I.1Поиск и навигация по информации

EvanD/xlm-roberta-base-ukrainian-ner-ukrner — модель распознавания именованных сущностей на базе XLM-RoBERTa, дообученная на украинском наборе данных NER из Flair. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для токенов; контекст — до 514 токенов. Она предназначена для извлечения сущностей из украинских текстов, например имён людей и географических названий. В README приведены результаты тестирования на украинском NER: macro F1 0,990 и macro precision 0,939. Модель доступна в формате PyTorch для использования с Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

sergeyvi4ev/all-MiniLM-RAGSQL-code — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss на наборе sergeyvi4ev/sql_questions_triplets и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений в задачах, связанных с SQL. Её можно применять для поиска релевантных SQL-вопросов или текстов по смыслу и группировки похожих запросов. Карточка описывает эмбеддинги общего текстового типа, но не сообщает результаты оценки качества или конкретные ограничения в SQL-сценариях. Файлы модели представлены в формате safetensors; лицензия в доступных данных не указана.

Модель ai-forever/bert-base-NER-reptile-5-datasets разработана командой SberIDP для распознавания именованных сущностей. Это BERT base uncased с 136,7 млн параметров, обученный с использованием Reptile на пяти наборах данных для NER: CoNLL-2003, WNUT17, JNLPBA, CoNLL-2012 (OntoNotes) и BTC. Модель предназначена для разметки сущностей в тексте и последующей адаптации к новым типам сущностей на небольшом количестве примеров. В карточке описана проверка в Few-Shot сценарии на Few-NERD: модель использовалась как основа для StructShot. Архитектура — BertForTokenClassification; модель принимает текст, выдаёт метки токенов и поддерживает контекст до 512 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch, лицензия в предоставленных данных не указана.

marquesafonso/bertimbau-large-ner-selective — модель для распознавания именованных сущностей в текстах на португальском языке. Она основана на крупной версии BERTimbau и предназначена для разметки токенов по пяти классам: люди, организации, места, время и значения. В карточке указано, что использован вариант BERT-CRF для selective-сценария из папки ner_evaluation исходного репозитория BERTimbau. Модель имеет архитектуру BERT для классификации токенов, содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Она подходит для извлечения сущностей из португалоязычных текстов, но карточка не приводит оценок качества или подробностей обучения.

mrm8488/bert-mini-finetuned-age_news-classification — англоязычная модель классификации новостей, созданная разработчиком mrm8488 дообучением BERT-Mini на наборе данных AG News. Это компактный классификатор последовательностей на архитектуре BERT с примерно 12 млн параметров и контекстом до 512 токенов. Модель принимает текст и присваивает ему категорию новости; в карточке Hugging Face для тестовой выборки AG News указана точность около 0,934. Модель предназначена для автоматической тематической сортировки новостных материалов и демонстрации классификации текста. Карточка предоставляет варианты весов PyTorch и Flax, а также формат safetensors. Условия лицензии в доступных источниках не подтверждены.

Jean-Baptiste/camembert-ner — модель распознавания именованных сущностей, созданная дообучением CamemBERT на французском датасете wikiner-fr, содержащем около 170 тысяч предложений. Она размечает токены как имена людей, организации, географические объекты, прочие сущности или текст вне сущностей. Модель предназначена для извлечения сущностей из французских текстов, в том числе электронных писем и чатов; автор сообщает, что на таких данных она лучше справлялась с сущностями, начинающимися со строчной буквы. Архитектура — CamemBERT для классификации токенов, около 137,8 млн параметров и контекст до 514 токенов. В README приведена общая оценка F1 0,8914; показатель F1 для имен людей — 0,9483. Доступны файлы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Качество зависит от типа текста и категорий сущностей: обучение проводилось на wikiner-fr, а приведённые метрики не гарантируют таких же результатов на других данных.

Это мультимодальная модель CLIP ViT-B/32, обученная Mehdi Cherti с помощью OpenCLIP на датасете DataComp-1B. Она сопоставляет изображения и текст и предназначена для классификации изображений по произвольным текстовым меткам без дообучения, поиска изображений по тексту и поиска текстов по изображению. Модель использует визуальный энкодер ViT-B/32 и входное разрешение 256×256 пикселей. В тестах на наборе из 38 датасетов модель показала точность 72,7% zero-shot top-1 на ImageNet-1k, а на COCO captions — recall@5 64,4% для поиска изображений и 80,7% для поиска текстов. Доступны веса PyTorch и safetensors; лицензия — MIT. Карточка рекомендует исследовательское применение и предостерегает от развёртывания без тщательной проверки на конкретной задаче и фиксированном наборе классов: качество зависит от формулировок и таксономии меток. Распознавание лиц и наблюдение указаны как недопустимые сценарии; модель может наследовать смещения и риски из неотфильтрованных данных обучения.

Context Aware Splitter (CAS) — каузальная языковая модель семейства Llama, опубликованная mhenrichsen для разбиения текста с учётом контекста при подготовке данных для Retrieval-Augmented Generation (RAG). Она сегментирует текст на самостоятельные по смыслу фрагменты заданного примерного размера и возвращает список фрагментов вместе с кратким обозначением темы. Модель обучена на 12,3 тыс. датских текстов объёмом 13,4 млн токенов и рассчитана прежде всего на датский язык. Метаданные указывают размер 1 млрд параметров и контекст до 8194 токенов; веса представлены в форматах PyTorch и safetensors. CAS подходит для автоматической подготовки текстовых коллекций к индексации и поиску в RAG-системах. Карточка описывает её как специализированный сплиттер, а не как универсальную модель генерации. Лицензия Apache-2.0 допускает широкое использование при соблюдении её условий.

Dialog2Flow single target model (DSE-base) — модель эмбеддингов предложений, представленная Серхио Бурдиссо как вариант D2F_single из работы Dialog2Flow, опубликованной на EMNLP 2024. Она использует дообученную основу aws-ai/dse-bert-base и библиотеку Sentence Transformers; модель преобразует предложения и абзацы в плотные векторы размерности 768 для поиска и кластеризации. Модель ориентирована на извлечение потоков диалога и представление фраз в задачах, связанных с диалогами. Она обучалась на наборах sergioburdisso/dialog2flow-dataset и Salesforce/dialogstudio, а контекст ограничен 512 токенами. Для работы с Transformers требуется применить соответствующую операцию pooling к контекстным векторам слов. Модель поддерживает английский язык и распространяется по лицензии MIT. Указанные в статье результаты показывают улучшение относительно варианта на BERT-base, однако качество зависит от задачи и способа формирования представлений; README не приводит подробных результатов или рекомендаций по эксплуатации.

Это дообученная модель серии Dynamic Topic Modeling, разработанная Aman Priyanshu на основе Unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации иерархических тем по тексту в формате «область > общая тема > конкретная тема». Модель построена на архитектуре Llama 3.2 с 1,2 млрд параметров и контекстным окном до 131 072 токенов по метаданным. Для обучения использовали 100 000 документов из подвыборки RedPajama-1T с аннотациями тем трёх уровней; в описании обучения указана длина последовательности 2048 токенов. Модель ориентирована на английский язык и работает с текстом, выдавая текстовую классификацию тем. Её можно применять для тематической разметки документов и построения иерархии тем в коллекциях текстов. Карточка приводит значение loss 2,3959, но не содержит сравнительной оценки качества на независимом тестовом наборе. Условия лицензии в предоставленных данных не приведены.

IndicBERT — мультиязычная модель семейства ALBERT, разработанная AI4Bharat и предварительно обученная на корпусе примерно из 8,9 млрд токенов. Она охватывает 12 языков, включая ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. По размеру модель компактнее mBERT и XLM-R; в оценках на IndicGLUE и дополнительных задачах она показала сопоставимые или более высокие результаты по отдельным метрикам. Модель предназначена для дообучения и применения в классификации новостей и отзывов, анализе тональности, предсказании заголовков и разделов, а также в задачах выбора ответа на вопросы. В отчёте об оценке использовалась максимальная длина последовательности 128 токенов; результаты различаются между задачами, и, например, на некоторых тестах анализа тональности IndicBERT уступает XLM-R. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Это японская модель CLIP, разработанная компанией rinna Co., Ltd. Она предназначена для получения сопоставимых признаковых представлений изображений и японских текстов, чтобы использовать их для поиска и классификации изображений по текстовому описанию. Модель обучалась на наборе CC12M с подписями, переведёнными на японский язык. В архитектуре используется визуальный энкодер ViT-B/16 и 12-слойный BERT-энкодер текста; визуальный энкодер инициализирован из AugReg vit-base-patch16-224. Модель распространяется в форматах PyTorch и safetensors и доступна по лицензии Apache-2.0. В метаданных Hugging Face указаны задача feature-extraction и поддержка японского языка.

NVIDIA Kimi-K2.6 Eagle3 — вспомогательная модель Eagle head для Moonshot AI Kimi-K2.6, предназначенная для ускорения авторегрессионной генерации с помощью спекулятивного декодирования. Она обучена на синтетических ответах целевой модели и интегрируется с Model Optimizer; архитектура указана как Transformers / DeepSeek V3, размер — 1,8 млрд параметров. При длине чернового продолжения 3 README сообщает среднюю длину принятой последовательности 2,62 токена на MT-Bench и 2,67 на качественной подвыборке SPEED-Bench. Модель рассчитана на применение в чат-ботах, агентных системах, RAG и других приложениях, где нужна более быстрая генерация ответов, кода и инструкций. Карточка указывает мультимодальный ввод текста, изображений и видео, текстовый вывод и контекст до 256 тыс. токенов. Для инференса заявлена интеграция с TensorRT-LLM на системах NVIDIA Blackwell под Linux. README разрешает коммерческое и некоммерческое применение в соответствии с NVIDIA Open Model License; конкретные ограничения производительности и совместимости зависят от конфигурации serving-системы.

Карточка модели faisalraza/layoutlm-invoices на Hugging Face совпадает с карточкой impira/layoutlm-invoices, поэтому описание составлено по ней. Impira LayoutLM Invoices — дообученная мультимодальная модель семейства LayoutLM от команды Impira для ответов на вопросы по счетам-фактурам и другим документам. Модель содержит 151,8 млн параметров, использует архитектуру LayoutLMForQuestionAnswering и доступна в форматах PyTorch и Safetensors. Модель предназначена для извлечения ответов из документов с учётом их визуальной структуры и расположения текста. Её дообучали на закрытом наборе счетов-фактур, а также на SQuAD 2.0 и DocVQA для более общего понимания документов. Дополнительная классификационная голова позволяет предсказывать ответы из несмежных фрагментов текста, например корректно собирать адрес, разделённый другими элементами документа. Для использования разработчики рекомендуют DocQuery. Карточка указывает поддержку английского языка; метаданные задают контекст в 514 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничивает коммерческое использование.

LettuceDetect large modernbert en v1 — англоязычная модель KRLabsOrg для выявления галлюцинаций в ответах на основе заданного контекста, в частности в системах Retrieval-Augmented Generation (RAG). Это дообученная для классификации токенов модель ModernBERT-large; в метаданных базовой моделью указана answerdotai/ModernBERT-base. Репозиторий содержит веса Safetensors, модель насчитывает 394,7 млн параметров и поддерживает контекст до 8192 токенов. Модель анализирует контекст вместе с ответом и размечает токены ответа, которые не подтверждаются контекстом; оценки по токенам можно объединить в фрагменты, чтобы показать подозрительные места. Она предназначена для проверки ответов RAG и локализации неподтверждённых утверждений. В README приведён результат F1 79,22% на тестовой выборке RAGTruth для оценки на уровне примеров. Указана лицензия MIT. Заявленные характеристики и результаты относятся к описанной конфигурации и набору данных; качество на других данных может отличаться.

Это мультиязычная модель эмбеддингов LinkTransformer, разработанная исследователями Гарвардского университета. Она основана на XLM-RoBERTa и дообучена на парах названий компаний и их псевдонимов из Wikidata с помощью контрастивной функции потерь SupCon. Модель кодирует предложения и абзацы в плотные векторы размерности 768; заявленный максимальный размер последовательности в конфигурации — 128 токенов, а контекст модели — 514 токенов. Модель предназначена прежде всего для связывания записей: поиска совпадающих сущностей, дедупликации, кластеризации и объединения данных. Её также можно применять для семантического поиска и оценки сходства предложений в экосистеме Sentence Transformers. Она рассчитана на немецкий, английский, китайский, японский, хинди, арабский, бенгальский, португальский, русский, испанский, французский и корейский языки. Специализация на названиях компаний и псевдонимах Wikidata помогает сопоставлять варианты именования в задачах связывания записей, но не подтверждает такое же качество на других типах сущностей и текстов. Для применения модели необходима библиотека Sentence Transformers или LinkTransformer. Лицензия в предоставленных данных не указана.

benjamintli/modernbert-code — модель Sentence Transformers, созданная дообучением answerdotai/ModernBERT-base на наборе code-retrieval-combined. Она преобразует текстовые запросы и фрагменты кода в плотные векторы размерностью 768 и подходит для семантического поиска и сопоставления запросов с релевантным кодом. В README указана максимальная длина последовательности 1024 токена; метаданные каталога указывают контекст до 8192 токенов, поэтому фактическую длину входа следует сверять с конфигурацией используемого чекпойнта и библиотеки. Для сравнения векторов рекомендуется косинусное сходство. Модель основана на encoder-only архитектуре ModernBERT, содержит 149 млн параметров и распространяется в формате safetensors. Основные сценарии — поиск кода по текстовому описанию, семантический поиск и ранжирование кандидатов по близости к запросу, а также поиск похожих текстов и кластеризация. В README приведены результаты оценки поиска информации, однако они относятся к указанному в карточке набору оценки. Модель не генерирует код или ответы: она выдаёт векторы для последующего сравнения. Лицензия в предоставленных данных не указана.

Это модель извлечения именованных сущностей (NER) для индонезийского языка, разработанная Asep Muhamad и предназначенная для использования в spaCy версии 3.8.x. Она классифицирует сущности в индонезийских текстах по 19 типам, включая людей, организации, геополитические объекты, даты, время, денежные значения, количества, продукты, события и произведения искусства. Модель подходит для анализа новостей, финансовых, образовательных и других формальных текстов, а также для пакетной обработки документов. Модель построена на архитектуре spaCy TransitionBasedParser с HashEmbedCNN для преобразования токенов в векторы; используются 96-мерные эмбеддинги, глубина 4 слоя и скрытая размерность 64. Обучение проводилось на данных Universal Dependencies v2.8. По заявленным результатам, token-level F1 составляет 95,52%, precision — 95,31%, recall — 95,72%, а скорость обработки достигает 66 612 токенов в секунду. Sentence-level F1 составляет 85,83%, что указывает на менее стабильное распознавание полного набора сущностей в предложении. Модель лучше всего подходит для формального индонезийского текста; на разговорной речи и в узкоспециализированных доменах качество может снижаться. Возможны ошибки в определении границ сложных составных сущностей. Модель распространяется по лицензии CC BY-SA 3.0 и требует spaCy версии не ниже 3.8.0 и ниже 3.9.0.

R3-Rerank-0.6B — компактный реранкер, разработанный Tencent для поиска навыков, подходящих агенту с учётом запроса. Это cross-encoder на базе Qwen3, который совместно оценивает запрос и каждый кандидат-навык, чтобы упорядочить результаты поиска. В двухэтапном поиске R3-Skill он выполняет этап ранжирования после извлечения кандидатов; для этапа отбора кандидатов используется R3-Embedding-0.6B. Модель содержит 507,6 млн параметров, принимает текст и выдаёт оценки релевантности для сортировки. Контекст — до 40 960 токенов. В метаданных указана задача text-ranking; также отмечена возможность text-generation, однако README описывает применение именно для реранжирования. Лицензия — Apache-2.0.

CHAI OCR — экспериментальная модель компьютерного зрения и языка, созданная на основе Qwen 3.5 4B VL слиянием методом task arithmetic. Она предназначена для распознавания текста на изображениях документов и извлечения их структуры: в частности, для работы со старыми и повреждёнными сканами, таблицами, формами и многостолбцовыми страницами. В модели усилена адаптация визуального энкодера: 297 тензоров визуальной башни, около 333 млн параметров, сдвинуты дальше по уже изученному вектору дообучения с коэффициентом 1,25; языковая модель и остальные указанные компоненты сохранены от настроенного исходного чекпойнта. Архитектура — Qwen3.5 Vision-Language Model; модель принимает изображения и текст и генерирует текст. В README приведён результат 78,6 для конкретной конфигурации тестирования, но авторы подчёркивают, что оценка экспериментальная и требует воспроизведения при одинаковых условиях. Возможное улучшение OCR не подтверждено причинно и может сопровождаться ухудшением других возможностей. Лицензия в предоставленных данных не указана.

UMCU/SapBERT-from-PubMedBERT-fulltext_bf16 — англоязычная Sentence Transformer-модель на архитектуре BERT, дообученная на основе cambridgeltl/SapBERT-from-PubMedBERT-fulltext. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768, пригодные для сравнения по косинусному сходству, семантического поиска, поиска парафраз, кластеризации и классификации текста. Модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов по метаданным; карточка модели задаёт максимальную длину последовательности 25 токенов. Модель предназначена для поиска и сопоставления биомедицинских текстов на английском языке. Эмбеддинги можно использовать для извлечения похожих описаний, группировки текстов и подготовки признаков для классификаторов. В карточке указана архитектура Sentence Transformer с BERT-трансформером и CLS-пулингом; доступен формат safetensors. Лицензия в предоставленных данных не указана.

VideoPrism-LvT-B — фундаментальный видеоэнкодер, разработанный Google DeepMind. Модель принимает последовательность кадров и преобразует видео в компактные embedding-представления, которые можно использовать в классификаторах, LLM, системах поиска и retrieval-моделях. Вариант LvT дополнительно включает текстовый энкодер, поэтому поддерживает сопоставление видео и текста по косинусному сходству. Модель предназначена для классификации видео и действий, пространственно-временной локализации, video-text retrieval и open-set classification. Архитектура основана на факторизованном видеоэнкодере ViViT и включает Vision Transformer ViT-B, а также временные attention-слои Transformer; размер модели составляет 248 млн параметров, размер файла — около 991 МБ. Видео подаются в формате (num_frames, 288, 288, 3), а видео- и текстовый энкодеры формируют глобальные embedding-векторы. Для токенизации текста используется SentencePiece-модель c4_en. Поддерживается произвольное число кадров за счёт интерполяции временных позиционных embedding. Сильной стороной VideoPrism является высокая универсальность: на 31 из 33 публичных тестов в четырёх категориях задач модель превзошла предыдущие лучшие foundation-модели без дообучения на целевых наборах данных. Ограничения связаны с возможными смещениями и шумом обучающих данных, включая автоматически полученные текстовые транскрипции; также заявлена недостаточная проработка длинных видео, геометрической информации и несемантических признаков. Модель распространяется по лицензии Apache-2.0. Перед применением в чувствительных сценариях, включая наблюдение и модерацию, необходима отдельная оценка рисков безопасности и справедливости.

MMG/xlm-roberta-large-ner-spanish — модель XLM-RoBERTa-large, дообученная для распознавания именованных сущностей в испанском тексте на испанской части набора CoNLL-2002. Она размечает текст на уровне токенов и подходит для извлечения сущностей из документов и других испаноязычных текстов. Архитектура — XLM-RoBERTa для классификации токенов; размер модели — 658,7 млн параметров, длина контекста — 514 токенов. В карточке указана оценка F1 89,17 на тестовой части CoNLL-2002. Модель опубликована в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

ctrlbuzz/bert-addresses — модель на базе BERT, дообученная разработчиком ctrlbuzz для распознавания имен людей, организаций и адресов в тексте. Она присваивает метки токенам: O, B-ORG, I-ORG, B-PER, I-PER, B-addr и I-addr; для обучения использовались объединенные данные CoNLL, OntoNotes 5 и созданный автором набор адресов. Модель предназначена для извлечения сущностей из текста, в частности адресов в США, а также имен и организаций. Модель имеет 135,5 млн параметров, архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Alesub/bert-finetuned-ner — модель семейства BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она принимает текст и присваивает метки отдельным токенам; подходит для извлечения сущностей из текста в задачах обработки естественного языка. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и поддерживает контекст до 512 токенов. Используются библиотека Transformers и формат весов Safetensors. В карточке приведены результаты оценки: precision 0,375, recall 0,6, F1 0,4615 и accuracy 0,4. Датасет указан как None, поэтому назначение меток и языки обучения определить нельзя. Лицензия — Apache-2.0.

seeledu/Chinese-Llama-2-7B — плотная модель семейства Llama с 6,6 млрд параметров, дообученная на китайском наборе инструкций на основе llama2-7B-HF. В карточке Hugging Face для неё указана задача извлечения признаков; модель доступна в формате PyTorch и имеет контекстное окно до 4096 токенов. Модель предназначена для извлечения векторных представлений текста. Дообучение на китайских инструкциях указывает на ориентацию на китайский язык, однако README не описывает конкретные сценарии применения, результаты оценки или ограничения. Лицензия в предоставленных данных не указана.

CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

maticzav/e5-base-legal — англоязычная модель Sentence Transformers, дообученная на базе intfloat/e5-base-v2 на 4 371 паре юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768 и оценивает семантическое сходство с помощью косинусного сходства. Модель подходит для семантического поиска и сопоставления формулировок в юридических документах, а также для кластеризации и поиска перефразировок. В основе — архитектура BERT; максимальная длина входа составляет 512 токенов. Для дообучения использован набор данных с парами текстов и оценками сходства. В README приведены результаты на contradiction-eval: Pearson 0,8482 и Spearman 0,623; это отдельная оценка сходства, а не гарантия качества для любых юридических задач. Модель не генерирует юридические заключения и её результаты требуют проверки специалистом. Лицензия в предоставленных данных не указана.

Parveshiiii/Embedding — конвертированная модель на архитектуре XLM-RoBERTa large с объединением представления CLS для получения эмбеддингов текста. В README указано, что модель ещё не обучена; её можно дообучить для задач векторного представления текста. Модель основана на FacebookAI/xlm-roberta-large и содержит 658,7 млн параметров. Она принимает текст и формирует векторные представления, которые могут использоваться для поиска похожих предложений и извлечения признаков. Базовая XLM-RoBERTa рассчитана на 100 языков; у самой модели нет подтверждённых результатов обучения эмбеддингов. Репозиторий использует Sentence Transformers и формат safetensors, лицензия — Apache-2.0.

dleemiller/finecat-nli-s — англоязычная модель для распознавания логических отношений между парами текстов: следования, нейтральности и противоречия. Она основана на энкодере jhu-clsp/ettin-encoder-68m и дообучена на наборе FineCat-NLI; при обучении также использовалась дистилляция логитов от dleemiller/finecat-nli-l. Архитектура — ModernBERT для классификации последовательностей, размер — 68,1 млн параметров, библиотека — Sentence Transformers, формат весов — safetensors. Контекст модели составляет 7999 токенов. Модель предназначена для NLI и классификации текстовых пар; её можно применять для проверки гипотез по текстовым предпосылкам и оценки того, поддерживает ли документ утверждение, не связан ли он с ним или противоречит ему. В README приведены результаты на нескольких NLI-наборах, включая MNLI, SNLI и ANLI. Метаданные также указывают поддержку sentence similarity и эмбеддингов. Заявленная языковая поддержка — английский. Метаданные не содержат сведений о лицензии, поэтому условия распространения и коммерческого использования следует проверить в карточке модели на Hugging Face.