I.1Поиск и навигация по информации

CKIP ALBERT Tiny Chinese — компактная модель на архитектуре ALBERT для классификации токенов в традиционном китайском языке. Её разработал Mu Yang из CKIP; карточка проекта описывает набор традиционно-китайских моделей и инструментов для сегментации слов, разметки частей речи и распознавания именованных сущностей. Для этой модели основная задача — распознавание сущностей в тексте. Модель содержит 12,8 млн параметров, использует формат PyTorch и поддерживает контекст до 512 токенов. Для токенизации автор рекомендует BertTokenizerFast. Модель подходит для извлечения сущностей из традиционно-китайских текстов, например имён людей, организаций и мест, однако карточка не уточняет набор меток и показатели качества. Лицензия — GPL-3.0.

Ananthu357/Ananthus-BAAI-for-contracts9.0 — дообученная модель Sentence Transformers на базе BAAI/bge-large-en, предназначенная для работы с текстами договоров. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство между текстами оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель подходит для семантического поиска по договорам, сравнения положений и поиска перефразировок. Также её можно применять для кластеризации и классификации текстов. Максимальная длина входной последовательности — 512 токенов. Базовая модель BAAI/bge-large-en ориентирована на английский язык; подтверждённых сведений о поддержке других языков нет. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

BAAR2-95M — компактная мультиязычная языковая модель с 95 млн параметров, предназначенная для генерации текста и диалогов на устройствах с ограниченными вычислительными ресурсами. Разработчик позиционирует её как базовую предварительно обученную модель для встраиваемых систем и периферийных устройств; архитектура модели в доступных сведениях не раскрыта. Модель рассчитана на быстрые ответы и может использоваться в лёгких RAG-сценариях: принимает внешний контекст и формирует ответ, связанный с результатами поиска. В карточке заявлена поддержка 11 языков: корейского, английского, японского, китайского, испанского, португальского, немецкого, русского, хинди, вьетнамского и тайского. Формат весов — safetensors. Это базовый чекпойнт, поэтому для специализированных задач, высокой фактической точности и надёжного выполнения инструкций рекомендуются дообучение или подключение RAG. Лицензия указана как нек​​оммерческая; коммерческое использование требует обращения к разработчику за условиями лицензирования.

muhtasham/bert-small-finetuned-cuad — компактная модель BERT, дообученная на части набора CUAD для ответов на вопросы по юридическим документам. Она принимает вопрос и текст документа и извлекает из него ответ в формате задачи question answering. Модель основана на google/bert_uncased_L-4_H-512_A-8, содержит 32,4 млн параметров и имеет контекст до 512 токенов. При обучении использованы первые 10% обучающей и первые 10% тестовой выборок CUAD, поэтому покрытие данных ограничено. Доступны веса PyTorch; лицензия — Apache-2.0.

yanekyuk/bert-uncased-keyword-extractor — модель на базе BERT, дообученная для извлечения ключевых слов из текста. Она выполняет токенную классификацию: каждому токену присваивается метка, позволяющая выделять ключевые слова. Модель содержит 136,7 млн параметров, принимает текст длиной до 512 токенов и доступна в формате PyTorch. Модель рассчитана на англоязычный текст. Её можно применять для автоматического выделения ключевых слов в документах и фрагментах текста. В README приведены результаты оценки: precision 0,8547, recall 0,8825, accuracy 0,9741 и F1 0,8684; обучающий датасет не описан. Модель распространяется по лицензии Apache-2.0. Качество на других типах текстов и языках не подтверждено; из-за отсутствия сведений о датасете и предназначенных сценариях следует проверять результаты на собственных данных.

Это модель распознавания именованных сущностей на испанском языке, разработанная Лаурой Валеро и Кристианом Валенсией в рамках учебного проекта Taller PLN магистратуры Univalle. Она обучена на испанской части CoNLL-2002 и предназначена для разметки токенов и извлечения сущностей из испаноязычного текста. Модель использует BiLSTM с выходным CRF, символьную CNN и 300-мерные испанские FastText-эмбеддинги cc.es.300. В карточке приведены результаты на тестовой выборке CoNLL-2002: F1 0,8064, точность 0,8066 и полнота 0,8061. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — CC BY-NC-SA 4.0.

ai4data разработала devdata-search-multilingual-e5-small-cgist — компактную bi-encoder модель эмбеддингов на архитектуре BERT, дообученную на базе intfloat/multilingual-e5-small для поиска по структурированным статистическим метаданным. Модель создаёт векторы запросов и описаний показателей, чтобы находить семантически подходящие записи; это компонент для построения поиска, а не размещённый поисковый сервис. При обучении на DevDataBench применялись перестановка полей и их случайное исключение, чтобы модель связывала смысл данных с названиями полей, а не с их порядком в сериализации. Для кодирования запросов и документов используются префиксы «query: » и «passage: ». Модель содержит 124,3 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors с лицензией Apache-2.0. Модель предназначена для поиска по статистическим показателям и метаданным наборов данных. Качество поиска зависит от соблюдения формата сериализации и префиксов; модель создаёт эмбеддинги, но сама не выполняет поиск по индексу и не предоставляет сервис.

FinBERT-esg-9-categories — модель классификации финансовых текстов, разработанная исследовательской группой Гонконгского университета науки и технологий и дообученная на примерно 14 тысячах вручную размеченных предложений из ESG- и годовых отчётов компаний. Модель построена на архитектуре BERT, содержит 137 млн параметров и принимает текстовые входы длиной до 512 токенов. Она относит текст к одной из девяти категорий: изменение климата, природный капитал, загрязнение и отходы, человеческий капитал, ответственность за продукт, отношения с сообществами, корпоративное управление, деловая этика и ценности либо не-ESG. Модель предназначена для детальной тематической разметки ESG-материалов и дополняет FinBERT-esg, классифицирующий текст по четырём укрупнённым темам. Модель работает с английским языком; веса доступны в формате PyTorch. Лицензия в предоставленных данных не указана.

Laya-Multilingual-MXFP4 — квантованный мультиязычный энкодер ModernBERT/mmBERT от автора репозитория, основанный на convaiinnovations/laya. Он предназначен для извлечения признаков из текста и создания пользовательских MLX-голов на Apple Silicon; это только энкодер, без отдельной обученной головы принятия решений и без генерации текста. Репозиторий содержит около 306,9 млн параметров по метаданным, использует формат safetensors и библиотеку MLX. Контекст — до 8192 токенов по метаданным; README описывает исходную архитектуру mmBERT-base как модель для более чем 100 языков. MXFP4-квантизация уменьшает размер модели на диске примерно до 163 МБ. README сообщает о проверке совпадения результатов портированного энкодера с исходной реализацией, но также отмечает заметное отклонение скрытых состояний после квантизации и возможные изменения ранжирования близких вариантов ответа. Для точных оценок и чувствительных к разрешению ничьих решений рекомендуется исходный bf16/fp32 энкодер. Лицензия в предоставленных данных не указана.

MuXodious/LFM2-8B-A1B-absolute-heresy-MPOA — экспериментальное дообучение LFM2-8B-A1B, созданное автором MuXodious с помощью abliteration-движка Heretic и метода Magnitude-Preserving Orthogonal Ablation. Это разговорная гибридная MoE-модель для генерации текста: в основе архитектуры LFM2 сочетаются короткие свёрточные блоки и слои внимания. В README указаны 8,3 млрд общих параметров и 1,5 млрд активных параметров; метаданные репозитория указывают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям и сценариев, где требуется ослабить отказы: в тесте автора число отказов снизилось с 91 до 8 из 100 при KL-дивергенции 0,0213. Это тестовые показатели процесса abliteration, а не гарантия качества в других задачах. Базовая LFM2 ориентирована на локальное выполнение, извлечение данных, RAG, творческое письмо и агентные задачи; её README не рекомендует полагаться на неё для задач с высокими требованиями к знаниям или программированию. Карточка указывает поддержку английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков, а также необходимость Transformers версии 5.0.0 или выше для взаимодействия. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории.

MaMMUT2 ViT-B/32 cc12m-noz — вариант модели MaMMUT2 от разработчика rwightman, обученный на данных CC12M и отличающийся от mammut2_ViT-B-32.cc12m отсутствием caption z-loss. Это мультимодальная модель для сопоставления изображений и текста, подходящая для классификации изображений по текстовым описаниям без отдельного дообучения и поиска по парам изображение–текст. В карточке приведены сравнительные результаты zero-shot-классификации и поиска изображений по тексту, а также оценки генерации подписей. Вариант использует архитектуру ViT-B/32; реализация рассчитана на OpenCLIP. Карточка упоминает современную текстовую башню с токенизатором r50k и контекстом 128 токенов, но не уточняет, что именно эта конфигурация относится к данному варианту. Модель распространяется по лицензии Apache-2.0. Результаты на подписях ограничены различием между стилем alt-text датасета CC12M и эталонными подписями COCO; абсолютные значения CIDEr в карточке охарактеризованы как низкие.

marefa-nlp/marefa-ner — арабоязычная модель распознавания именованных сущностей, разработанная командой Marefa NLP. Она основана на XLM-RoBERTa и дообучена для классификации токенов; число параметров составляет около 658,7 млн, а длина контекста — 514 токенов. Модель предназначена для выделения сущностей в арабском тексте. В README приведены результаты оценки на тестовом наборе из 1959 предложений: для категорий «человек», «место» и «время» указаны F1-оценки около 0,93, 0,89 и 0,87 соответственно. Данные подтверждают применение для NER, но не описывают качество на других категориях или доменах. Модель распространяется в формате PyTorch. Сведения о лицензии в доступных материалах отсутствуют.

Gladiator опубликовал модель на основе DeBERTa V3 Large, дообученную для классификации токенов на наборе CoNLL-2003. Она предназначена для распознавания именованных сущностей в тексте: определения границ и типов упоминаний, таких как имена людей, организации и географические названия. Модель содержит около 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации токенов и обрабатывает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке CoNLL-2003: F1 0,9695, точность 0,9667 и полнота 0,9724. Модель доступна в форматах PyTorch и Safetensors под лицензией MIT. Карточка не описывает дополнительные сценарии или ограничения; качество на других доменах и языках этими результатами не подтверждено.

Это модель ozcangundes/mt5-multitask-qa-qg-turkish, созданная разработчиком ozcangundes на основе mT5-small от Google и дообученная на турецком наборе TQUAD. Модель объединяет извлечение ответов из текста, генерацию вопросов по тексту и ответы на вопросы; для генерации и ответов принимает текст и выдаёт текст. В карточке указаны архитектура mT5 и размер 157,4 млн параметров. Модель предназначена для задач вопросно-ответной обработки турецких текстов, например подготовки вопросов к материалу и извлечения ответов из него. README сообщает о восьми эпохах обучения и learning rate 1e-4, а также отмечает, что гиперпараметры можно настроить для улучшения результатов. Модель распространяется по лицензии Apache-2.0.

Palmyra-Med-70B-32K — языковая модель Writer для медицинских и биомедицинских задач. Это плотная causal language model семейства Llama с 69,5 млрд параметров, дообученная на медицинских данных и инструкциях с применением Direct Preference Optimization. Модель принимает и генерирует текст, поддерживает диалоговый формат и контекст до 32 768 токенов; заявленный язык — английский. Модель предназначена для исследовательских и некоммерческих сценариев в здравоохранении и науках о жизни: анализа и краткого изложения клинических записей, извлечения медицинских сущностей, поиска сведений в биомедицинских текстах и поддержки исследований. В карточке сообщается о результатах на биомедицинских тестах, но также отмечается, что модель не проходила достаточную оценку в клинических испытаниях или реальной медицинской практике. Модель может допускать ошибки и смещения. Её не следует использовать для непосредственного ухода за пациентами, принятия клинических решений или как замену профессиональному медицинскому суждению. Лицензия обозначена как Writer Open Model License; карточка ограничивает применение некоммерческим использованием и исследованиями, а также требует соблюдать лицензию и Acceptable Use Policy.

PTT5-v2-small Portuguese Legal Descriptor Generation — модель семейства T5, дообученная для автоматической генерации юридических дескрипторов по судебным документам на португальском языке. Она разработана в рамках работы «Automatic Legal Descriptor Generation for Portuguese Legal Documents» и обучена на наборе giovannimaffeo/portuguese-legal-descriptor-generation. Модель содержит 38,5 млн параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 512 токенов. Модель предназначена для автоматического присвоения юридических дескрипторов португальским судебным документам. В репозитории указаны веса safetensors. Сведения о лицензии отсутствуют в предоставленных данных.

Это чекпойнт Qwen3-8B TMax AENV, созданный willamazon1 на 119-й итерации обучения с подкреплением. Модель основана на SFT-чекпойнте willamazon1/qwen3-8b-tmax-sft-v3-iter353, который, в свою очередь, дообучен на Qwen/Qwen3-8B. Обучение проводилось методом group-relative policy optimization на асинхронных многоходовых сценариях в агентной среде. Модель предназначена для генерации диалогового текста и взаимодействия с инструментами в многоходовых агентных сценариях. Это плотная авторегрессионная архитектура Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Чекпойнт опубликован в формате safetensors с весами bfloat16; оптимизаторные состояния не включены. Лицензия — Apache-2.0. Чекпойнт представляет отдельную точку обучения: в той же серии доступны итерации 69–219, что позволяет сравнивать поведение модели по ходу обучения. README сообщает о проверке весов на NaN/Inf и загрузке с генерацией примеров перед публикацией. Результаты могут зависеть от сценариев агентной среды; сравнительные оценки качества в карточке не приведены.

roberta-base-ca-v2-cased-ner — модель распознавания именованных сущностей в каталонском тексте, разработанная подразделением Text Mining Unit центра Barcelona Supercomputing Center в рамках Projecte AINA. Это модель RoBERTa с 151,8 млн параметров, дообученная на основе projecte-aina/roberta-base-ca-v2; она принимает текст и присваивает метки его токенам, выделяя именованные сущности. Контекст модели составляет 514 токенов. Модель предназначена для извлечения именованных сущностей из каталонских текстов. Она обучалась и оценивалась на наборе AnCora-Ca-NER, где достигла F1 89,29. Результаты могут ухудшаться на текстах и сценариях, отличающихся от обучающих данных; создатели также отмечают, что возможны смещения, связанные с источниками обучающих корпусов. Модель распространяется по лицензии Apache 2.0.

Это китайская модель RoBERTa-Base для классификации текста, дообученная командой UER с помощью UER-py на наборе Chinanews. В карточке показан пример классификации китайской новостной фразы с меткой «политика материкового Китая». Репозиторий содержит около 129,5 млн параметров; модель использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для определения тематических классов китайских новостных текстов. Её можно загружать через Transformers и использовать для автоматической тематической разметки новостных фрагментов. Обучающие наборы также включали китайские отзывы с метками тональности, однако этот конкретный чекпойнт обучен на Chinanews. В карточке не приведены метрики качества и перечень всех меток классов. Поддерживаются форматы PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Карточка модели uer/roberta-base-finetuned-jd-full-chinese на Hugging Face совпадает с карточкой uer/roberta-base-finetuned-chinanews-chinese, поэтому описание составлено по ней. Это китайская модель RoBERTa-Base для классификации текста, дообученная командой UER с помощью UER-py на наборе Chinanews. В карточке показан пример классификации китайской новостной фразы с меткой «политика материкового Китая». Репозиторий содержит около 129,5 млн параметров; модель использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для определения тематических классов китайских новостных текстов. Её можно загружать через Transformers и использовать для автоматической тематической разметки новостных фрагментов. Обучающие наборы также включали китайские отзывы с метками тональности, однако этот конкретный чекпойнт обучен на Chinanews. В карточке не приведены метрики качества и перечень всех меток классов. Поддерживаются форматы PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Это модель распознавания именованных сущностей на основе RoBERTa, дообученная проектом T-NER на обучающей части TweetNER7 (train_all). Она размечает в тексте упоминания людей, организаций, творческих работ, событий, групп, мест и продуктов; предназначена прежде всего для анализа подготовленных твитов и извлечения сущностей из сообщений социальных сетей. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForTokenClassification и принимает последовательности текста с контекстом до 514 токенов. В тестировании TweetNER7 за 2021 год micro F1 составил 0,652; качество различается по категориям: лучше всего распознаются люди (F1 0,838), слабее — творческие работы (0,466), события (0,467) и корпорации (0,517). Для корректной обработки твитов следует учитывать предобработку TweetNER7, где имена аккаунтов и URL преобразованы в специальные форматы. Лицензия в предоставленных данных не указана.

Shoshan — это контекстный лемматизатор иврита, разработанный HebArabNlpProject. Модель дообучена на основе DictaBERT и размечает слова, выбирая лемму из банка примерно из 117,6 тыс. вариантов; если выбранная лемма морфологически неправдоподобна для исходной формы, модель применяет ограниченное преобразование по выученному скрипту правок. Она не генерирует произвольные строки. Модель предназначена для лемматизации предложений и документов на иврите, в том числе текста, извлечённого из PDF. Согласно README, точность лемматизации составляет 92,4% на данных вне обучающей области и 94,3% внутри неё. Обновление Shoshan 0.4.0 исправило обработку Unicode presentation forms и смещения символьных диапазонов; веса при этом не менялись. Модель обучена на открытых частях корпуса IAHLT Hebrew UD Treebank (Knesset и Wikipedia) и публичных ивритских лексиконах. Лицензия — MIT.

Veritone публикует текстовую башню SigLIP 2 So400m — отдельную копию текстового энкодера модели google/siglip2-so400m-patch16-512. Она преобразует текстовые запросы в общее пространство эмбеддингов с изображениями и предназначена для использования при поиске, отдельно от башни зрения; разделение позволяет загружать только нужную часть модели. В паре с соответствующей башней зрения её можно применять для классификации изображений по кандидатным текстовым меткам без дообучения и для поиска изображений по тексту. Архитектура — SigLIP, библиотека Transformers, веса в формате safetensors; контекст составляет 64 токена. Модель обучена в составе SigLIP 2 на датасете WebLI. Карточка указывает лицензию Apache-2.0. Сам текстовый энкодер не принимает изображения, поэтому для полного сценария поиска или классификации требуется совместимая башня зрения, например Veritone/siglip2-so400m-patch16-512-vision.

Smol-Hub-tldr — компактная языковая модель, разработанная Davan Strien на основе HuggingFaceTB/SmolLM2-360M. Модель дообучена методом supervised fine-tuning и предназначена для создания кратких однопредложных резюме карточек моделей и датасетов Hugging Face Hub, чтобы быстро понять их назначение и основные характеристики. Модель принимает текст карточки и генерирует текстовое резюме. В обучении использовались резюме карточек, созданные Llama 3.3 70B; в README рекомендуется применять chat template и передавать основную часть карточки без YAML-заголовка. Хотя нативный контекст составляет 8192 токена, при обучении использовались карточки длиной до 2048 токенов. Модель содержит 361,8 млн параметров, использует архитектуру Llama и формат safetensors. Резюме также можно использовать как исходный текст для построения эмбеддингов и семантического поиска. Модель сфокусирована на карточках Hugging Face и не предназначена для универсального суммирования произвольных документов. Лицензия — MIT.

SuperPAL — модель для классификации текстовых последовательностей, опубликованная группой BIU-NLP. Она основана на архитектуре RoBERTa и предназначена для оценки согласованности между резюме и отдельными утверждениями исходного текста — задачи Summary-Source Proposition-level Alignment. Модель содержит 454,1 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в формате PyTorch. SuperPAL подходит для проверки, подтверждается ли утверждение в резюме соответствующим исходным материалом, например при анализе качества кратких изложений. Карточка ссылается на исследование 2021 года и не приводит лицензию, поэтому условия использования следует уточнить в репозитории или у разработчиков.

TEMPURA-Qwen2.5-VL-7B — дообученная мультимодальная модель Andaba на основе Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL и 7,1 млрд параметров. Она предназначена для анализа видео и рассуждений о временной структуре событий. Модель описывает неразмеченные фрагменты видео как последовательность событий с временными метками и подробными описаниями, предсказывает содержание скрытого сегмента и находит моменты, соответствующие текстовому запросу, включая выделение ключевых моментов. Для входа видео представляют последовательностью кадров, отобранных с частотой 1 кадр в секунду, с временными метками. Модель принимает видео и текстовые запросы, а выдаёт текстовые описания, рассуждения и временные привязки. Репозиторий распространяется в формате Safetensors; лицензия — Apache-2.0. Описанный формат подачи кадров и частота 1 кадр в секунду задают требования к входному представлению видео.

mazombieme/There-Are-No-Games — разреженный SPLADE-энкодер, созданный в рамках учебного проекта по информационному поиску с использованием Sentence Transformers. Модель дообучена на базе naver/splade-v3 и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство оценивается скалярным произведением. Архитектура включает BertForMaskedLM и max-пулинг SPLADE с ReLU, размер модели — 136,7 млн параметров. Модель предназначена для семантического поиска и разреженного извлечения документов, в частности для рекомендации игр по их описаниям. Обучающие примеры содержат короткие запросы и описания игр. Максимальная длина последовательности — 512 токенов. Карточка указывает английские примеры, но не задаёт полный список поддерживаемых языков. Лицензия в предоставленных данных не указана.

uncased-clf-persiannews_v2 — модель классификации текста на основе BERT, разработанная как дообученная версия HooshvareLab/bert-fa-base-uncased-clf-persiannews. Она предназначена для отнесения персидских новостных текстов к тематическим категориям. Модель содержит 190 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст с контекстом до 512 токенов. На указанном в карточке наборе для оценки модель получила accuracy и F1 0,6504, precision 0,6521 и loss 0,9489. Данные обучения в README обозначены как None, поэтому состав обучающей выборки и области, в которых классификатор надёжно работает, оценить нельзя. Модель распространяется по лицензии Apache-2.0.

A.X Encoder-base — разработанный SKT базовый энкодер для понимания корейских документов и корпоративного применения. Модель создана внутри компании: SKT отвечала за архитектуру, подготовку данных и обучение на собственной вычислительной инфраструктуре TITAN. Модель использует архитектуру ModernBERT и предназначена для классификации документов и других задач понимания корейского языка, включая оценку образовательной ценности, определение тематической области и уровня сложности. README сообщает о результатах на наборах KoBEST и KLUE и ускорении инференса до трёх раз по сравнению с более ранними моделями. Контекст составляет до 16 384 токенов; модель построена как энкодер с маскированным языковым моделированием. Для работы через Transformers требуется версия 4.51.0 или новее; для повышения эффективности на совместимом GPU можно использовать Flash Attention 2. Модель распространяется по лицензии Apache-2.0.

oracat/bert-paper-classifier-arxiv — дообученная модель на базе microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract для классификации научных статей по таксономии arXiv. Она принимает заголовок статьи и, при наличии, аннотацию и предсказывает подходящие категории arXiv, например cs.CL для статьи о Transformers. Модель ориентирована на статьи по математике, информатике, физике и смежным областям. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и рассчитана на контекст до 512 токенов. Опубликована в формате PyTorch и распространяется по лицензии MIT. README не сообщает о точности и других результатах оценки модели.