I.11Классификация, ранжирование и сопоставление

ash12321 разработал SeeDream 4.5 Specialist — специализированный классификатор изображений на базе Vision Transformer ViT-base-patch16-224. Он отличает изображения, созданные SeeDream 4.5, от остальных. В модели около 113,2 млн параметров; при дообучении размораживались последний слой и классификатор, а основная часть базовых признаков оставалась замороженной. README сообщает о тестовой точности 100% на наборе из 40 изображений; этот результат относится к указанному небольшому тестовому набору. Модель предназначена для проверки изображений на генерацию SeeDream 4.5 и может использоваться как один из специализированных детекторов в ансамбле. Она принимает изображение и выдаёт класс, указывающий на принадлежность к целевому генератору. Обучение проводилось на изображениях SeeDream 4.5 и WikiArt; заявлена поддержка Test-Time Augmentation. Детектор не предназначен для выявления изображений от других генераторов или синтетических изображений общего вида. Лицензия — MIT.

Wicara 56M Base — базовая языковая модель, которую Bagus Ardin Prayoga обучил с нуля для индонезийского языка. Это плотная авторегрессионная модель семейства LLaMA на 56 млн параметров, реализованная с RMSNorm, RoPE, SwiGLU и Grouped-Query Attention. Она обучалась на 1,12 млрд токенов индонезийских текстов; максимальная длина контекста — 512 токенов. Модель предназначена для продолжения текста и как основа для дообучения под индонезийские NLP-задачи, а также для исследований и обучения, связанных с компактными языковыми моделями. Она не проходила инструкционное дообучение, поэтому не рассчитана на выполнение системных инструкций или многошаговый диалог. Из-за небольшого размера модель может выдавать недостоверные факты и не подходит как самостоятельная база знаний. Лицензия — Apache-2.0.

4Lweightdecay — модель для классификации токенов на основе архитектуры BERT, обученная с нуля. В репозитории указано 12,6 млн параметров; модель принимает последовательности текста и рассчитана на контекст до 512 токенов. Карточка сообщает результаты оценки: loss 0,1312, precision 0,7006, recall 0,6863, F1 0,6934 и accuracy 0,9524. Модель предназначена для разметки отдельных токенов, однако конкретный набор меток и целевой сценарий в карточке не описаны. Данные обучения названы неизвестными, поэтому результаты нельзя уверенно переносить на другие наборы данных. Весá опубликованы в формате PyTorch; лицензия не указана.

Модель Desklib AI Text Detector Academic предназначена для классификации англоязычного текста как написанного человеком или сгенерированного ИИ, прежде всего в академическом контексте. Она может применяться для проверки учебных работ, оценки подлинности научных текстов и модерации содержимого. Модель дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V3 с mean pooling и линейным классификатором. Размер составляет 533,8 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт классификацию; основным языком является английский. Модель ориентирована на академические тексты и, по заявлению разработчика, справляется с базовыми манипуляциями, однако может хуже работать с общими и творческими текстами и не настроена на продвинутые состязательные атаки. Детекторы ИИ-текста могут ошибаться, а новые генеративные модели со временем способны снизить точность. Лицензия — MIT.

BatteryBERT — англоязычная модель на архитектуре BERT, разработанная Shu Huang и Jacqueline Cole для работы с текстами исследований аккумуляторов. Модель дообучена от bert-base-cased на корпусе из 400 366 научных статей о батареях, опубликованных в 2000 — июне 2021 года; используется задача маскированного языкового моделирования. Несмотря на название в заголовке README, карточка описывает регистрозависимую версию. Модель подходит для предсказания замаскированных слов и извлечения контекстных признаков для последующей тонкой настройки на классификацию текстов, разметку токенов и ответы на вопросы по материалам об аккумуляторах. Она содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт текстовые предсказания. Модель распространяется по лицензии Apache-2.0. Она не предназначена для генерации текста; применимость к темам за пределами аккумуляторных исследований может быть ограничена специализацией обучающего корпуса.

Это дообученная на наборе MNIST модель CLIP ViT-Base с размером патча 32, опубликованная пользователем tanganke. Она основана на openai/clip-vit-base-patch32 и содержит 113,2 млн параметров. Модель предназначена для извлечения признаков изображений; карточка приводит оценку 0,9957 после дообучения на MNIST против 0,4759 до него. Модель принимает изображения и выдаёт визуальные признаки, поэтому может использоваться в экспериментах с представлениями рукописных цифр и компьютерным зрением на MNIST. В метаданных указан формат safetensors. Лицензия в предоставленных данных не указана.

Bottleneck T5 Large — англоязычный автоэнкодер текста, разработанный Linus Lee на основе LM-adapted T5 v1.1. Это плотный трансформер T5 с энкодером-декодером, attention pooling в узком латентном представлении и gated cross-attention. По метаданным модель содержит 385,2 млн параметров; README описывает семейство вариантов размером от 60 млн до 3 млрд параметров, включая Large с 770 млн, поэтому указанное в карточке число относится к метаданным репозитория. Модель кодирует текст длиной до 512 токенов в нормализованный вектор фиксированной длины и восстанавливает текст из этого представления. Латентное пространство предназначено для семантической интерполяции и редактирования атрибутов текста, таких как длина, тон, структура и тема. Обучение проводилось на отфильтрованной части англоязычной Википедии, поэтому модель лучше подходит для энциклопедического и похожего текста. Это прототип для экспериментов с редактированием текста в латентном пространстве; для работы требуется обёртка BottleneckT5Autoencoder. Технический, разговорный и другой нетипичный для обучающих данных текст может обрабатываться хуже. Лицензия — MIT.

Модель aemili/distilbert-base-uncased-finetuned-cola — версия DistilBERT, дообученная для классификации предложений на данных задачи CoLA из набора GLUE. Она определяет, насколько предложение соответствует нормам грамматичности английского языка. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку классификации. Максимальная длина контекста — 512 токенов. На оценочной выборке GLUE модель получила коэффициент корреляции Мэтьюса 0,5317 и loss 0,7578. Она подходит для оценки грамматичности английских предложений и учебных экспериментов с классификацией текста. Лицензия — Apache-2.0. Модель узкоспециализирована на английской грамматичности, а приведённые результаты не гарантируют качество на других задачах или данных.

ECG‑CLIP‑BEiT‑Base‑384 — модель на основе CLIP, дообученная на парах изображений ЭКГ и текстов эхокардиографических заключений. Зрительный энкодер построен на microsoft/beit-base-patch16-384, текстовый использует собственный токенизатор ByteLevel BPE с размером словаря 16 030; проекция имеет размерность 512. Модель предназначена для получения эмбеддингов изображений ЭКГ и классификации эхокардиографических фенотипов без отдельного обучения на каждом классе: изображение сравнивается по косинусному сходству с заранее рассчитанными центроидами. В качестве примеров фенотипов указаны дисфункция левого желудочка и аортальный стеноз. Обучение проводилось на парах изображений ЭКГ и соответствующих текстов эхокардиографических заключений. Модель разработана CarDSLab и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение. Карточка не сообщает результаты клинической валидации и не описывает ограничения на конкретные устройства, популяции или форматы ЭКГ, поэтому применимость для медицинских решений следует оценивать отдельно.

Helios-Reasoner-7B — модель, представленная авторами Helios Labs как открытая модель для рассуждений. В README заявлены дообучение с RLHF и дополнительное обучение на подборке математических и программных данных; указаны результаты на тестах математического, логического и бытового рассуждения. При этом метаданные Hugging Face описывают репозиторий как BERT-модель для извлечения признаков, поэтому её назначение как генеративной модели рассуждений не подтверждается согласованными сведениями. В метаданных указаны архитектура BertModel, библиотека Transformers, формат PyTorch и лицензия Apache-2.0. Карточка упоминает чат-интерфейс и API, но не приводит подробностей о запуске, языках, размере модели или контексте. Поэтому практическое применение для генерации ответов и рассуждений следует считать заявленным авторами, а не подтверждённым метаданными.

Kinya-COLBERT Free — модель поиска и получения эмбеддингов для RAG-систем на киньяруанда, разработанная C4IR Rwanda и KiNLP при поддержке GIZ и финансировании BMZ. Она обучена на парах сельскохозяйственных вопросов и ответов и предназначена для поиска релевантных материалов, чтобы предоставлять фермерам консультации через интерактивную голосовую телефонную линию. Модель основана на BERT и использует архитектуру HF_ColBERT. Она содержит 205,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. Возможные сценарии включают поиск сведений о вредителях и болезнях растений, агроклиматических практиках и программах поддержки фермеров, например страховании урожая. Лицензия — CC BY 4.0. Модель специализируется на киньяруанда и сельскохозяйственных вопросах; её назначение — извлечение признаков для информационного поиска, а не самостоятельная генерация ответов. Для использования в описанном проекте её подключают к RAG-системе.

LessSexistBERT — англоязычная модель семейства BERT, разработанная автором репозитория clincolnoz. Это регистр-независимый чекпойнт на 136,8 млн параметров, повторно предобученный на корпусе, описанном как менее сексистский, с задачами masked language modeling и предсказания следующего предложения. Модель принимает текст и восстанавливает замаскированные токены; максимальная длина последовательности — 512 токенов. Модель предназначена прежде всего для исследований смещений в языковых моделях и их влияния на последующие задачи, а также для дальнейшей тонкой настройки классификаторов и других моделей, работающих с целым предложением. Карточка предупреждает, что выходы могут содержать оскорбительные формулировки и что модель может сохранять предвзятые предсказания. Лицензия в предоставленных сведениях не указана.

MLMA_biogpt_tuned_1412 — дообученная на неизвестном наборе данных англоязычная модель Microsoft BioGPT для классификации токенов. Она предназначена для присвоения меток отдельным токенам текста; архитектура — GPT2ForTokenClassification, формат весов — safetensors, лицензия — MIT. Контекст модели составляет 1024 токена. В README приведены результаты на оценочном наборе: F1 0,5222, точность 0,4828, полнота 0,5685 и accuracy 0,9542. Область применения и состав меток не описаны, поэтому эти показатели не позволяют определить, для каких именно сущностей или разметки модель подходит. Базовая BioGPT разработана Microsoft и ориентирована на биомедицинскую литературу; переносить это назначение на конкретную задачу дообученной модели без сведений о данных нельзя.

Ochevid Jev-VL 2B — экспериментальная архитектура выполнения модели Mike Dantsiger для визуальных вопросов с ответами из заданного набора вариантов. Пакет содержит исходные веса Qwen3-VL-2B-Instruct, процессор и конфигурацию, а также пользовательский код выполнения; новые веса не обучались. Базовая модель использует архитектуру vision-language, а веса хранятся в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на сценарии, где нужно задать изображению один или несколько вопросов и выбрать ответ из типизированных вариантов, например «Да», «Нет» или «Нельзя определить». Кодирует изображение один раз и обрабатывает хвосты вопросов в независимых строках пакета; публичный загрузчик поддерживает до восьми вопросов или до восьми изображений для одного вопроса. Модель возвращает варианты и их вероятности, но не генерирует свободный текст. Для запуска требуется специальный загрузчик, поэтому пакет не совместим напрямую с Transformers AutoModel и Inference Provider. README приводит ограниченные проверки на отдельных изображениях и наборе COCO: результаты в этих пилотах в основном совпадали с исходным движком, но авторы не заявляют универсальную точность. Вероятности не калиброваны, а вывод может меняться из-за численных различий BF16; качество на других сценах и вопросах требует проверки. Перед развёртыванием также рекомендована проверка порогов и совместимости используемой среды выполнения.

OpenMed-NER-OrganismDetect-PubMed-v2-109M — модель OpenMed для распознавания упоминаний организмов и видов в биомедицинских текстах. Это дообученная для токенной классификации модель семейства BERT на базе BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указано 136,7 млн параметров, а контекст ограничен 512 токенами. Модель размечает названия видов тегами B-SPECIES и I-SPECIES, включая научные и общеупотребительные названия. Модель предназначена для извлечения упоминаний видов из аннотаций PubMed и другой биомедицинской литературы, а также для последующего текстового анализа и построения баз знаний по биоразнообразию и таксономии. На наборе SPECIES800 в README приведены F1 0,8458, точность 0,8287 и полнота 0,8637. Это показатели конкретного бенчмарка; качество на клинических записях или текстах за пределами обучающего домена может отличаться. Модель принимает текст и возвращает токенные BIO-метки; карточка указывает английский язык. Лицензия — Apache-2.0.

OpenMed-NER-SpeciesDetect-MultiMed-568M — модель OpenMed для распознавания названий видов и организмов в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов: он присваивает найденным упоминаниям BIO-метки B-SPECIES и I-SPECIES. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов. Модель предназначена для извлечения названий организмов из научной литературы и других биомедицинских документов, включая поиск упоминаний видов и создание баз знаний. В карточке указано обучение на корпусе LINNAEUS; заявлены F1 0,95, точность 0,93 и полнота 0,96. Поддерживается английский язык. Лицензия — Apache-2.0. Карточка также упоминает сценарии клинического анализа и мониторинга, однако описанные метки относятся только к видам организмов, поэтому возможности извлечения лекарств, химических веществ и нежелательных явлений не подтверждены. Результаты и заявленная точность могут зависеть от типа текста и не гарантируют качество на иных корпусах.

OpenMed/OpenMed-ZeroShot-NER-Organism-Multi-209M — специализированная модель OpenMed для распознавания упоминаний организмов и видов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе SPECIES800, содержащем аннотации организмов в научных аннотациях, включая научные и распространённые названия видов. Модель принимает текст и возвращает найденные сущности с метками. Zero-shot-подход позволяет задавать типы сущностей при использовании без отдельного дообучения; основной заявленный тип — SPECIES. Модель подходит для разметки упоминаний организмов, биокурации и извлечения видовых названий из литературы. В карточке указано значение F1 0,69 на тестовом наборе, исключённом из обучения; приведённые сравнительные результаты относятся к другим размерам модели и не должны переноситься на эту версию. В метаданных указан английский язык и формат PyTorch. Лицензия — Apache-2.0. Результаты на SPECIES800 не гарантируют сопоставимое качество на других текстах, языках или типах сущностей; заявленная гибкость zero-shot не означает одинаковой точности для произвольных меток.

OpenMed-ZeroShot-NER-Organism-Tiny-60M — специализированная модель OpenMed для распознавания упоминаний видов организмов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе SPECIES800; размер модели — около 60 млн параметров. Модель принимает текст и возвращает найденные упоминания сущностей с метками, прежде всего SPECIES. Zero-shot-подход позволяет задавать типы сущностей при извлечении без отдельного дообучения, хотя карточка описывает обучение именно для распознавания видов. Модель подходит для разметки названий видов в научной литературе, экологических исследованиях и задачах биокурации, включая работу с научными и общеупотребительными названиями. В карточке приведён F1 0,57 на тестовой выборке SPECIES800, не использованной при обучении; заявленное улучшение относительно базовой модели составляет 19,6%. Это указывает на ограничения точности и необходимость проверки результатов в целевом корпусе. Лицензия — Apache-2.0.

OpenPangram-2B — модель для определения происхождения текста, разработанная как открытая реплика архитектуры Pangram 4 на базе Qwen3.5-2B. Это плотная трансформерная модель с 1,7 млрд параметров и контекстом до 262 144 токенов; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для оценки доли участия ИИ в документе, разметки токенов как написанных человеком, созданных с помощью ИИ или сгенерированных ИИ, а также поиска смешанного авторства в отрывках. В README описана многоэтапная схема обучения с несколькими классификационными головками и двунаправленным контекстом Repeat2 для разметки токенов. На проверочной выборке авторы сообщают корреляцию оценки доли ИИ с эталоном 0,948 и точность токенной классификации 83,23%. Карточка указывает английский язык; ограничения README также описывает для английского текста. Лицензия Apache-2.0. Модель позиционируется как вспомогательный инструмент для первичной проверки и редакторского анализа, а не как основание для автоматических санкций.

Ovis-Omni-Embedding-3B-mixed-w2-w4-w8-ct — это экспериментальная версия модели ATH-MaaS/Ovis-Omni-Embedding-3B, подготовленная в формате compressed-tensors для запуска через backend vLLM. В трансформерных блоках языковой модели применено смешанное сжатие весов: W2A16 для слоёв 0–13, W4A16 для слоёв 14–26 и W8A16 для слоя 27; мультимодальные аудио- и визуальные модули, а также вспомогательные веса talker/token2wav сохранены в BF16. Архитектура основана на Qwen2.5-Omni. Модель предназначена для получения эмбеддингов через vLLM в сценариях, где требуется векторное представление входа; README сообщает о нормализованном векторе размерности 2048 при тестовом запуске. Артефакт проверен на RTX 3080 Laptop GPU с 8 ГБ памяти при ограничении контекста 256 токенов. Проверка качества выявила значительное расхождение с BF16-версией: средний cosine similarity составил −0,0357, совпадение ближайших соседей и Recall@1 — 10%, поэтому модель не является качественно эквивалентной заменой исходной. Лицензия в доступных материалах не приведена; README отсылает к карточке исходной модели ATH-MaaS/Ovis-Omni-Embedding-3B. Перед использованием следует проверить её условия. Метаданные указывают pipeline-тег text-to-audio, но README описывает тест эмбеддингов, а каталог также классифицирует модель как text-to-audio; подробные входные сценарии для эмбеддингов в карточке не раскрыты.

Модель анализа эмоций на базе IndoBERT, предназначенная для классификации предложений и абзацев на индонезийском языке. Она оценивает вероятность шести эмоций: гнева, грусти, радости, любви, страха и отвращения; результаты представлены в процентах. Архитектура — BERT для классификации последовательностей, размер — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на индонезийских твитах и основана на предварительно обученной IndoBERT Base Model P1. Подходит для анализа эмоциональной окраски индонезийских публикаций и сообщений. Ограничение — классификатор настроен на шесть перечисленных эмоций и обучен на данных из Twitter, поэтому его результаты для других языков, жанров и контекстов могут быть ненадёжны. Формат весов — PyTorch; сведения о лицензии в доступных данных отсутствуют.

pedropei/question-intimacy — англоязычная модель классификации текста на базе RoBERTa, разработанная Jiaxin Pei и David Jurgens для оценки уровня интимности вопросов и высказываний. Модель опубликована в экосистеме Hugging Face и предназначена для использования через Transformers; её задача связана с исследованием социальных норм и межличностной коммуникации в языке. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. Она работает с текстом на английском языке и относится к pipeline text-classification. Модель подходит для анализа интимности отдельных вопросов, изучения самораскрытия и социальных характеристик коммуникации, а также для исследовательского анализа корпусов Reddit, Twitter, книг и фильмов. Ограничения включают узкую специализацию на оценке интимности и англоязычный фокус; модель не предназначена для генерации текста или универсальной классификации. README карточки модели пуст, поэтому подробные сведения о формате меток, метриках качества и условиях лицензирования самой модели не подтверждены. Связанный официальный репозиторий проекта распространяется под лицензией MIT.

Модель quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v5 — дообученная версия quastrinos/race-openbook-finetuned-deberta-v3-large-mcqa-TPU-v4 для задач с выбором ответа. Она использует плотную архитектуру DeBERTa v2 с головой DebertaV2ForMultipleChoice и содержит 533,8 млн параметров. Модель принимает текст вопроса и варианты ответа, чтобы определить наиболее подходящий вариант; максимальная длина контекста — 512 токенов. В README приведены значения потерь и метрики Map3 на обучающей выборке, но назначение датасета и результаты на валидации подробно не описаны. Репозиторий распространяется по лицензии MIT.

coai разработала roberta-ai-detector-v2 — модель классификации текста на базе RoBERTa, дообученная для выявления текстов, сгенерированных ИИ, в академических работах и эссе. Модель различает текст, написанный человеком, и текст, созданный ИИ, и предназначена для проверки академических материалов, исследований методов обнаружения ИИ и образовательных инструментов для поддержки академической добросовестности. Модель рассчитана на английский язык и формальное академическое письмо. В описанной оценке на 11 023 отложенных примерах указаны accuracy 99,04%, F1 99,04% и ROC AUC 99,74%; обучающая выборка включала 56 213 пар текстов, в том числе примеры от Claude, GPT и Gemini. Репозиторий распространяется с лицензией Apache 2.0.

slm-500m-qa-DPO — языковая модель, созданная дообучением thesreedath/slm-500m-qa методом Direct Preference Optimization (DPO). Она предназначена для ответов на вопросы по одному лишь тексту вопроса, без предоставленного контекста, и ожидает формат «Question: {question}\nAnswer:». Модель использует плотную архитектуру LlamaForCausalLM, содержит около 517,7 млн параметров и поддерживает контекст до 1024 токенов; для работы указана библиотека Transformers и формат весов safetensors. По результатам карточки, на отложенной выборке из 40 примеров точность предпочтений выросла с 0,525 до 0,9. Дообучение проводилось два эпоха на 260 парах предпочтений; небольшая выборка и метки от LLM-судьи ограничивают обобщение, а DPO улучшает предпочтительный стиль ответов, но не добавляет новых способностей. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана. Карточка отдельно предупреждает, что модель не предназначена для юридических или финансовых консультаций.

BVRA/vit_base_patch16_384.in1k_ft_fungitastic_384 — модель компьютерного зрения для тонкой классификации видов грибов, дообученная на наборе данных FungiTastic. Она основана на Vision Transformer с патчами 16×16; размер входного изображения составляет 384×384 пикселя, а число параметров — около 88,3 млн. Модель предназначена для распознавания грибов по изображениям и получения визуальных эмбеддингов. Модель можно применять для классификации грибных видов на фотографиях в задачах экологии и исследования биоразнообразия. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Apertus 1.5 8B BIOMEDICALADE — экспериментальная плотная языковая модель на архитектуре ApertusForCausalLM, разработанная как исследовательская QLoRA-настройка базовой модели andreasmartin/apertus-v1.5-8b-text. Модель дообучена на наборе mihirhirave/entity_extraction_ade_v2_with_validation для извлечения из клинических текстов упоминаний лекарств и нежелательных лекарственных явлений с выдачей результата в формате JSON. Модель принимает текст и генерирует текст; в метаданных указаны английский язык, 10,3 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит самостоятельные веса в формате Safetensors; лицензия — Apache-2.0. Карточка позиционирует модель как экспериментальный исследовательский артефакт и прямо запрещает клиническое применение: результаты могут пропускать серьёзные реакции или указывать несуществующие побочные эффекты.

Модель followsci/bert-ai-text-detector — классификатор академических текстов на основе BERT-base-uncased, дообученный для бинарного определения того, написан ли абзац человеком или сгенерирован ИИ. Она принимает английский текст длиной до 512 токенов и возвращает метку класса и оценки уверенности. Разработчик сообщает, что модель обучена на академических текстах из arXiv и сгенерированных текстах разных больших языковых моделей; для тестовой выборки указаны точность 99,57% и F1-мера 99,58%. Эти результаты относятся к описанному в карточке тестированию и не гарантируют такую же точность на других данных. Модель предназначена для проверки абзацев академического текста и исследовательских сценариев, связанных с академической добросовестностью. Она не определяет, какая именно модель создала текст, и не выявляет частичную помощь ИИ. Карточка предупреждает, что качество может снижаться на неакадемических текстах и при обработке предложений или целых документов; возможны ложные срабатывания, поэтому результат не следует использовать как единственное основание для обвинений в нарушении правил. Модель содержит около 136,7 млн параметров, использует архитектуру BertForSequenceClassification и распространяется в формате safetensors. Лицензия — MIT.

ChuckleNet — модель Hayasuki для обнаружения смеха в аудио стендап-выступлений. Она классифицирует аудиосегменты и может возвращать временные метки реакций зрителей и смеха исполнителя; предусмотрены сценарии поиска удачных моментов, ранжирования сегментов по реакции и создания подборок. Модель построена на замороженном энкодере Microsoft WavLM Base с mean pooling последнего скрытого состояния размерности 768 и обучаемой MLP-головой из примерно 230 тысяч параметров. Для работы через Transformers требуется загрузка доверенного кода репозитория. Модель дообучена на 620 видео и 121 928 сегментах; метки получены из маркеров [laughter] в субтитрах и являются слабыми, а не полностью проверенными человеком. На отложенной выборке указаны F1 0,2732 на уровне сегментов и IoU-F1 0,229 при пороге перекрытия 0,2; на отдельной выборке с человеческой проверкой сообщается IoU-F1 0,30–0,40. README предупреждает, что модель не проверялась для разговоров нескольких участников, телефонных записей, неречевых сценариев и неанглийской речи, а обнаружение смеха не следует трактовать как общую классификацию эмоций. Лицензия — MIT.

ConvNeXt-P3 — модель компьютерного зрения на архитектуре ConvNeXt-Tiny для классификации диабетической ретинопатии по пяти уровням ICDR: от отсутствия заболевания до пролиферативной стадии. Она предназначена для анализа изображений сетчатки и интеграции в серверные, веб- и мобильные приложения; входное изображение приводится к размеру 224×224, а модель возвращает вероятности пяти классов. В карточке указаны weighted F1 77,77% и macro ROC-AUC 0,8379 на тестовой выборке без настройки порогов. Репозиторий содержит веса PyTorch и варианты TorchScript и ONNX; метаданные указывают формат ONNX. Модель опубликована под лицензией MIT. Это инструмент классификации изображений, а не самостоятельная клиническая диагностика: результаты требуют медицинской интерпретации.