I.3Извлечение и структурирование данных

MatTPUSciBERT — англоязычная модель BERT, разработанная Лукой Фоппиано и Педро Ортисом Суаресом для понимания текстов по материаловедению. Это дообученная на полных текстах научных статей модель SciBERT; при обучении в словарь добавили 100 специализированных терминов. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Основной режим работы — восстановление замаскированных слов в научном тексте. Модель также проверяли в задачах распознавания именованных сущностей для сверхпроводников и физических величин; приведённые результаты показывают сопоставимое с SciBERT качество на этих наборах. Карточка помечена как незавершённая работа. Лицензия в предоставленных данных не указана.

CMB-ClimateModernBERT Merge_TIES_D05_LRD — англоязычная модель-энкодер семейства ModernBERT, разработанная авторами проекта ClimateModernBERT для обработки климатических текстов. Она получена продолжением предобучения ModernBERT-Base на академических материалах, синтетических текстах и климатически релевантных веб-данных; затем веса опубликованы под названием, согласованным с нотацией статьи. Архитектура — ModernBertForMaskedLM, размер — 149 млн параметров, контекст — до 8192 токенов. Основная задача модели — заполнение маскированных пропусков; её также можно дообучать для классификации, многометочной разметки и поиска по климатическим документам. Модель предназначена для исследований NLP в климатической тематике: работы с научной литературой, корпоративной климатической отчётностью, политическими документами и новостями. В описанных авторами оценках она набрала в среднем 75,4 F1 на девяти климатических бенчмарках; для общего применения авторы рекомендуют другой чекпойнт семейства, Merge_Soup_LRD. Модель не является инструкционной и не даёт гарантированных фактических ответов. README указывает, что статья находится на рассмотрении, а лицензия модели отдельно не приводится в предоставленных данных.

Koichi Yasuoka разработал эту модель для морфологической разметки японского текста. Это дообученная ModernBERT Large, предварительно обученная на текстах 青空文庫; модель присваивает каждому короткому слову тег части речи UPOS и признаки FEATS, а также предназначена для синтаксического анализа зависимостей. Она поддерживает контекст до 8192 токенов и содержит 409,7 млн параметров. Модель подходит для автоматического анализа японских предложений и подготовки лингвистической разметки для корпусов и исследований. В README показан запуск через Transformers с пользовательским pipeline `upos` и `trust_remote_code=True`; метаданные указывают задачу `token-classification`. Распространяется по лицензии Apache-2.0.

Модель namaste-asu-matcher разработана Soham Chakraborty и дообучена на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления клинических формулировок с кодами классификации традиционных систем медицины Ayurveda, Siddha и Unani (ASU) из словаря NAMASTE. Это двунаправленный энкодер предложений на архитектуре BERT, который преобразует текст в плотные векторы размерности 384 для поиска и сравнения по косинусному сходству; число параметров — 25,9 млн. Модель предназначена для семантического поиска, устойчивого к опечаткам сопоставления симптомов и клинической лексики с терминами словаря, например в механизме картирования портала NAMASTE. Модель принимает текст на английском языке. Метаданные указывают контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов. Обучение выполнено с MultipleNegativesRankingLoss на 1 322 примерах. Модель создаёт эмбеддинги, а не текстовые ответы; её специализация ограничена клинической терминологией и кодами ASU/NAMASTE. Лицензия — MIT.

rcds/neg-xlm-roberta-base — модель на базе XLM-R-Base, разработанная для разрешения области действия отрицания в юридических текстах. Она размечает токены, выделяя маркеры отрицания и связанные с ними области. Модель обучалась на многоязычном наборе Multi Legal Neg, а также на ConanDoyle-neg, SFU Review, BioScope и Dalloux. Архитектура — XLM-RoBERTa для классификации токенов, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. Поддерживаются немецкий, французский, итальянский и английский языки. Модель предназначена для анализа юридических документов и исследований лингвистических явлений, связанных с отрицанием. В опубликованной оценке F1 составил 92,49 для французского, 88,81 для итальянского и 95,66 для немецкого варианта данных DE. Эти результаты относятся к указанным тестовым наборам и не гарантируют такое же качество на других юридических текстах. Разработчики рекомендуют учитывать возможные смещения и ограничения модели. Лицензия — CC BY-SA.

OS-Software/Qwen3.8-27B-MTP-heretic-ja-GGUF — производная GGUF-версия модели Qwen3.8-27B, разработанной командой Qwen и опубликованной OS-Software. Модель создана с использованием Heretic v1.4.0+custom, метода Arbitrary-Rank Ablation (ARA) и LoRA-адаптера для существенного снижения исходного safety alignment и отказов на проверочных японских наборах данных. Это причинная языковая модель с vision encoder, предназначенная для понимания текста, изображений и видео, а также для программирования, профессиональных и исследовательских задач и долгих агентных сценариев. Поддерживаются управляемый режим рассуждений, настройка глубины через reasoning_effort, сохранение контекста рассуждений и улучшенный tool calling. Из известных характеристик: 27B параметров, 64 слоя, hidden dimension 5120; точный размер контекста и полный перечень языков в представленном README не указаны. Модель может быть интересна для исследований безопасности, анализа выравнивания, red-teaming и экспериментов с поведением моделей. При этом снижение защитных механизмов повышает вероятность вредных, неточных, предвзятых, оскорбительных и иных неприемлемых ответов, поэтому модель не рекомендуется для публичных или пользовательских сервисов. Все результаты требуют независимой проверки, защитных мер и человеческого контроля. Указана лицензия Apache-2.0 как применимая лицензия базовой модели; использование выполняется на ответственности пользователя.

Карточка модели nityaak/qwen3-8b-stance-matrix-mtcsd-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Red Flag Detection: gate — медицинская модель для извлечения признаков из клинических заметок и сообщений пациентов на брунейском английском с элементами Manglish, китайском и малайском языках. Это один из пяти специализированных модулей системы обнаружения медицинских тревожных признаков; модуль выделяет восемь популяционных условий, например беременность и детский возраст, для последующей обработки вместе с другими модулями и движком правил. Модель основана на плотной причинной архитектуре Qwen2.5-3B-Instruct и дообучена с помощью LoRA; адаптеры объединены с базовой моделью. Она содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В README приведены метрики полного пятикомпонентного конвейера с движком правил на независимом наборе из 2246 случаев: F1 0,906 по основной метрике; это результат всей системы, а не отдельного gate-модуля. Модель предназначена для специализированного извлечения признаков и не заменяет клиническую оценку: в README она описана как компонент составного конвейера. Распространяется по лицензии Apache-2.0.

slm-125m-legal-sft — компактная языковая модель архитектуры Llama на 125,8 млн параметров, созданная abhishekai путём supervised fine-tuning модели abhishekai/slm-125m-legal-base. Она предназначена для ответов на вопросы по предоставленным фрагментам юридических и финансовых текстов в сценариях grounded QA и RAG; также обучалась суммированию, извлечению и перефразированию информации. Модель принимает текст, следует инструкциям и использует шаблон чата; контекст ограничен 1024 токенами. По оценке на 300 отложенных вопросах модель получила средний балл 4,05 из 10, но стандартные отраслевые бенчмарки не проводились. Она требует контекстный фрагмент, слабо подходит для закрытых вопросов и может галлюцинировать или ошибаться в арифметике. Модель ориентирована на английский язык и преимущественно на право США. Распространяется по лицензии Apache-2.0; автор описывает её как исследовательский и учебный артефакт, непригодный для юридических, финансовых или иных производственных решений.

SMILES2IUPAC-canonical-base — модель Knowledgator Engineering для преобразования строк SMILES в канонические названия по номенклатуре IUPAC. Она основана на MT5: архитектура типа encoder-decoder с механизмом внимания и отдельными токенизаторами для кодировщика и декодировщика. В репозитории представлены веса PyTorch объёмом 29,4 млн параметров; лицензия — Apache 2.0. Модель предназначена для генерации названия химического соединения по его SMILES-представлению. В README указаны варианты стиля названия: наиболее употребительное, полностью систематическое или основанное на тривиальных названиях частей соединения. Для базовой версии заявлены точность 86,9% и BLEU-4 0,964 в приведённой оценке. Модель не поддерживает изомерные и изотопные варианты SMILES, а точность снижается для крупных молекул. В README описан английский язык названий IUPAC; SMILES является входной химической нотацией, а не естественным языком.

Time Wizard — компактная модель компьютерного зрения и языка на 450 млн параметров, созданная дообучением LiquidAI/LFM2.5-VL-450M. Она анализирует фотографию аналоговых часов и отвечает временем в формате JSON, указывая час и минуту. Модель рассчитана на сценарии, где часы занимают большую часть изображения; для поиска часов в общем кадре сначала нужен детектор или ручная обрезка. Модель обучена на 2796 размеченных фотографиях из набора time-wizard-bench. В тесте на 200 фотографиях она показала 59% ответов с точностью до минуты и 74,5% правильных часов; авторы отмечают, что результат по точности до минуты находится в пределах статистической погрешности от GPT-5.6 Sol на этом тесте. Уверенность этих сравнений ограничена небольшим тестовым набором. Модель не определяет AM/PM и выдаёт часы в 12-часовом формате. Она может ошибаться на мелких или размытых циферблатах, цифровых часах, часах без минутной стрелки и остановившихся часах; рисунки и синтетические изображения не оценивались. Лицензия в метаданных указана как other, поэтому перед использованием следует проверить условия на странице модели.

VideoLLaMA3-2B-Image-HF — мультимодальная модель семейства VideoLLaMA 3, разработанного Language Technology Lab при Alibaba DAMO Academy; репозиторий lkhl содержит совместимую с Transformers копию весов. Она предназначена для диалога по изображениям: отвечает на вопросы о содержимом, описывает сцены и связывает визуальные сведения с текстом. Модель использует архитектуру VideoLlama3ForConditionalGeneration; исходный вариант VideoLLaMA3-2B-Image построен на Qwen2.5-1.5B-Instruct. В переданных метаданных указаны вход изображений и текстовый диалог, выход — текст; библиотека — Transformers, формат весов — Safetensors. Семейство VideoLLaMA 3 также ориентировано на понимание видео, однако для данного репозитория подтверждена задача image-text-to-text. Карточка копии автоматически сгенерирована и не содержит сведений о лицензии, языках, размере контекста и ограничениях; у оригинальной карточки указан английский язык и лицензия Apache-2.0. Условия оригинала нельзя автоматически переносить на эту копию.

ARI-8B — специализированная языковая модель DAMI-Lab для восстановления повреждённых или нечитаемых иероглифов ханча в корейских исторических записях, в том числе в «Анналах династии Чосон» и «Дневнике королевского секретариата». Она дообучена полным supervised fine-tuning на базе Qwen/Qwen3-8B и содержит 7,6 млрд параметров. Модель принимает текст с маркерами повреждённых символов, каждый из которых обозначает один пропущенный иероглиф, и генерирует восстановленный текст. ARI-8B предназначена для восстановления имён людей, географических названий, организаций, должностей, дат, названий книг и других фрагментов исторических документов. Полный метод ARI дополняет модель хронологическими метаданными и контекстом из 20 документов, найденных лексическим поиском BM25; эти документы и поиск не входят в опубликованные веса и должны быть подготовлены отдельно. В описанной оценке точность составила 35,36% для именованных сущностей и 76,87% для случайно повреждённых символов. Модель использует архитектуру Qwen3, поддерживает контекст до 40 960 токенов и распространяется по лицензии Apache-2.0.

bert-medium-amharic — модель семейства BERT, разработанная Rasyosef для обработки амхарского языка. Она обучена с нуля на корпусах Oscar, mC4 и amharic-sentences-corpus, содержащих в сумме 290 млн токенов; токенизатор также обучен с нуля и использует словарь размером 28 тысяч токенов. Архитектура — BertForMaskedLM, размер по метаданным — 48,2 млн параметров, максимальный контекст — 512 токенов. Основная задача модели — предсказывать замаскированные слова в тексте. В README также приводятся результаты дообучения на классификации тональности и распознавании именованных сущностей, но эти задачи требуют соответствующего дообучения. На амхарском наборе оценки автор сообщает perplexity 13,74 и результаты, сопоставимые с XLM-RoBERTa-base значительно большего размера. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

KrorngAI/deepseek_ocr_Khmer_finetuned — дообученная Kimang18 модель DeepSeek-OCR для распознавания кхмерского текста на изображениях текстовых областей. Она основана на DeepSeek-OCR, использует архитектуру DeepseekOCRForCausalLM и обучалась с LoRA на данных WildKhmerST; для обработки изображений указаны размер 512 × 512 и отключённый режим обрезки. Модель содержит 559,7 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для OCR и бенчмаркинга распознавания кхмерского письма, в том числе на искажённых текстовых изображениях из набора WildKhmerST-Warped. Автор сообщает об улучшении распознавания кхмерского текста после дообучения, однако качество пока ограничено: на тестовом наборе CER составил 237% с учётом случаев галлюцинаций; без них — 67,66%. В проблемных случаях модель может пропускать изображение и повторять один и тот же текстовый токен до достижения лимита генерации. README не содержит готового примера использования.

UGARIT/grc-ner-bert — модель распознавания именованных сущностей в древнегреческом тексте, созданная на основе pranaydeeps/Ancient-Greek-BERT. Это BERT-модель с архитектурой BertForTokenClassification, дообученная на размеченных корпусах древнегреческих текстов. Она присваивает токенам метки сущностей, включая людей, места, группы и категории NORP, а также другие сущности класса MISC. Модель подходит для разметки и анализа исторических текстов и корпусов на древнегреческом языке; максимальная длина контекста составляет 512 токенов. В README приведены результаты для класса LOC: F1 составляет 82,11% на тесте и 87,10% на валидации. Качество для других классов в доступной таблице не раскрыто, а наборы обучения включают ограниченное число древнегреческих корпусов, поэтому перенос на другие жанры и тексты может быть менее надёжным. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

Legal-BERTimbau-large — модель BERT Large, дообученная автором rufimelo на базе BERTimbau Large для работы с юридическими текстами на бразильском португальском языке. Для адаптации к правовой тематике модель прошла один этап дополнительного предобучения на 30 000 юридических документов, собранных из открытых источников. Модель предназначена для предсказания замаскированных слов в юридическом тексте и получения контекстных векторных представлений. Её можно применять как компонент конвейеров анализа португалоязычных правовых документов; размер по метаданным — 433,2 млн параметров, максимальная длина контекста — 512 токенов. Модель распространяется под лицензией MIT. Карточка не приводит результатов оценки качества именно на юридических задачах, поэтому пригодность для конкретного сценария следует проверять отдельно.

MedBIT-r3-plus — итальянская биомедицинская языковая модель на архитектуре BERT, разработанная на основе BioBIT. Авторы дополнительно обучили её на итальянских медицинских учебниках и материалах надёжных медицинских сайтов; общий размер корпуса составил около 200 МБ. Модель содержит 137,1 млн параметров и обрабатывает последовательности длиной до 512 токенов. Основной сценарий использования — заполнение пропусков в итальянском биомедицинском тексте. В карточке также приведены результаты оценки на задачах распознавания медицинских сущностей, извлечения ответов на вопросы и извлечения отношений, но для этих задач могут потребоваться дополнительные настройки или дообучение. Модель предназначена для итальянского языка и медицинской тематики. Файлы доступны в форматах PyTorch и Safetensors. Условия лицензии в предоставленных данных не указаны.

MEDUSA 0.1 Line-9B — мультимодальная модель распознавания рукописного текста, разработанная École nationale des chartes – PSL и представленная на конкурсе ICDAR 2026 по распознаванию средневековых рукописей. Это версия MEDUSA-9B-0.1 на архитектуре Qwen3.5-9B, дообученная для многоязычного распознавания строк рукописей. Модель принимает изображение одной заранее выделенной строки и выдаёт её транскрипцию; для распознавания целой страницы требуется предварительно разбить её на строки. Модель обучалась на примерно 645 тысячах пар изображений и транскрипций из рукописей IX–XV веков. Она рассчитана на широкий набор средневековых языков и письменных традиций, включая старофранцузский, латынь, среднеанглийский, старочешский и старопольский. Транскрипции ориентированы на нормы CATMuS, включая правила раскрытия сокращений и нормализации аллографов. В результатах ICDAR 2026 вариант 9B показал лучшие из двух вариантов MEDUSA показатели CER на внутренних и конкурсных наборах. Модель предназначена для исследовательской и практической работы с оцифрованными рукописями, в частности в конвейерах DocWorkflow; для иных редакционных правил может понадобиться дополнительная постобработка. Репозиторий распространяется по лицензии CC BY 4.0.

moralBERT-predict-loyalty-in-text — модель классификации текста, опубликованная пользователем vjosap на Hugging Face. Она предназначена для определения выраженности или наличия темы лояльности в тексте, в рамках набора моделей MoralBERT для предсказания моральных ценностей. Модель содержит около 0,1 млрд параметров и опубликована в формате Safetensors с лицензией MIT. Карточка указывает задачу text-classification; сведений об архитектуре, языках, контекстном окне и обучающих данных в доступных источниках нет.

Hariprasath5128/Multimodal_marine — текстовая модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству. Архитектура состоит из MPNet, среднего pooling по токенам и нормализации; размер модели — 136,7 млн параметров. Максимальная длина входа в README указана как 384 токена, метаданные указывают контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов о морских млекопитающих, а также для поиска перефразирований, кластеризации и классификации текстов. README сообщает о дообучении с MultipleNegativesRankingLoss на 68 парах примеров, где описания животных сопоставлены с короткими идентификаторами. Данные примеров на английском языке; лицензия в предоставленных источниках не указана.

Orion-Translate-XL — модель из семейства BERT, представленная пользователем yding03. В README заявлены высокоточный многоязычный перевод и сохранение общих способностей к рассуждению; приведены результаты на отдельных задачах рассуждения. Метаданные Hugging Face указывают архитектуру BertModel, библиотеку Transformers и формат PyTorch, однако относят модель к извлечению признаков. Эти сведения расходятся с заявленным в README назначением перевода, поэтому фактический способ использования модели по доступным данным установить нельзя. Модель опубликована под лицензией MIT.

PP-OCRv6 One Piece Bubble Line Recognition — браузерный OCR-пакет для Projet Poneglyph, предназначенный для распознавания текста в репликах манги One Piece. Конвейер обнаруживает строки текста в пузыре с помощью YOLO26n, объединяет их в горизонтальный фрагмент, распознаёт текст дообученной PP-OCRv6 и применяет правила восстановления пробелов и регистра. В репозитории представлены модели ONNX и safetensors, включая варианты ONNX для браузера и WebGPU. В README приведены результаты проверки: CER 1,45% на тестовой выборке и точное совпадение для 75,96% примеров после постобработки. Пакет рассчитан на извлечение текста из изображений манги; показатели качества относятся к указанной выборке и сценарию. Лицензия — Apache-2.0.

QVQ-72B-Preview-4bit — конвертированная в формат MLX версия Qwen/QVQ-72B-Preview, подготовленная сообществом mlx-community с помощью mlx-vlm 0.1.6. Она предназначена для диалогового анализа изображений и ответов на вопросы по их содержимому. Репозиторий указывает 71,5 млрд параметров, архитектуру Qwen2-VL и контекст до 128 000 токенов; поддерживается работа с изображениями и текстом. Модель основана на Qwen/Qwen2-VL-72B и связана с ней как дообученная модель. В карточке Hugging Face указана лицензия other, поэтому перед использованием следует проверить условия исходной модели. README описывает преобразование в MLX, но сведения о конкретном наборе данных или подробной оценке качества не приводит.

nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

relsgg-vits16plus — модель компьютерного зрения из проекта RelateAnything, предназначенная для обнаружения отношений между областями изображения с открытым словарём предикатов. На вход подаются изображение и ограничивающие рамки или маски регионов, полученные детектором, сегментатором либо заданные вручную; метки классов объектов модели не требуются. Она ранжирует отношения для словаря, предоставленного при запуске, и может за один проход сформировать пространственный и семантический графы. Модель обучена на RA-4M и оценивалась на OV-SGG-Bench. В составе поставки есть ONNX-файл, веса PyTorch и текстовая модель-студент с токенизатором для кодирования словаря; после кодирования предикатов оценивание выполняется только по изображению. Указанная архитектура относится к семейству relsgg с плотным типом модели. В README приведены результаты переноса на несколько наборов данных и проверки пространственного рассуждения, однако качество зависит от набора предикатов и режима оценки. Метаданные указывают лицензию «other», без конкретизации условий в доступных сведениях. Модель требует заданных областей изображения и не заменяет детектор или сегментатор; пороги оценки привязаны к этому чекпойнту и не переносятся на другие модели.

magistermilitum/Roberta_Historical — модель RoBERTa, обученная с нуля на исторических текстах и предназначенная служить основой для NLP-задач и обработки результатов HTR. Обучение проводилось на корпусе примерно из 650 млн токенов классической и средневековой латыни, старофранцузского и староиспанского языков; тексты охватывают период с V века до н. э. по XVI век. В числе источников — CC100, Corpus Corporum, CEMA, средневековые французские и испанские корпуса. Модель имеет около 119,4 млн параметров, архитектуру RoBERTa для masked language modeling и контекст до 514 токенов. Её можно применять как основу для адаптации к историческому NLP и HTR, а также для заполнения маскированных токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка отмечает пересечения текстов между корпусами; такие дубликаты могут повлиять на оценку обобщения.

RoBERTa-large — японская языковая модель, разработанная Koichi Yasuoka и предварительно обученная на текстах 青空文庫 с токенизацией по символам. Она предназначена для заполнения пропусков в тексте и дообучения для последующих задач обработки японского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель имеет плотную архитектуру RoBERTa с 412,3 млн параметров, принимает текст и выдаёт текст; длина контекста — 512 токенов. Модель доступна в формате PyTorch по лицензии CC BY-SA 4.0. Карточка описывает предварительное обучение и возможные сценарии дообучения, но не приводит результатов оценивания качества или конкретных ограничений.

RelBERT на базе RoBERTa-large — модель, дообученная библиотекой RelBERT на наборе relbert/semeval2012_relational_similarity для получения векторных представлений словесных отношений. Она предназначена для задач понимания отношений: решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+, ROOT09 и Relation Mapping. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa и принимает текст; максимальный размер контекста составляет 514 токенов. Для работы авторы рекомендуют библиотеку RelBERT. Репозиторий распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Это экспериментальный SFT-чекпойнт проекта 25b3nk/slm-calibration-rlcd, созданный разработчиком 25b3nk на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель принимает отрывок текста и вопрос в стиле BoolQ и генерирует ответ в формате yes или no с числом уверенности. Это полное дообучение плотной авторегрессионной архитектуры семейства Llama; размер — 361,8 млн параметров, контекст — 8192 токена. Чекпойнт обучен на 3000 примерах обучающей части google/boolq в течение двух эпох. На указанной в карточке выборке из 500 примеров BoolQ автор сообщает точность 0,792 и Brier score 0,182; эти результаты относятся к описанной оценке и не гарантируют качество на других данных. Это промежуточная стадия SFT: GRPO-обучение калибровке ещё не проводилось, а целевые значения уверенности в обучении основаны на эвристике, поэтому модель нельзя считать проверенным средством калибровки вероятностей. Лицензия — Apache-2.0.