайском языке. Лицензия — Apache-2.0.

FinDeBERTa — модель на базе DeBERTa-v3-Large, дообученная для многометочной классификации финансовых новостных заголовков. Она относит текст к одному или нескольким из 18 типов событий, включая дивиденды, занятость, слияния и поглощения, финансовую отчётность, юридические события и изменения стоимости ценных бумаг. Модель имеет 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст до 512 токенов. При обучении применялись Focal Loss и подбор порогов отдельно для каждого класса. В README указаны Macro F1 0,692 и Micro F1 0,691; результаты различаются по категориям событий. Модель предназначена для автоматической разметки коротких финансовых новостей и может использоваться для мониторинга событий и сортировки публикаций по типам. Она оптимизирована для заголовков финансовых новостей и может хуже работать на длинных текстах и в других предметных областях; редкие классы распознаются менее надёжно. Лицензия — MIT.

Granite 3.0 8B Instruct - Intrinsics LoRA v0.1 — экспериментальная модель IBM Research на основе ibm-granite/granite-3.0-8b-instruct. Это объединённый LoRA-файнтюн, который сохраняет возможности базовой инструктивной модели и добавляет три режима: оценку уверенности в ответе, обнаружение неподтверждённых документами утверждений в RAG-сценариях и проверку запросов на небезопасное содержание. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GraniteForCausalLM и принимает текст; контекст — до 4096 токенов. Она рассчитана на диалоговое применение на английском языке и выдаёт обычные текстовые ответы, а в специальных режимах — оценку уверенности от 0 до 9 или однобуквенную классификацию Y/N. Лицензия — Apache 2.0. Оценка уверенности задумана как калиброванная, а режимы проверки галлюцинаций и безопасности — как бинарные классификаторы. Разработчик представляет модель как экспериментальную и не рекомендует использовать её в реальных развертываниях; результаты специализированных проверок следует валидировать для конкретной системы.

HallOumi-8B-classifier — модель классификации текста от Oumi AI для проверки утверждений и выявления галлюцинаций, когда доступен достоверный источник. Она оценивает вероятность того, что отдельное утверждение подтверждается источником; для проверки нескольких утверждений модель нужно вызывать отдельно для каждого. Это дообученная версия Llama-3.1-8B-Instruct с архитектурой LlamaForSequenceClassification и примерно 7,5 млрд параметров. Модель принимает текст и выдаёт результат классификации. Поддерживает английский язык, использует контекст длиной до 131 072 токенов и распространяется в формате safetensors. Разработчик позиционирует модель как быстрый инструмент проверки утверждений и приводит оценку Macro F1 77,2% ± 2,2%. Она предназначена для сценариев, где есть источник, с которым можно сверить утверждение; сама по себе модель не предоставляет подтверждающие источники и не предназначена для задач вне проверки утверждений. В README указано, что возможны предубеждения и риски, унаследованные от базовой Llama и данных для обучения. Лицензия — CC-BY-NC-4.0, поэтому коммерческое использование ограничено условиями лицензии.

avichr/heBERT_NER — модель распознавания именованных сущностей в тексте на иврите, опубликованная разработчиком avichr. Она основана на архитектуре Google BERT, конфигурации BERT-Base и дообучена для классификации токенов. Модель выделяет сущности, например имена людей, организаций и географические названия; в карточке указана оценка на размеченном наборе данных Ben Mordecai и M. Elhadad (2005) по F1-мере. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст длиной до 512 токенов. Базовый HeBERT предварительно обучен на ивритских данных из OSCAR, Википедии и пользовательских текстов; эта версия предназначена для NER. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

LaBSE_geonames_RU — модель эмбеддингов предложений на базе многоязычной BERT-модели LaBSE, дообученная автором карточки на русскоязычных географических названиях из набора GeoNames cities15000. Она преобразует названия городов в плотные 768-мерные векторы и предназначена для семантического поиска и кластеризации географических названий. Метаданные указывают 498,1 млн параметров, контекст до 512 токенов и форматы PyTorch и safetensors. Модель рассчитана на работу с русскими географическими названиями; базовая LaBSE поддерживает многоязычные тексты, но специализация этого дообучения — русский. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Лицензия в предоставленных данных не указана.

Nithiwat выпустил mDeBERTa-v3-base_claimbuster — модель на архитектуре DeBERTa-v2, дообученную на наборе данных ClaimBuster. Она предназначена для классификации текстовых утверждений и выявления высказываний, пригодных для проверки фактов. Модель содержит 306 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт результат классификации. В карточке заявлена точность 83%. Модель обучена на англоязычных данных ClaimBuster; лицензия — MIT. Результаты следует учитывать в контексте датасета и метрики из карточки: она сама по себе не гарантирует корректность фактчекинга.

Distilled MetaCLIP 2 ViT-B/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-B-16-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт варианты меток, а модель сопоставляет с ними изображение. Модель мультимодальная: принимает изображения и текстовые описания и оценивает их соответствие. В карточке указано применение через Transformers; веса опубликованы в формате safetensors. Языковая метка — multilingual, поэтому модель рассчитана на многоязычные текстовые запросы. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. Размер модели и длина контекста в предоставленных данных не указаны. Это дистиллированный чекпойнт, поэтому его результаты могут отличаться от исходной модели; README не приводит количественных оценок качества или подробных ограничений по языкам.

Это полноразмерная модель MiniCPM5-1B Agentic Tooluse, созданная ewin-reg на основе openbmb/MiniCPM5-1B и дообученная для выбора и вызова инструментов. Она использует плотную архитектуру LlamaForCausalLM, содержит около 837,6 млн параметров по метаданным и принимает контекст до 131 072 токенов. Репозиторий содержит объединённые веса FP16 в формате safetensors; для запуска не требуется загружать PEFT-адаптер. Модель предназначена для диалоговых помощников и агентных сценариев, где нужно выбрать подходящий инструмент, сформировать его имя и аргументы, а также продолжать диалог после получения результата. Вызовы выдаются в XML-стиле; приложение должно самостоятельно разбирать и проверять их, выполнять инструменты и возвращать результаты модели. В README приведена пользовательская оценка на 300 примерах ToolACE: 99,33% вызовов были разбираемыми, однако это не официальная оценка на лидерборде. Для вызова инструментов рекомендуется отключать режим рассуждений: при включённом режиме модель может расходовать бюджет токенов до завершения вызова. Лицензия — Apache 2.0. Языки модели в источниках не указаны явно.

NbAiLab/nb-bert-base-ner — модель BERT, дообученная командой NbAiLab для распознавания именованных сущностей на датасете NorNE. Она предназначена для разметки норвежского текста по токенам, например для извлечения имён людей, организаций и других сущностей из документов. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Доступна в форматах PyTorch и Safetensors; лицензия — CC BY 4.0.

shaunss/protestclaims_gbert — дообученная авторами модели BERT-модель для получения эмбеддингов немецких предложений и абзацев о протестах и требованиях протестующих. Она основана на deutsche-telekom/gbert-large-paraphrase-cosine и преобразует текст в плотные векторы размерностью 1024; модель имеет 434,5 млн параметров и контекст до 512 токенов. Модель обучена на вручную размеченных предложениях из немецких газет с помощью BatchSemiHardTripletLoss. Её можно использовать для семантического поиска и кластеризации материалов о протестах, а также для вычисления сходства между предложениями. Лицензия — MIT. Подробности применения описаны в работе о конвейере автоматизации анализа протестных событий PAPEA.

Модель pulkitchowdry/sample-agnews-classifer предназначена для классификации новостных заголовков по четырём категориям: World, Sports, Business и Science/Technology. Для токенизации используется BERT-токенизатор из bert-base-uncased, а классификацию выполняет пользовательская многослойная перцептронная сеть с линейными слоями и активацией ReLU. Модель разработана на PyTorch и опубликована в формате safetensors. По данным карточки, точность на тестовой выборке AG News составляет 91%. Модель нечувствительна к регистру и рассчитана на англоязычные новости. Она ограничена четырьмя указанными категориями, а предсказания могут быть смещёнными. Лицензия — MIT.