I.1Поиск и навигация по информации

Misbahuddin разработал компактную модель sentence-transformers на базе multilingual-e5-small для нормализации неоднородных названий профессий. Она сопоставляет входные названия с одной из 4 055 канонических профессий из таксономий ESCO и O*NET, создавая текстовые эмбеддинги для поиска и ранжирования. Модель содержит 124,3 млн параметров, использует архитектуру BERT с mean pooling и выдаёт векторы размерности 384; контекст ограничен 512 токенами, а обучение ориентировано на короткие названия до 64 токенов. Модель подходит для обработки названий должностей в резюме, вакансиях и системах CRM, ATS и HRIS, а также для межъязыкового поиска с французского и немецкого на английский. В README сообщается о тестировании на 15 248 названиях без пересечения профессий между обучающей и тестовой выборками; качество поиска выше, чем у BM25 и исходной e5-small на приведённых метриках. Для корректной работы нужны префиксы `query:` для входных названий и `passage:` для канонических меток. Модель выпущена под лицензией MIT. Покрытие ограничено профессиями ESCO и O*NET, а проверенные языки — английский, французский и немецкий. Она не предназначена для автоматического найма, отбора кандидатов или решений о компенсации; в таких сценариях необходим контроль человека.

Apollo Raines выпустил вариант Llama 3.1 8B Instruct, изменённый инструментом jBlaze методом representation engineering. По карточке, дополнительного обучения не проводилось; изменение направлено на снижение склонности модели к выдумыванию правдоподобных, но неверных сведений и на более частое признание неопределённости. Модель предназначена для диалоговой генерации текста и ответов на вопросы, где важно осторожнее обращаться с неуверенными ответами. Это плотная причинно-языковая архитектура LlamaForCausalLM; метаданные указывают 7,5 млрд параметров, контекст до 131 072 токенов и формат safetensors. Карточка сообщает о точности bf16 и ограниченной демонстрационной версии с ослабленными возможностями. Поддерживается английский язык; основа — инструкционная Llama 3.1 от Meta. Снижение галлюцинаций заявлено разработчиком, но в карточке не приведены количественные результаты оценки, поэтому фактическую надёжность следует проверять на целевых задачах. Указана лицензия Llama 3.1; применяются её условия использования.

SLIMER-IT — модель генерации текста на базе Meta Llama 3, разработанная expert.ai для извлечения именованных сущностей на итальянском языке в режиме zero-shot. Она дообучена на итальянской инструкционной модели swap-uniba/LLaMAntino-3-ANITA-8B-Inst-DPO-ITA и настроена распознавать сущности по заданному пользователем названию типа, определению и рекомендациям, включая типы сущностей, которых не было среди обучающих меток. В README приведён пример извлечения мифологических сущностей и возврата результата в виде JSON-списка; модель также обучена на сокращённом наборе меток PER, ORG и LOC. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 8192 токенов. Лицензия — Llama 3 Community License. Подходит для извлечения сущностей из итальянских текстов, однако точность зависит от качества инструкций, определений и рекомендаций; карточка не приводит количественных оценок качества.

Модель Gladiator/microsoft-deberta-v3-large_ner_wnut_17 — дообученная версия microsoft/deberta-v3-large для распознавания именованных сущностей в тексте на наборе WNUT 17. Она использует архитектуру DeBERTa V2 для классификации токенов, имеет 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Подходит для извлечения сущностей из текста, в том числе упоминаний, характерных для пользовательского контента и социальных сетей. На оценочной выборке WNUT 17 модель показала F1 0,6848, точность 0,7671 и полноту 0,6184. Эти результаты относятся к указанному набору данных и не гарантируют аналогичного качества на других типах текста. Модель распространяется по лицензии MIT.

mREBEL — многоязычная модель извлечения отношений, разработанная авторами работы REDFM. Она формулирует задачу как генерацию последовательности и предназначена для извлечения субъектов, объектов и типов отношений из текста, а также для дальнейшей настройки на многоязычных наборах данных по извлечению отношений. Модель основана на архитектуре mBART, содержит около 457,4 млн параметров и имеет контекст до 1024 токенов. В карточке перечислены 19 языков: арабский, каталанский, немецкий, греческий, английский, испанский, французский, хинди, итальянский, японский, корейский, нидерландский, польский, португальский, русский, шведский, вьетнамский и китайский. Модель опубликована в форматах PyTorch и Safetensors и обучена на мультиязычном наборе SREDFM. При разборе результатов важны специальные токены, отделяющие сущности и типы отношений: согласно карточке, виджет вывода Hugging Face их не показывает. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

MyAwesomeModel — модель, опубликованная в репозитории sfafasgag5657/MyAwesomeModel-TestRepo и предназначенная по метаданным Hugging Face для извлечения признаков. Она интегрируется с библиотекой Transformers и использует экосистему PyTorch; в тегах также упоминается семейство BERT. Лицензия модели — MIT. README описывает обновлённую версию модели с улучшениями рассуждений, логического вывода, математических и программных задач, понимания текста, классификации, анализа тональности, суммаризации, перевода, диалогов и вызова функций. В карточке также заявлены снижение галлюцинаций и поддержка системных промптов, однако эти сведения ориентированы на генеративное использование и не согласуются напрямую с метаданными, где основная задача обозначена как feature extraction. Модель может быть полезна как компонент Transformers-пайплайна для получения векторных представлений текста и последующей классификации, поиска или сравнения. Размер, длина контекста, поддерживаемые естественные языки и точная архитектура в доступных данных не приведены; упоминание BERT в тегах не позволяет подтвердить конкретную конфигурацию.

darck-12 разработала SetFit-модель для классификации коротких текстов на арабском и английском языках. Она присваивает сообщениям одну из четырёх категорий: новости, исторические или научные факты, медицинская информация и неличные публикации. Модель предназначена для сортировки коротких постов и сообщений, в том числе текстов на египетском разговорном арабском, литературном арабском и английском, написанных в формальном или повседневном стиле. Основа модели — sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с классификационной головой LogisticRegression; модель дообучена методом SetFit. Она содержит 124,3 млн параметров, принимает текстовые данные с контекстом до 512 токенов согласно метаданным, а в README указана максимальная длина последовательности 128 токенов. На независимом тесте из 80 примеров автор сообщает точность 0,90 и macro F1 0,8958; полнота для класса исторических и научных фактов составила 0,60. Данные обучения синтетические и небольшие, поэтому результаты на реальных сообщениях могут отличаться. Лицензия в предоставленных данных не указана.

Severian/Nexus-IKM-Hermes-2-Pro-Mistral-7B — диалоговая языковая модель семейства Mistral, разработанная Severian и дообученная в течение двух эпох с помощью Unsloth на наборе данных Internal Knowledge Map. Модель предназначена для генерации текста в чате и ответов с опорой на знания, представленные в этом наборе данных. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель использует плотную архитектуру MistralForCausalLM, веса опубликованы в формате safetensors. Лицензия — MIT. Карточка не сообщает о специализированной предметной области или языках обучения, поэтому их нельзя достоверно указать.

Qwen3-8B TMax AENV v39b, версия обучения 169, — плотная авторегрессионная языковая модель на архитектуре Qwen3, разработанная на основе промежуточного SFT-чекпойнта willamazon1/qwen3-8b-tmax-sft-v3-iter353. Чекпойнт дообучен методом group-relative policy optimization на асинхронных многошаговых сценариях с агентной средой и предназначен для диалоговой генерации текста и работы агента с инструментами. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Веса сохранены в формате bfloat16 и Safetensors; обучающие состояния оптимизатора в репозиторий не включены. Для использования опубликованы соседние итерации обучения, позволяющие сравнивать этапы обучения. Модель распространяется по лицензии Apache-2.0. Это отдельный промежуточный RL-чекпойнт, поэтому качество и поведение могут отличаться от финальной модели; описание не приводит конкретных результатов оценки или перечня поддерживаемых языков.

Sci-BETO-large — испаноязычный энкодер RoBERTa, разработанный Flaglab и предварительно обученный с нуля на научных текстах. Модель содержит 454,1 млн параметров по метаданным Hugging Face; README указывает 355 млн. Использует токенизацию byte-level BPE и обучалась на корпусе более чем из 11 млрд токенов, включающем научные публикации, диссертации и другие академические материалы. Контекст модели составляет 514 токенов. Модель предназначена для научного NLP на испанском языке. Её можно дообучать для классификации текстов, распознавания именованных сущностей, поиска семантического сходства, выявления перефразирований и извлечения знаний из академических документов. Основная задача опубликованного чекпойнта — восстановление замаскированных токенов; README приводит результаты на общих и специализированных испанских наборах данных, включая PharmaCoNER. Модель ориентирована на академический регистр и латиноамериканские варианты испанского, поэтому может хуже работать с неформальной речью. Она не предназначена для генерации текста и не обучалась на английских или двуязычных данных. Распространяется по лицензии Apache-2.0.

Veritone/siglip2-base-patch16-384-text — текстовая башня модели SigLIP 2 Base, представленная Veritone как облегчённая копия google/siglip2-base-patch16-384. Она кодирует текстовые запросы в общее пространство эмбеддингов с изображениями и рассчитана на отдельную загрузку при поиске, когда в индексирующей части используется соответствующая модель Veritone/siglip2-base-patch16-384-vision. Такое разделение позволяет загружать только нужную башню и экономить память и время загрузки. Модель предназначена для текстовой стороны поиска по изображениям и классификации изображений по кандидатным текстовым меткам без отдельного обучения на этих метках. SigLIP 2 использует единый рецепт предобучения для улучшения семантического понимания, локализации и плотных визуальных признаков; исходная модель предобучена на WebLI. Карточка не указывает языковую специализацию текстовой башни, поэтому конкретные поддерживаемые языки не заявляются. Репозиторий содержит только текстовую башню, поэтому сам по себе не принимает изображения: для сопоставления нужны эмбеддинги изображений, полученные совместимой визуальной башней. Модель распространяется по лицензии Apache-2.0.

Модель sentence-transformers, созданная AhmedHamdi дообучением sentence-transformers/all-mpnet-base-v2 на задаче сходства предложений. Она предназначена для кодирования текстов в векторы и сравнения сюжетов или описаний историй на португальском и английском языках; её можно применять для семантического поиска, ранжирования похожих текстов и группировки сюжетов. Архитектура MPNet содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт эмбеддинги. В README приведена метрика loss 0,0507, но набор данных и методика оценки не описаны, поэтому результат не позволяет оценить качество на других типах текстов. Формат весов — safetensors; лицензия в предоставленных данных не указана.

cardiffnlp/twitter-roberta-base-dec2021-tweet-topic-multi-all — модель Cardiff NLP на базе RoBERTa, дообученная для многометочной классификации тем сообщений в Twitter на датасете tweet_topic_multi. Обучение проводилось на полном обучающем наборе train_all, а проверка — на test_2021. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. В тестировании на test_2021 достигла micro-F1 0,765, macro-F1 0,619 и accuracy 0,549. Подходит для автоматической разметки тем твитов и анализа тематических тенденций. Лицензия в предоставленных данных не указана.

timm/ViT-B-16-SigLIP2-naflex — контрастивная модель «изображение—текст» семейства SigLIP 2, подготовленная timm и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Она предназначена для классификации изображений по текстовым описаниям без дообучения: модель сопоставляет изображение с набором текстовых меток или запросов и оценивает их соответствие. Зрительная часть построена на NaFlexViT и поддерживает обычную обработку изображений фиксированного размера 384×384, а также режим NaFlex с переменным соотношением сторон; стандартная оценка в этом режиме использует 576 токенов изображения при размере патча 16. Модель обучена на наборе WebLI. Веса доступны в форматах PyTorch и Safetensors, библиотека использования — OpenCLIP; лицензия Apache-2.0. Модель подходит для поиска изображений по текстовым описаниям и распознавания категорий, заданных пользователем. Карточка не сообщает размер модели и перечень поддерживаемых языков, поэтому языковую поддержку сверх упоминания мультиязычной направленности SigLIP 2 определить нельзя.

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Large с патчами 16×16, предназначенный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на датасете WebLI; она извлекает признаки изображений и не включает текстовый энкодер. Модель подходит для получения визуальных представлений, которые можно использовать в системах поиска изображений, сопоставления и последующей обработки визуальных данных. В карточке указано разрешение 384 в названии модели. Репозиторий распространяется в форматах PyTorch и Safetensors под лицензией Apache-2.0.

Англоязычная модель Sentence Transformer, разработанная на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная для сопоставления описаний профессий и должностей. Энкодер BERT преобразует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения описаний вакансий и профессий, а также может применяться для поиска перефразирований, кластеризации и классификации текстов. Она обучена на 897 примерах и показала точность cosine_accuracy 0,7289 на указанной в карточке оценке TripletEvaluator. Лицензия в предоставленных данных не указана.

BAAR2-199M — компактная предобученная языковая модель разработчика aixk для генерации текста и диалогов на устройствах с ограниченными вычислительными ресурсами. В карточке заявлены 199 млн параметров, однако метаданные указывают общий размер 354,4 млн параметров; поэтому размер модели в карточке и каталоге расходится. Архитектура обозначена как плотная FHN_T4Max_199M, веса доступны в формате safetensors. Модель предназначена для лёгких чат-сценариев, работы на периферийных и встроенных устройствах, а также генерации ответов с переданным контекстом в RAG-системах с векторным поиском. Заявлена поддержка 11 языков: корейского, английского, японского, китайского, испанского, португальского, немецкого, русского, хинди, вьетнамского и тайского. Длина контекста не приведена. Это базовый предварительно обученный чекпойнт; для специализированных задач, точных фактических ответов и более качественного выполнения инструкций автор рекомендует дообучение или RAG. Лицензия указана как некоммерческая; для коммерческого использования предлагается связаться с разработчиком.

Bingsu/clip-vit-base-patch32-ko — корейская модель CLIP, обученная автором репозитория на основе метода Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым меткам без отдельного дообучения под каждый набор классов. Для обучения использовались корейско-английские параллельные данные AIHUB; токенизатор CLIP переобучен на смеси корейских и английских текстов в пропорции 7:3. Модель доступна в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT. В карточке не приведены размер модели и длина контекста.

ai4data/devdata-search-minilm-l6-cmnrl — модель-биэнкодер семейства DevData Search, разработанная ai4data для поиска по структурированным статистическим метаданным. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с использованием DevDataBench и функции потерь cmnrl. Модель преобразует запросы и описания наборов данных в векторы для семантического поиска и сравнения. При обучении применялись перестановка порядка полей и исключение части полей, чтобы модель связывала смысл с названиями полей, а не с их порядком. Для работы используются Sentence Transformers; модель не является готовым хостинговым поисковым сервисом. Это англоязычный BERT-энкодер с 25,9 млн параметров и контекстом до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она предназначена для векторизации текста и сама не генерирует ответы.

EM German 7B Leo — модель jphme для генерации текста и диалогов на немецком языке. Она дообучена на инструкциях на немецком языке на базе LeoLM, семейства моделей Llama 2 с дополнительным предварительным обучением на немецких текстах. Веса имеют архитектуру LlamaForCausalLM, содержат 6,6 млрд параметров и представлены в формате safetensors для библиотеки Transformers; контекст — до 8192 токенов. Модель рассчитана на ответы ассистента, понимание и создание немецкоязычных текстов, в том числе на запросы в формате RAG. Она использует формат запросов Vicuna; качество ответов может зависеть от версии и настроек генерации. В README автор советует при неудовлетворительных результатах попробовать rope_scaling 2.0 или другую версию модели. Лицензия — Llama 2; автор указывает, что модель предназначена только для исследовательского использования.

mradermacher/GrayLine-Gemma3-12B-i1-GGUF — набор GGUF-квантизаций модели GrayLine-Gemma3-12B, разработанной soob3123. Квантизацию выполнил mradermacher на основе исходной модели и набора данных GrayLine-QA. Модель предназначена для генерации текста на английском языке, ответов на вопросы, задач общего назначения, поиска и извлечения информации. В описании также заявлены прямой стиль ответов и отсутствие фильтрации, однако подробные результаты оценки этих свойств не приведены. Модель относится к семейству Gemma3 и имеет размер 12B параметров; точные сведения об архитектуре, длине контекста и поддерживаемых модальностях в README не указаны. Предоставляется в формате GGUF с вариантами квантизации от IQ1_S до Q6_K и размером файлов примерно от 3,0 до 9,8 ГБ. Это позволяет выбирать между меньшим потреблением памяти и сохранением качества, но низкобитные варианты могут заметно уступать по качеству; для некоторых вариантов README отмечает низкое качество, а Q4_K_M и Q4_K_S рекомендуются как практичный компромисс. Модель подходит для локального запуска в совместимом ПО, поддерживающем GGUF. Ограничения включают отсутствие заявленных характеристик мультимодальности, контекста и бенчмарков, а также возможную деградацию ответов из-за агрессивной квантизации. Указана лицензия Apache-2.0.

likenneth/honest_llama2_chat_7B — чат-модель на базе LLaMA 2 7B, в которую разработчик встроил интервенцию во время инференса (ITI), обученную на TruthfulQA. Она предназначена для генерации ответов с меньшей склонностью к галлюцинациям и может использоваться в диалоге и для проверки ответов на фактическую достоверность. Модель имеет плотную архитектуру LLaMAForCausalLM, содержит 6,6 млрд параметров и принимает текст, выдавая текст; максимальный контекст — 2048 токенов. Модель представлена в формате PyTorch и распространяется по лицензии MIT. README сообщает об эксперименте с LLaMA 2 7B и предоставляет код для применения ITI к более крупным моделям, однако отдельные результаты оценки качества в карточке не приведены.

syafiqfaray/indobert-model-ner — дообученная модель BERT для распознавания именованных сущностей с помощью классификации токенов. Она создана на основе indolem/indobert-base-uncased и содержит 137,8 млн параметров. Модель принимает текст, использует контекст до 512 токенов и возвращает метки для токенов. В карточке приведены результаты оценки: F1 0,838, точность 0,8307, полнота 0,8454 и accuracy 0,953. Датасет и набор классов сущностей не описаны, поэтому пригодность для конкретной предметной области и языка, помимо ориентации базовой модели на индонезийский, по карточке определить нельзя. Распространяется по лицензии MIT.

Misbahuddin/job-title-normalizer-e5-base — дообученный на задаче сопоставления предложений текстовый энкодер на базе intfloat/multilingual-e5-base от разработчика Misbahuddin. Модель нормализует неоднозначные и многоязычные названия должностей: кодирует входное название как запрос, а затем ищет ближайшую каноническую профессию в фиксированном корпусе из 4 055 позиций таксономий ESCO и O*NET. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и формирует эмбеддинги размерности 768; обучение с MatryoshkaLoss также рассчитано на усечённые размерности 512, 256, 128 и 64. Контекст — 514 токенов, но модель настроена на короткие названия должностей длиной до 64 токенов. Проверены английский, французский и немецкий языки, включая поиск соответствий с французского и немецкого на английские названия. Для правильной работы нужны префиксы «query:» для входных названий и «passage:» для канонических меток. Модель подходит для нормализации должностей в резюме, вакансиях и HR-системах, а также для семантического и межъязыкового поиска профессий. По данным README, на тесте с профессиями, не встречавшимися при обучении, она превосходит базовую multilingual-e5-base и BM25 по метрикам retrieval. Лицензия — MIT. Названия ролей сами по себе не позволяют делать выводы о кандидатах: модель не предназначена для решений о найме, отборе или оплате труда.

DataPilot/Llama3.1-ArrowSE-v0.4 — разговорная языковая модель на архитектуре Llama 3.1, созданная слиянием весов методом TIES через mergekit. В слияние вошли Meta-Llama-3.1-8B-Instruct, японская ELYZA Llama 3 и NVIDIA Llama3-ChatQA 1.5. По карточке модель предназначена для улучшения качества на японском языке; в составе также есть модель, ориентированная на ответы по документам и контексту для RAG. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 131072 токенов. В метаданных указан японский язык и задача text-generation; модель рассчитана на диалоговое применение. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — llama3. Карточка не приводит количественных оценок качества или конкретных ограничений; фактическое качество может зависеть от промпта и сценария применения.

LLIMONIIE — дообученная leopiano98 языковая модель для извлечения информации на итальянском языке. Она выполняет распознавание именованных сущностей без заранее заданной онтологии, извлечение отношений и совместное извлечение сущностей и отношений из текста в разных предметных областях. Модель основана на unsloth/llama-3-8b-instruct-bnb-4bit и использует архитектуру Llama для генерации текста. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и формат весов safetensors. Модель рассчитана на текстовый ввод и выдаёт результаты извлечения в текстовом виде. Лицензия — Apache-2.0. Карточка не приводит результатов оценок качества, поэтому надёжность извлечения для конкретного домена следует проверять на собственных данных.

LLM2CLIP — модель семейства CLIP, разработанная исследователями из Университета Тунцзи и Microsoft. Этот репозиторий содержит вариант OpenAI L/14 с разрешением изображения 224 пикселя и предназначен для получения признаков изображений и поиска соответствий между изображениями и текстом; в метаданных Hugging Face основная задача обозначена как zero-shot-классификация. Метод LLM2CLIP переносит языковые возможности большой языковой модели в текстовые эмбеддинги CLIP с помощью контрастивного обучения, а затем использует эту модель как учителя для визуального энкодера. Подход поддерживает работу с более длинными и сложными подписями и улучшает межъязыковой поиск; в статье также описано применение признаков в мультимодальном обучении. Для данной версии карточка приводит веса в формате safetensors и лицензию Apache-2.0. Авторы сообщают об улучшениях в задачах поиска по изображению и тексту, однако предупреждают, что результаты статьи оценивались на весах PyTorch и могут отличаться для версий Hugging Face. В карточке не приведены конкретный лимит контекста и список языков этой версии.

mist-encoder-base-ng — компактный языковой энкодер от olaverse для хауса, йоруба, игбо и нигерийского пиджина. Модель на архитектуре ModernBERT содержит около 30,7 млн параметров, обучена с нуля на задаче masked language modeling и использует токенизатор otk-bpe-50k. Контекст составляет до 1024 токенов. Выпущена под лицензией Apache-2.0. Энкодер предназначен для дообучения с задачными головами и подходит для классификации тем и тональности, определения языка и получения эмбеддингов предложений. Компактный размер помогает при развертывании на устройствах с ограниченными ресурсами. Для распознавания именованных сущностей модель слабее крупных специализированных энкодеров: в README указан разрыв примерно в 10–20 пунктов entity-F1. Данные для нигерийского пиджина ограничены, поэтому его поддержка тоньше, чем у остальных языков.

Это мультиязычная модель классификации намерений на архитектуре ModernBERT, разработанная vllm-sr на основе mmbert-32k-yarn. Она относит текст к одной из 14 категорий: биология, бизнес, химия, информатика, экономика, инженерное дело, здравоохранение, история, право, математика, прочее, философия, физика и психология. Модель предназначена для классификации академических вопросов и маршрутизации пользовательских запросов по тематическим категориям; её можно запускать в производственных системах, в том числе через Rust/Candle без PEFT. Модель содержит 306,9 млн параметров и поддерживает контекст до 32 768 токенов. Она дообучена методом LoRA ранга 32 на наборе TIGER-Lab/MMLU-Pro и дополнительной выборке категорий, после чего адаптер объединён с базовой моделью. Заявленная точность на тесте составляет 80%. Репозиторий содержит веса Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает на мультиязычность, но не перечисляет конкретные поддерживаемые языки.

Raveenasen/ner_model — дообученная на неизвестном наборе данных модель DistilBERT для классификации токенов. Она предназначена для задач разметки последовательностей, например распознавания именованных сущностей, однако карточка не уточняет набор меток и целевую задачу. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат весов safetensors. Контекст составляет до 512 токенов; лицензия — Apache-2.0. В README приведены метрики на оценочной выборке: loss 0,1098, accuracy 0,9780, precision 0,8828, recall 0,9028 и F1 0,8927. Эти результаты относятся к указанной выборке; без сведений о данных и метках нельзя оценить качество на других текстах. Базовая модель англоязычная, поэтому модель рассчитана прежде всего на английский текст.