IV.9Медиа, журналистика, культура, архивы и игры

airzipm/sentiment-analysis-muril-v2 — классификатор тональности на базе MuRIL, разработанный автором репозитория и дообученный на google/muril-base-cased. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Она предназначена для анализа английского, хинди и смешанного хинди-английского текста, включая хинди на деванагари и Hinglish в латинской записи. Это плотная BERT-модель для классификации последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Для обучения использовались датасеты отзывов и публикаций в соцсетях на английском, хинди и Hinglish; автор сообщает тестовую точность 0,86 и macro F1 0,86. Модель распространяется под лицензией MIT. Классификатор подходит для определения тональности отзывов, твитов и другого короткого пользовательского текста. Данных на хинди и Hinglish при обучении было существенно меньше, чем английских; результаты могут быть слабее, а покрытие вариантов написания Hinglish зависит от обучающих примеров. Модель не оценивалась на далёких от отзывов и соцсетей доменах, например на новостных или юридических текстах.

valhalla/t5-base-qg-hl — модель семейства T5, разработанная Valhalla и дообученная для генерации вопросов с учётом заданного ответа. Она принимает текст, в котором целевой фрагмент выделен специальными маркерами, и формулирует вопрос, на который этот фрагмент будет ответом. Модель подходит для автоматического создания вопросов по учебным материалам, статьям и другим текстам, например для подготовки наборов вопросов и ответов. Модель содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. В карточке указан датасет SQuAD, формат весов — PyTorch, лицензия — MIT. Пример использования показывает генерацию одного вопроса по выделенному ответу; качество и применимость к текстам за пределами обучающих данных могут различаться.

cardiffnlp/twitter-roberta-base-topic-sentiment-latest — модель Cardiff NLP для определения тональности текста относительно заданной цели или упомянутого объекта. Это RoBERTa-base с 151,8 млн параметров, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval. Модель принимает текст, содержащий сообщение и цель анализа, и относит тональность к одному из пяти классов: от резко отрицательной до резко положительной, включая промежуточные отрицательные, нейтральные и положительные оценки. Модель предназначена для анализа тональности публикаций в Twitter и похожих коротких сообщений, в том числе для выяснения отношения автора к конкретному бренду, человеку или теме. Максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский; модель использует архитектуру RoBERTa и формат PyTorch. Распространяется по лицензии MIT. Специализация на твитах и английском языке помогает классифицировать короткие сообщения с упоминаниями и хештегами. Результат представляет собой один из пяти классов тональности и оценку уверенности; модель не предназначена для многоязычного анализа и может ошибаться на неоднозначных формулировках, сарказме или текстах вне домена коротких публикаций.

ishwarbb23/finetuned-baseline-phase-0.0 — дообученная модель T5 от автора ishwarbb23, созданная на основе valhalla/t5-small-e2e-qg. Это компактная модель с архитектурой T5ForConditionalGeneration и 38,5 млн параметров, предназначенная для генерации вопросов по заданному тексту. Базовая модель умеет автоматически создавать несколько вопросов по входному тексту; назначение этой версии связано с той же задачей. Модель принимает текст и генерирует текст. Для неё заявлены контекст до 512 токенов, формат PyTorch и лицензия MIT. В README указана оценка Loss 4.0205, однако подробности набора данных, процедуры оценки, предполагаемых сценариев применения и ограничений не приведены.

Модель hanifnoerr/Fine-tuned-Indonesian-Sentiment-Classifier — дообученная на IndoNLU SmSA версия indobenchmark/indobert-base-p1 для классификации тональности текста на индонезийском языке. Она присваивает тексту одну из трёх меток: положительная, отрицательная или нейтральная тональность. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 151,6 млн параметров и принимает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке: accuracy 0,928 и macro-F1 0,911. Модель подходит для анализа отзывов и других коротких текстов на индонезийском языке. Распространяется по лицензии MIT.

Это квантизированная GGUF-версия модели AmanPriyanshu/gpt-oss-6.0b-specialized-all-pruned-moe-only-7-experts, подготовленная и опубликованная mradermacher. Модель основана на архитектуре Transformer с причинным языковым моделированием и использует подход mixture-of-experts с pruning: в исходной специализированной модели оставлены семь экспертов. В карточке также указано, что при подготовке использовались активации экспертов из набора AmanPriyanshu/GPT-OSS-20B-MoE-expert-activations. Модель предназначена для генерации текста, reasoning-сценариев и специализированных предметных задач на английском языке. Она поставляется в формате GGUF с imatrix-квантизациями различных уровней, поэтому может использоваться в средах, поддерживающих этот формат, при ограниченных ресурсах. Размер доступных файлов составляет примерно 3,7–4,0 ГБ, однако точные сведения о числе параметров, длине контекста, поддерживаемых модальностях и конкретных предметных областях в README не приведены. Сильными сторонами являются компактный размер, применение MoE и экспертного pruning, а также широкий выбор вариантов квантизации с компромиссом между качеством, скоростью и требованиями к памяти. Ограничения включают английскую языковую специализацию, возможное заметное снижение качества у наиболее агрессивных квантизаций и отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0.

Jason1903_SLERP — объединённая модель на базе Mistral, созданная с помощью mergekit из yam-peleg/Experiment26-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Она предназначена для генерации текста по запросам; математическая направленность одного из исходных чекпойнтов может быть полезна при решении задач с вычислениями и объяснениями. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Latxa-Llama-3.1-8B — плотная языковая модель семейства Llama, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Модель дообучена на баскском корпусе Latxa Corpus v1.1, включающем 4,3 млн документов и 4,2 млрд токенов, и содержит около 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM, загружается через Transformers в формате safetensors и имеет контекст до 131 072 токенов. Модель предназначена прежде всего для генерации текста на баскском языке, диалогов и ответов на вопросы, а также для задач понимания текста и экзаменационной подготовки на баскских данных. В предварительных оценках она превзошла исходную Llama 3.1 8B на нескольких баскских тестах, однако разработчики отмечают, что модель всё ещё находится в разработке, а подробности обучения и результаты оценки диалогов будут опубликованы позднее. Для языков, кроме баскского, качество не гарантируется; сохраняются возможные смещения и ограничения базовой модели Llama 3.1. Унаследована лицензия Llama 3.1, допускающая коммерческое и исследовательское применение с соблюдением её условий.

SEOKDONG разработала эту модель как дообученную методом SFT версию Meta Llama 3.2 1B. Она предназначена для генерации текста и диалогов на корейском языке с учетом корейских социальных и культурных контекстов. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, выдавая текст; максимальная длина контекста по метаданным — 131 072 токена. В README описаны ответы на вопросы, суммаризация, анализ тональности и задачи классификации. Для обучения использовались собственные данные разработчика: 3,6 ГБ и более 2,3 млн примеров по 53 областям, включая историю, финансы, право, налоги и естественные науки. Модель может подойти для образовательных вопросов, диалоговых помощников и обработки корейских документов; README также упоминает перевод, но не приводит отдельной оценки этой возможности. Разработчик указывает, что точность может снижаться для других языков и культур, актуальных международных сведений и специализированных областей; способность к сложным рассуждениям ограничена, а ответы могут отражать смещения данных. Лицензия — Apache-2.0.

Ornith-1.0-35B-MTP — вариант Ornith-1.0-35B от Crucible Labs для спекулятивного декодирования MTP в vLLM. К исходным весам модели добавлена голова multi-token prediction из Qwen/Qwen3.6-35B-A3B; README указывает, что остальные веса сохранены без изменений, а голова скопирована из базовой модели. Архитектура относится к семейству Qwen3.5 MoE; файлы представлены в формате safetensors, лицензия — MIT. Модель предназначена для генерации текста и кода с ускорением через MTP speculative decoding. В описанном тесте на одной системе с ROCm и vLLM ускорение при двух спекулятивных токенах составило 38,7% для прозы и 54,6% для кода, при принятии черновых токенов в 70,3% случаев. Это результаты конкретной конфигурации, а не гарантия производительности на другом оборудовании. README также сообщает о снижении вместимости KV-кэша на 21,8%; модель рассчитана на запуск через vLLM с соответствующими параметрами спекулятивного декодирования.

Phi-4 Empathetic — дообученная разработчиком prithivMLmods модель Microsoft Phi-4 для генерации диалогов с эмпатичным тоном и ответов, учитывающих эмоциональный контекст. В карточке описаны обучение на отобранных синтетических, общедоступных и академических данных, а также применение SFT и DPO для настройки диалогового поведения и безопасности. Модель предназначена для эмоциональной поддержки, уважительного общения, создания эмоционально выразительных текстов, пояснений и ответов клиентам. Она принимает текст и генерирует текст; поддерживает английский язык. Архитектура указана в метаданных как плотная LlamaForCausalLM, размер — 14,1 млрд параметров, контекст — до 16 384 токенов. Лицензия — MIT. Модель может ошибаться в распознавании эмоционального тона, сохранять предвзятость и выдавать неподходящие ответы, поэтому в чувствительных сценариях необходима проверка человеком. Знания не обновляются в реальном времени; для специализированных медицинских, юридических и финансовых задач может потребоваться дополнительная настройка.

Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep — слитая версия модели на базе Qwen3-30B-A3B-Instruct-2507, подготовленная Bioaligned. Это диалоговая MoE-модель для генерации текста и ответов на инструкции; продолжительное предобучение (CPT) направлено на формирование «coupled-welfare» установки: учитывать последствия решений для благополучия людей, биосферы и сохранения возможностей самой модели. В карточке заявлено обучение только на корпусе данных, без RLHF и DPO. Модель принимает текст и генерирует текст. Архитектура — Qwen3 MoE; объём параметров по метаданным составляет 2,6 млрд, контекст — до 262 144 токенов. Репозиторий содержит слитые веса в формате Safetensors. Для использования адаптера вместо слитой версии карточка указывает Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep-qlora, применяемый к исходной базовой модели. Модель подходит для диалогов, генерации текста и рассуждений о решениях с учётом взаимосвязи человеческого благополучия, состояния биосферы и долгосрочных возможностей. Утверждение карточки о мировоззренческом эффекте описывает цель обучения, а не подтверждённую гарантию поведения. Подробные результаты и ограничения вынесены в карточку адаптера. Лицензия — Apache-2.0.

Qwen3-VL-Embedding-2B-ko-vdr-distill — корейская мультимодальная bi-encoder-модель для поиска документов по изображениям страниц. Она основана на whybe-choi/Qwen3-VL-Embedding-2B-ko-vdr-preview-v0.2 и дополнительно обучена методом listwise KL-дистилляции по оценкам Qwen3-VL-Reranker-8B. Модель преобразует текстовый запрос и изображение страницы документа в эмбеддинги размерности 2048, которые можно сравнивать по косинусному сходству. Модель предназначена для визуального поиска корейских документов и улучшения порядка результатов при ранжировании. В оценке на KoViDoRe-v2 в домене кибербезопасности она повысила MRR@10 с 0,8319 до 0,8775 и NDCG@10 с 0,7629 до 0,7718 относительно базовой версии; Recall@100 практически не изменился. Рекомендуются около 1800 визуальных токенов и отдельные промпты для запросов и документов. Это экспериментальная версия: проверка пока ограничена одним доменом, а обучение дистилляции проводилось примерно на 980 визуальных токенах с общим промптом. Данные обучения включали корейские документы государственного сектора. Модель распространяется по лицензии Apache-2.0.

shanchen-llama3-8B-slerp-med-chinese-GGUF — это набор квантованных файлов модели shanchen/llama3-8B-slerp-med-chinese, подготовленный организацией featherless-ai-quants в формате GGUF. Модель относится к классу текстогенерационных моделей и предназначена для генерации и обработки текста, включая сценарии локального запуска и интеграции с совместимыми инструментами для работы с GGUF. В основе лежит архитектура Llama 3 с заявленным размером 8B параметров. В названии указана специализация на китайском языке, однако README не содержит точного списка поддерживаемых языков, размера контекстного окна, сведений о модальностях или результатов бенчмарков. Доступны варианты квантования Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать между требованиями к памяти и сохранением качества. Основное преимущество набора — широкий выбор степеней квантования и формат GGUF, удобный для запуска на локальном оборудовании с ограниченными ресурсами. Более компактные варианты снижают требования к памяти, но могут сильнее уступать исходной модели по качеству. README не указывает лицензию, ограничения использования, точные языковые характеристики и рекомендуемые параметры запуска, поэтому эти сведения необходимо уточнять по карточке базовой модели.

tagasenti_model v6 — это дообученная jjjardev модель XLM-RoBERTa-large для трёхклассовой классификации тональности текстов на тагальском языке и таглише, включая переключение между тагальским и английским. Она определяет отрицательную, нейтральную или положительную тональность отзывов, комментариев и других коротких текстов. Модель содержит 658,7 млн параметров по метаданным, использует архитектуру XLM-RoBERTa для классификации последовательностей и имеет контекст длиной 514 токенов по метаданным; README указывает усечение входов до 128 токенов. Модель обучена на датасете TagaSenti v6, объединяющем реальные и дополненные примеры. В README указаны точность 84,8% и macro-F1 0,848 на отложенном тесте для тагальского; перенос на хилигайнон заметно слабее. В репозитории также есть динамически квантованная INT8-версия ONNX для развёртывания на CPU и устройствах без PyTorch. Модель распространяется по лицензии Apache-2.0. Она подходит для анализа отзывов и комментариев, мониторинга пользовательских мнений и исследования тональности в низкоресурсных языках и код-свитчинге. Модель выдаёт только три грубых класса: она не определяет отдельные эмоции или тональность аспектов. README отмечает ошибки на идиомах, отсутствие калибровки уверенности и риск усечения длинных текстов; для серьёзных решений требуется проверка человеком.

Zero-Sentiment-0.2M — компактная модель классификации тональности текста, обученная разработчиком fromziro на 189 тысячах примеров из четырёх наборов данных. Она предназначена для определения эмоциональной окраски коротких текстов и выдаёт классы позитивной, нейтральной и негативной тональности с оценками уверенности. Модель содержит около 298 тысяч параметров и использует двунаправленную архитектуру с 12 слоями, GQA, RoPE, RMSNorm и SwiGLU; для токенизации применяется собственный словарь из 1024 токенов. Максимальная длина контекста — 96 токенов. В README приведена точность 70,34% на наборе Yelp Polarity; автор также отмечает, что модель лучше справляется с явно положительными и отрицательными формулировками, чем с тонкими, нейтральными и неоднозначными. Модель подходит для быстрого анализа коротких отзывов и сообщений, когда важны небольшой размер и скорость. Она выпущена под лицензией Apache-2.0.

Это англоязычная модель DeBERTa V3 Base, разработанная на основе microsoft/deberta-v3-base и дообученная для оценки читаемости текста. Она принимает текст и предсказывает примерный класс обучения в американской школьной системе, соответствующий уровню понимания; более высокое значение означает более сложный текст. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. Модель подходит для оценки сложности англоязычных отрывков в образовательных и редакторских сценариях. Обучение проводилось на 105 тысячах абзацев из разных источников; на отложенной выборке указана RMSE 0,5038. Точность может снижаться на текстах, заметно отличающихся от обучающих данных. Оценка опирается на текстовые закономерности и не учитывает знакомство читателя с темой или культурный контекст, поэтому её не следует использовать как единственное основание для определения пригодности текста аудитории. Лицензия — Apache-2.0.

gchhablani разработал эту модель, дообучив google/fnet-base на наборе GLUE SST2 для классификации тональности английских текстов. Она использует архитектуру FNet и содержит 123,7 млн параметров; максимальная длина входа составляет 512 токенов. В оценке на SST2 модель показала accuracy 0,8945 и loss 0,4674. Модель подходит для определения положительной или отрицательной тональности коротких английских текстов, например отзывов. Она создана для сравнения FNet с bert-base-cased. Распространяется по лицензии Apache-2.0.

Это англоязычная модель суммаризации научных публикаций, разработанная pszemraj и дообученная на наборе lay summaries для статей eLife. Она преобразует научный текст в краткое изложение простым языком, рассчитанное на читателей без специальной подготовки; при декодировании автор рекомендует beam search. Модель построена на encoder-decoder архитектуре LongT5 с механизмом TGlobal, содержит 123,8 млн параметров и поддерживает контекст до 4096 токенов. Модель предназначена прежде всего для упрощения и пересказа научных работ в области биологии и биомедицины. На оценочном наборе eLife указаны ROUGE-1 38,56, ROUGE-2 9,73 и ROUGE-L 21,20. Обобщение за пределами домена биомедицинских публикаций требует отдельной проверки. Базовая модель — google/long-t5-tglobal-base; лицензия — Apache-2.0.

Omni-31B Turkish Reasoning Model — модель автора bugrabilge, дообученная методом full fine-tune на базе google/gemma-4-31B с использованием 249 292 отфильтрованных турецких примеров Chain-of-Thought. Она предназначена для ответов на вопросы на турецком языке, многошаговых рассуждений, объяснительного анализа и создания длинных структурированных текстов; обучена выдавать блок рассуждений перед итоговым ответом. Архитектура — плотная Gemma 4, файлы представлены в формате safetensors, библиотека — Transformers. Модель рассчитана на текстовый ввод и текстовый вывод, хотя базовая архитектура поддерживает мультимодальность. Заявленный бюджет контекста составляет 8192 токена суммарно для запроса и ответа. Модель подходит для учебного ассистента, анализа научных и гуманитарных тем, подготовки академических черновиков и исследований турецкоязычных рассуждений. Она склонна к длинным ответам и может менять формат вывода; короткие ответы и последовательное оформление требуют явных инструкций. Возможны фактические ошибки, а актуальные сведения следует проверять по официальным источникам. Автор рекомендует использовать модель для исследований и обучения, а не как основание для профессиональных решений. Лицензия — Gemma.

sunzeyeah/pangu-2_6B — PyTorch-реализация языковой модели PanGu-α с предварительно обученными весами FP32. Исходная модель PanGu-α разработана совместной технической командой под руководством PCNL; эта версия содержит 2,6 млрд параметров и немного отличается от оригинальной реализации для поддержки конвейера обучения ChatGPT в проекте sunzeyeah/RLHF. Модель предназначена для генерации текста на китайском языке. В README отмечены сценарии генерации, включая ответы на вопросы по знаниям, поиск и рассуждение по знаниям, а также понимание прочитанного; заявлены сильные возможности few-shot learning. Метаданные указывают архитектуру GPTPanguForCausalLM, контекст до 1024 токенов и язык zh. В README приведено описание исходной PanGu-α на 200 млрд параметров, но веса данного репозитория имеют размер 2,6 млрд параметров. В метаданных указана лицензия, однако её идентификатор не предоставлен для описания. Модель представлена в формате PyTorch.

Это самостоятельная модель генерации текста Qwen3 с 7,6 млрд параметров, созданная на основе Qwen/Qwen3-8B-Base. Разработчик продолжил предобучение базовой модели на наборе данных CompassioninMachineLearning/compassion_12185_cleaned; представлен объединённый чекпойнт третьей эпохи, шаг 1125, в формате BF16 и safetensors. Для загрузки отдельный адаптер не нужен. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и поддерживает контекст до 32 768 токенов. Обучение на тематическом наборе данных само по себе не подтверждает улучшение способности отвечать с сочувствием: это качество нужно оценивать отдельно. Лицензия в предоставленных данных не указана.

Это визуальный энкодер семейства Qwen3.5, извлечённый из Qwen/Qwen3.5-27B и перенесённый в формат timm без дополнительного обучения. Модель принимает RGB-изображения и выдаёт векторные представления и пространственные признаки; языковые веса и обученная классификационная голова в чекпойнт не входят. Энкодер использует vision transformer с шириной backbone 1152, проекцией до 5120 и пространственным merger; выход модели по умолчанию — усреднённый эмбеддинг изображения. В README указан размер изображения 768 × 768, поддерживаются прямоугольные размеры при условии, что каждая сторона делится на 16; варианты с merger 2×2 требуют делимости на 32. Для классификации необходимо добавить и обучить новую голову на целевом наборе данных. Модель распространяется по лицензии Apache 2.0.

Это модель извлечения признаков изображений на основе зрительной части Qwen3.5-0.8B, преобразованной в формат timm. Она предназначена для получения пространственных признаков и векторных представлений изображений, а также для подготовки основы под классификатор, который нужно дообучить на целевых данных. Модель сохраняет пространственный merger и проекцию до ширины 1024, затем применяет усредняющий пулинг и LayerNorm без аффинных параметров. Зрительная основа имеет ширину 768; используются MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги и осевой 2D RoPE. Заявленный размер изображения — 768 × 768. Поддерживаются прямоугольные изображения; размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. Для изображений временные веса Conv3d сводятся к Conv2d. Чекпойнт содержит около 100 млн параметров и веса зрительной части, но не содержит языковую модель и обученную классификационную голову. Для классификации новую линейную голову необходимо обучить на целевом наборе данных. Веса опубликованы в формате safetensors; лицензия — Apache 2.0.

Модель uget/sexual_content_dection разработана liu wei и предназначена для бинарной классификации текста и имён файлов: она определяет, содержит ли текст сексуальный контент. В качестве основы использован многоязычный энкодер BERT с архитектурой BertForSequenceClassification, дообученный на 100 000 вручную размеченных примеров с шумом. Размер модели — 205,1 млн параметров; максимальная длина контекста по метаданным — 512 токенов, а README указывает максимальную длину 128 токенов. Модель рассчитана на модерацию пользовательских материалов на форумах, в поисковых системах и облачных хранилищах. Карточка заявляет поддержку нескольких языков, а метаданные перечисляют английский, японский, китайский и корейский. В README указаны точность и F1 по 92%, но не приведены детали методики оценки. Лицензия — MIT.

Tess-M-v1.1 — экспериментальная версия универсальной серии больших языковых моделей Tess от migtissera. Модель основана на Yi-34B-200K и дообучена для генерации текста; архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров. Контекстное окно составляет 200 000 токенов. Модель предназначена для диалогов и других задач генерации текста общего назначения. В README указаны стабильная версия Tess-M-v1.3 и формат промпта с ролями SYSTEM, USER и ASSISTANT. Репозиторий содержит веса Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Версия v1.1 помечена автором как экспериментальная и устаревшая; для использования рекомендована Tess-M-v1.3. Специализированные области и дополнительные языки в доступных сведениях не указаны.

Многоязычный классификатор токсичности текста, разработанный TextDetox на основе CardiffNLP twitter-xlm-roberta-large-2022. Модель дообучена для бинарной классификации токсичности и принимает текст, выдавая метку класса и оценку для входного текста. Модель охватывает 15 языков. В карточке приведены результаты F1 для английского (0,9071), русского (0,9022) и украинского (0,9075). Архитектура — XLM-RoBERTa Large для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель распространяется в формате safetensors и использует лицензию OpenRAIL++.

Модель Hate-speech-CNERG/urdu-abusive-MuRIL разработана для выявления оскорбительной речи на урду. Это дообученная на наборе данных для распознавания оскорбительной речи модель MuRIL с архитектурой BERT для классификации последовательностей; она относит текст к классу «нормальный» или «оскорбительный». Модель рассчитана на классификацию текста на урду, имеет 264,8 млн параметров и контекст до 512 токенов. Модель подходит для автоматической фильтрации оскорбительных высказываний и анализа пользовательских текстов на урду, в том числе в условиях ограниченных данных для этого языка. Она описана в работе о методах расширения данных для выявления оскорбительной речи в индийских языках. Лицензия — AFL-3.0; при публикации результатов с использованием ресурса авторы просят цитировать эту работу.

Elizabeth Mwangi выпустила дообученную модель распознавания речи на базе Whisper large-v3. Это второй этап дообучения модели ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv на наборе CDLI Kenyan Swahili Nonstandard Speech; модель предназначена для транскрибации нестандартной речи на суахили, включая дизартричную речь, заикание и другие атипичные речевые особенности. Модель принимает аудио и выдаёт текст. В карточке приведены результаты оценки: общий WER 0,2932 и CER 0,1289; средний WER составляет 0,3011. Для речи лёгкой, умеренной и тяжёлой степени выраженности указаны WER 0,203, 0,253 и 0,333 соответственно. Модель распространяется под лицензией Apache-2.0.

Это модель SentenceTransformer, дообученная Bofandra на основе Bofandra/fine-tuning-use-cmlm-multilingual-quran-translation. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости; сходство оценивается косинусной мерой. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов. В метаданных указан размер 498,1 млн параметров и контекст до 512 токенов; в README для конфигурации Sentence Transformers указан максимум 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе вариантов переводов аятов Корана. Её также можно применять для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README описывает обучение на 609 парах предложений, связанных с переводами Корана; метаданные указывают библиотеку sentence-transformers и формат safetensors. Модель принимает текст и выдаёт векторы признаков, поэтому для поиска по коллекции потребуется индексировать эмбеддинги, а для классификации — использовать отдельный классификатор или процедуру кластеризации. Лицензия в предоставленных данных не указана.