I.11Классификация, ранжирование и сопоставление

Модель HumaP — дообученная версия Google ViT для многоклассовой классификации гистопатологических изображений лёгких и толстой кишки. В основе лежит архитектура Vision Transformer с патчами 16×16 и входным разрешением 224×224; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображения ткани к одному из пяти классов: доброкачественная ткань лёгкого, аденокарцинома лёгкого, плоскоклеточная карцинома лёгкого, аденокарцинома толстой кишки или доброкачественная ткань толстой кишки. Она дообучена на наборе из 25 000 гистопатологических изображений, по 5 000 на класс. Модель принимает изображения и выдаёт классы классификации. Она может служить вспомогательным инструментом для анализа гистологических изображений, но карточка не приводит оценок качества или сведений о клинической валидации; результаты не следует считать самостоятельным диагнозом. Лицензия в предоставленных данных не указана.

BaiHu-V1-Flash — экспериментальная плотная языковая модель ZichenAI для диалоговой генерации текста и переноса правила, формата или метода, показанного на одном примере, на новые случаи. Это дообученная версия Qwen/Qwen3-0.6B-Base с архитектурой BaiHu SSA: в каждом слое полное внимание заменено тремя путями — общим сжатым представлением блоков, локальным причинным вниманием и разреженным выбором блоков SubQ. Метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст до 32 768 токенов; в README приведена иная оценка размера — 598,8 млн параметров. Модель обучена на 1 294 синтетических многоходовых диалогах на английском и китайском языках, охватывающих вывод правил, перенос аналогий и форматов, контрфактические и междоменные примеры, а также циклы обучения. Она рассчитана на эксперименты с переносом усвоенного в диалоге правила, а не на универсальные инструкции или производительное обслуживание запросов. Лицензия разрешает личное использование бесплатно, для коммерческого использования нужна платная лицензия. По данным авторов, модель обычно повторяет ранее заданное правило или формат, однако качество ограничено малым размером и узким синтетическим обучением. Многошаговая арифметика ненадёжна; заявленное ускорение внимания не обеспечивает ускорения вывода: README сообщает о замедлении декодирования в 3,9–5,1 раза и предварительной обработки примерно в 50 раз относительно базовой модели. Архитектура пользовательская, поддержка llama.cpp и GGUF отсутствует.

Модель ALM-AHME/convnextv2-large-1k-224-finetuned-Lesion-Classification-HAM10000-AH-60-20-20 — дообученная версия ConvNeXt V2 Large от Facebook для классификации изображений. Она предназначена для отнесения изображений поражений кожи к классам набора HAM10000; название модели указывает на разбиение данных 60/20/20. В README приведены результаты на оценочной выборке: accuracy 0,9866 и loss 0,0976. Модель использует архитектуру ConvNeXt V2 и веса в формате PyTorch. Лицензия — Apache-2.0. Это специализированный классификатор изображений кожи; результаты оценочной выборки сами по себе не подтверждают пригодность для клинической диагностики.

GePaBERT — модель семейства BERT, разработанная на основе deepset/gbert-large и дообученная на корпусе выступлений в Бундестаге Германии. Она создана для задачи атрибуции говорящего в парламентских дебатах, в частности для участия в соревновании KONVENS 2023. В репозитории указана задача заполнения пропусков в тексте (fill-mask). Модель содержит около 434,5 млн параметров, принимает текст с замаскированными токенами и рассчитана на контекст до 512 токенов. На отложенной случайной выборке авторы сообщают loss 0,7997 и accuracy 0,8020. Модель ориентирована на немецкие парламентские речи за период с 1980 года по апрель 2023 года. Лицензия — MIT. Результаты оценки относятся к описанной выборке и сами по себе не подтверждают качество атрибуции говорящего на других типах текстов.

LevelField-GGUF — мультимодальная модель для планирования нестандартных производственных и механообрабатывающих процессов. Она основана на LevelField, разработанной Level AI (蓝沃AI), и построена на Qwen3.5-9B с дообучением и усилением на 100 000 производственных чертежей и маршрутных карт, полученных на 16 предприятиях. Вариант LevelField-GGUF распространяется в формате GGUF с несколькими уровнями квантования и предназначен для запуска через llama.cpp. Модель принимает 2D-чертежи в форматах PDF или PNG и анализирует геометрию детали, размеры и допуски, шероховатость поверхности и другие технические требования, после чего формирует маршрут обработки с предложениями по оптимизации. Заявлена поддержка английского и китайского языков и 18 типов процессов, включая токарную и фрезерную обработку, сверление, шлифование, литьё, ковку, термообработку и сварку. По данным разработчика, точность согласования рассуждений с решениями опытных технологов превышает 95%, а в пилотных внедрениях время подготовки маршрутов сокращалось примерно на 60%; эти показатели относятся к внутренним оценкам и не подтверждены дополнительными данными. Размер контекста в README не указан. Для исходной BF16-версии при использовании vLLM требуется как минимум один GPU H100, тогда как GGUF-версии рассчитаны на экосистему llama.cpp. Модель лицензирована по Apache 2.0, допускающей коммерческое использование.

Модель DifeiT/rsna-intracranial-hemorrhage-detection — дообученная версия Vision Transformer google/vit-base-patch16-224-in21k для классификации медицинских изображений, связанная с выявлением внутричерепного кровоизлияния. Она принимает изображения и выдаёт класс классификации. Модель содержит 113,2 млн параметров; веса представлены в формате PyTorch. В оценке на наборе imagefolder указаны loss 1,2164 и accuracy 0,6152, поэтому результаты следует интерпретировать с учётом ограниченной точности и проверять на данных целевого применения. Лицензия — Apache-2.0.

Модель masumtechnonext/wav2vec2-arabic-letter-verifier разработана Masum Techno Next как классификатор произношения отдельных букв арабского алфавита. Это дообученная wav2vec2-large-xlsr-53-arabic с 402,7 млн параметров: CTC-голова заменена классификационной, а экстрактор признаков заморожен. Модель принимает аудиоклип и относит его к одной из 28 букв либо к дополнительному классу «Unknown», предназначенному для тишины, шума и посторонних или неоднозначных записей. Для проверки заданной буквы модель сравнивает предсказанный класс с целевой буквой и применяет откалиброванный порог уверенности: при низкой уверенности запись считается нераспознанной, а не принудительно приписывается к одному из буквенных классов. Обучение включало SpecAugment и сглаживание меток; модель обучена на наборе masumtechnonext/test-data-set-Arabic-letter. Лицензия — Apache-2.0. Разбиение данных выполнено по клипам, а не по дикторам, поскольку идентификаторы дикторов отсутствуют. Если записи одного диктора попали и в обучение, и в тестовую выборку, тестовая точность может быть выше качества на новых дикторах или микрофонах; перед внедрением рекомендуется проверка на собственных записях с отдельными дикторами.

SikuRoBERTa BIRD — модель семейства RoBERTa, разработанная на основе SIKU-BERT/sikuroberta и адаптированная для работы с китайскими бронзовыми надписями. Она дообучена на корпусе BIRD с дополнительным доменным и задачным предобучением и модулем Glyph Net. Веса содержат 136,4 млн параметров, контекст — до 512 токенов. Модель предназначена прежде всего для восстановления утраченных или повреждённых иероглифов в надписях с помощью заполнения масок. Карточка также описывает классификацию надписей по династии и периоду, но указанная задача Hugging Face — fill-mask. Обучение использовало 41 тысячу токенов транскрибированных надписей с хронологическими метками и 2 млн токенов текстов доциньской эпохи. В приведённом примере точность Exact@1 на 22 экспертных восстановлениях составила 50%, поэтому предлагаемые варианты требуют проверки специалистом. Модель подходит для исследований в цифровой гуманитаристике, древнекитайской обработке языка и палеографии. Лицензия — CC BY 4.0.

Модель разработана на основе NbAiLab/nb-whisper-medium для распознавания четырёх крупных региональных разновидностей норвежской речи. Это аудиоклассификатор на архитектуре Whisper: энкодер дообучен целиком, к нему добавлена классификационная голова. Модель содержит около 455,8 млн параметров и принимает монофоническое аудио с частотой 16 кГц; для фрагментов длиннее 30 секунд при обучении использовалась случайная выборка длительностью до 30 секунд. Модель предназначена для исследовательской классификации норвежских диалектов и изучения роли просодии. Она обучалась на низкочастотно отфильтрованной речи из корпуса парламентских выступлений SSC, чтобы ослабить фонетические признаки и сохранить контур высоты тона. Поэтому на вход рекомендуется подавать аудио, обработанное тем же способом; необработанная речь не соответствует условию обучения. Предсказания относятся к четырём широким регионам, а границы между ними условны. Контрольная точка взята из финальной эпохи обучения, которая также показала лучшую точность на валидации. Качество на разговорной речи, детской речи и речи неносителей языка не гарантировано. Модель не предназначена для решений с существенными последствиями для людей, например при найме или проверке личности. Лицензия — Apache-2.0.

Модель oopere/pruned60-llama-3.2-1B разработана Pere Martra и представляет собой структурно прореженную версию Meta Llama 3.2 1B. В слоях MLP удалено 60% нейронов по оценкам важности на основе максимальных абсолютных значений весов; число параметров сокращено примерно с 1,24 млрд до 752,6 млн. Модель реализована как плотная авторегрессионная LlamaForCausalLM и распространяется в формате Safetensors. Для неё заявлено контекстное окно до 131 072 токенов. Это базовая заготовка для последующего дообучения под прикладные задачи, особенно когда важны снижение требований к памяти и вычислениям. README не рекомендует использовать её напрямую: результаты показывают сохранение части качества на простых задачах бинарной классификации, но сильное падение на рассуждениях, понимании длинных зависимостей и языковом моделировании. Модель унаследовала многоязычность исходной Llama 3.2 1B; конкретные поддерживаемые языки не перечислены. Лицензия — Llama 3.2, с условиями Meta для этого семейства моделей.

Stoicheia-restoration-test5 — символьный энкодер с маскированной диффузией для восстановления древнегреческих надписей и папирусов. Модель содержит 405 млн параметров, имеет 32 блока и ширину представления 1024. Внимание в трёх из каждых четырёх блоков ограничено окном в 256 символов, а каждый четвёртый блок обрабатывает текст глобально. Вход кодируется пятью совмещёнными слоями: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; их можно независимо маскировать, включая лакуны неизвестной длины. Это дообученная версия Stoicheia-doc_clean, выпущенная вместе с научной статьёй, находящейся на рецензировании. Она обучена на всех документах, кроме тех, чьи идентификаторы PHI/TM заканчиваются цифрой 5, поэтому предназначена для проверки чтений надписей и папирусов без утечки конкретного документа из обучения. В README предлагается задавать пропуски дефисами известной длины или обозначением [N±M] для пропусков неопределённой ширины. Лицензия Apache-2.0.

Модель tiantiaf/childvox-percept_r-whisper-base разработана Tiantian Feng для классификации детских речевых аудиофрагментов. Она дообучена на корпусе PERCEPT-R на базе мультиязычной OpenAI Whisper Base и предназначена для анализа реализации звука /ɹ/ у детей. Модель различает категории Derhotic и Rhotic; в описании также приведены категории зрелости слогов Canonical и Non-Canonical и категория Junk для фрагментов, не относящихся к детским вокализациям. Модель принимает аудио и выдаёт метки классов. Она предназначена для исследовательского анализа детской речи, а не для клинической диагностики или индивидуальной оценки развития. Запрещено коммерческое использование; лицензия CC BY-NC-SA 3.0. Записи детей требуют соблюдения конфиденциальности, получения согласия и необходимых этических разрешений.

optimum-intel-internal-testing/tiny-random-flaubert — небольшая тестовая модель на базе архитектуры FlauBERT, опубликованная в пространстве Optimum Intel Internal Testing на Hugging Face. Её назначение — извлечение признаков из текста; на странице модели она также отмечена как совместимая с Transformers, PyTorch и TensorFlow. Модель содержит около 2,28 млн параметров и использует тензоры F32 в формате Safetensors. Для работы применяются AutoTokenizer и AutoModel из библиотеки Transformers. Данные о поддерживаемых языках, размере контекста, обучающей выборке, точной конфигурации архитектуры и результатах оценки не указаны. Карточка модели автоматически сгенерирована и не содержит сведений о разработчике, лицензии, ограничениях, рисках или сценариях прикладного использования. Поэтому модель следует рассматривать прежде всего как малый тестовый артефакт для проверки совместимости и извлечения признаков, а не как полноценно документированную production-модель.

Wav2vec2-large-robust-Pronounciation-Evaluation — дообученная модель на базе facebook/wav2vec2-large-robust для оценки произношения по аудиозаписи. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 402,7 млн параметров. В README приведены результаты на оценочной выборке: accuracy, F1, precision и recall — 0,72; loss — 0,7846. Модель предназначена для классификации аудио в сценариях оценки произношения. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Сведения о поддерживаемых языках, составе классов и данных для обучения отсутствуют.

ChashiBhAI Potato Disease Classifier v2 — модель классификации изображений на базе YOLO26-cls, подготовленная разработчиком ChashiBhAI и сохранённая в формате TFLite с точностью FP16. Она принимает изображение листа картофеля размером 640 × 640 пикселей после центрального кадрирования и выдаёт оценки вероятности для трёх классов: ранняя фитофторозная пятнистость (Early Blight), здоровый лист и поздняя фитофторозная пятнистость (Late Blight). Модель предназначена для распознавания этих заболеваний на изображениях, в том числе при запуске на устройстве. Репозиторий указывает Ultralytics как используемую библиотеку, а метаданные — лицензию MIT. Карточка не приводит результатов оценки качества или сведений о данных обучения, поэтому качество распознавания в конкретных условиях по ней оценить нельзя.

youngseok12 выпустил экспериментальную дообученную версию HyperCLOVA X SEED Think-14B для выбора ответов на вопросы по административным документам. Модель основана на naver-hyperclovax/HyperCLOVAX-SEED-Think-14B: LoRA-адаптер обучили на 778 примерах из набора AI Hub Dataset 569, где базовая модель ранее выбрала правильный ответ, а затем объединили с базовой моделью. На вход подаётся текст задания, на выходе модель выдаёт только букву варианта A, B, C или D. Это плотная причинно-языковая модель на 14,1 млрд параметров с контекстом до 131 072 токенов, рассчитанная прежде всего на корейский язык. Репозиторий содержит веса BF16 в формате safetensors; модель загружается через Transformers без отдельного адаптера или пользовательского кода модели. Обучение было небольшим экспериментом: один проход и 49 шагов оптимизатора. Автор не измерял benchmark-результаты при публикации. Модель предназначена для исследовательского и оценочного применения. Лицензия — соглашение NAVER HyperCLOVA X SEED 14B Think; необходимо также соблюдать условия AI Hub для исходных данных. Точность ответов не гарантируется, и модель не следует использовать как единственное основание для медицинских, юридических или административных решений.

KPoEM (Korean Poetry Emotion Mapping) — AKS-DHLAB командасы әзірлеген, корей модернистік поэзиясындағы эмоцияларды жіктеуге арналған KcELECTRA негізіндегі модель. Ол KcELECTRA-base моделін алдымен KOTE деректер жиынында, кейін KPoEM деректер жиынында қосымша оқыту арқылы жасалған; архитектурасы — ELECTRA, параметр саны 136,3 млн, контекст ұзындығы 512 токен. Модель корей өлеңдерін эмоциялық белгілер бойынша талдауға және ықтималдық шегін баптап, таңдалған эмоцияларды алуға арналған. Ол тек мәтіндік кірісті қабылдап, мәтіндік жіктеу нәтижесін шығарады. MIT лицензиясымен таратылады. Мақсатты қолданылуы корей модернистік поэзиясымен шектеледі; басқа жанрлар мен тілдерге жалпылау туралы мәлімет жоқ.

Prajna-V2 — экспериментальная система eulogik для генерации текстовых ответов и проверки идеи когнитивной сети с эпизодической памятью. Она подключает обучаемую Cognitive Resonance Network (CRN) на 6,7 млн параметров к замороженной базовой модели Google Gemma 4 E2B на 2 млрд параметров; веса Gemma не изменяются. CRN корректирует скрытое представление базовой модели, а таблица из 17 810 записей позволяет находить похожие вопросы и воспроизводить сохранённые ответы. По карточке модели, система набрала 60 из 60 на экзамене CEHRI и 110 из 120 на переформулированных вопросах; отдельно генерация без извлечения памяти показала существенно более низкие результаты. Модель рассчитана на экспериментальные проверки ответов по арифметике, фактам и практическим ситуациям с неявной целью, а также на воспроизведение знаний, сохранённых в памяти. Это не универсальное подтверждение способности рассуждать: высокий экзаменационный результат во многом обеспечивается точным поиском запомненных пар «вопрос — ответ». В README не заявлена поддержка конкретных естественных языков или длина контекста. Репозиторий содержит веса CRN в safetensors и таблицу памяти; метаданные указывают библиотеку Transformers и лицензию Gemma. Условия лицензии Gemma распространяются на использование модели.

Q-Omni-53M-Experimental — экспериментальная модель Q-Project с архитектурой decoder-only для генерации текста. В README указано 53,2 млн параметров, а в метаданных — 103,4 млн; модель использует ternary-веса {-1, 0, +1}, обученные с учётом квантования, и фиксированные 512-битные отпечатки токенов вместо обучаемой таблицы эмбеддингов. Общий словарь включает текстовые, графические и аудиотокены; заявлена поддержка контекста до 4096 токенов, обучение велось на длине 2048. Для точной арифметики, дат, преобразования единиц, сортировки и сравнений README описывает отдельный механизм схем, который принудительно задаёт правильный результат при генерации. Модель предназначена для экспериментов с компактными языковыми моделями, троичными весами и единым словарём разных модальностей. Она создаёт связный английский текст, однако часто ошибается в фактах; знания ограничены, при жадном декодировании возможны повторы, а творческие ответы слабы. Возможности работы с изображениями и речью в README названы слабыми или непригодными для практического использования; точность речевого синтеза проверялась только численно. Модель выпущена как исследовательский эксперимент без настройки безопасности и распространяется по лицензии Apache-2.0.

Это исследовательский чекпойнт whr778 для извлечения аргументов событий из текста по схеме RAMS. Модель основана на mmBERT-base: её головы сначала обучались на примерно 100 000 записей о структуре событий и аргументах, после чего модель дообучили на RAMS по рецепту из 15 эпох с выбором чекпойнта по строгой метрике извлечения аргументов. Доступный формат весов — safetensors. Чекпойнт предназначен для измерения влияния предварительного обучения голов модели на качество последующего извлечения аргументов событий, а не для общего использования. На слепом тесте RAMS из 871 документа строгий micro-F1 составил 0,158 для аргументов и 0,732 для триггеров событий. README характеризует модель как одну точку исследовательской кривой масштабирования и указывает, что артефакт закрытый; условия лицензии не приведены.

Stoicheia literary fold 1 — анонимно выпущенный 405-миллионный символьный энкодер для древнегреческого языка, построенный на архитектуре CharBERT с masked diffusion. Модель предобучена на литературном корпусе; этот чекпойнт не обучался на тестовой десятой части корпуса, выделенной для fold 1. Разработчики описывают систему как основу для анализа переданного текста без прямого запоминания проверяемых отрывков. Вход разбит на пять синхронизированных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация. Каждый слой можно независимо маскировать с явным состоянием «неизвестно», что позволяет подавать отредактированный текст, текст без пробелов между словами или лакуны переменной длины. Архитектура имеет ширину 1024 и 32 блока; три из каждых четырёх блоков используют внимание в окне 256 символов, а четвёртый — глобальное внимание. В метаданных указаны задача fill-mask, библиотека Transformers и формат Safetensors; лицензия — Apache-2.0.

Модель Vladimirlv/ast-finetuned-audioset-10-10-0.4593-heart-sounds — дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593 для классификации аудио. Она основана на Audio Spectrogram Transformer (AST), семействе моделей на базе Vision Transformer, и содержит 113,2 млн параметров. В README указаны результаты на тестовой выборке: точность 0,9695 и значение функции потерь 0,1499. Модель предназначена для классификации звуков сердца. Она принимает аудио и выдаёт метки классов; подробности о классах, подготовке аудиозаписей и оценке качества на других данных в карточке не раскрыты. Модель опубликована в формате safetensors для библиотеки Transformers и распространяется по лицензии BSD-3-Clause.

zagreus-0.4B-xmoons — плотная языковая модель семейства Llama, разработанная как дообучение mii-llm/zagreus-0.4B-ita для mii-llm Post-Training Challenge. Она предназначена для ответов на вопросы с выбором варианта на итальянском языке; README сообщает о проверке на 10 000 вопросах ITALIC и точности 41,02% в официальном fast-протоколе. Модель содержит 437,7 млн параметров, принимает и генерирует текст, поддерживает диалоговый формат и имеет контекст 4096 токенов. README описывает один проход supervised fine-tuning на размеченных ответах и указывает, что дистилляция не применялась. Лицензия — Apache-2.0. Сильная сторона модели — улучшение результата на ITALIC по сравнению с базовой моделью. Ограничения заметны на языковых категориях: слабее всего результаты по морфологии, синонимам, орфографии и синтаксису; в обучающей выборке мало уникальных грамматических вопросов. README также отмечает возможное пересечение источников данных на уровне происхождения вопросов, несмотря на удаление и проверку точных и близких дубликатов.

Zagreus ITALIC 45.73 — плотная причинная языковая модель семейства Llama на 437,7 млн параметров, разработанная для рассуждений при выборе ответа на итальянском языке. По README, модель набрала 45,73% точности на официальной оценке ITALIC из 10 000 вопросов; доля допустимых ответов составила 99,97%. Контекст модели — 4096 токенов. Модель предназначена для узкого сценария: она получает системную инструкцию, пять демонстраций в формате диалога и целевой вопрос, после чего генерирует одну букву ответа. Обучение включало дистилляцию по ответам Gemma 4 и примеры с эталонными ответами; авторы сообщают, что официальные вопросы ITALIC и ответы к ним не использовались для обучения или разметки учителем. Модель работает через Transformers и распространяется в формате safetensors. Это не универсальный итальянский ассистент: заявленный результат относится к официальному пятипримерному интерфейсу оценки, возможны некорректные ответы, а дистилляция может сохранять ошибки и смещения учителя. Модель предназначена для исследований и оценки. В README указаны ограничения на некоммерческое использование и требования атрибуции и share-alike для материалов исходных источников; лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия базовой модели и данных.

zondaxyz/babyconceptLM-baike102M_bpe60 — китайская Concept-модель, обученная на данных Baike102M с токенизацией BPE; в README она предназначена для Chinese BabyLM challenge. Модель использует архитектуру ConceptDominantGPTBertForPreTraining: 2 токенных, 4 концептуальных и 2 readout-слоя, размер скрытого состояния 768, словарь из 16 384 токенов и контекст до 512 токенов. Предобучение выполнялось с длиной последовательности 256 токенов. Модель подходит для исследований усвоения китайского языка и оценки грамматических иероглифических и когнитивных признаков на наборах Chinese BabyLM. В README приведены результаты zhoBLiMP, тестов структуры и пиньиня для иероглифов, а также dev-оценки задач fMRI. Это не производственный разговорный помощник. Для загрузки требуются пользовательский код Transformers и параметр trust_remote_code=True. Лицензия в предоставленных данных не указана.

Модель разработана группой NeuroGSD факультета информационных технологий Университета Моратува. Это классификатор на базе EfficientNetB0 с блоком внимания squeeze-excitation, дообученный для определения выраженности катаракты по фотографиям переднего отрезка глаза. Он относит изображение к одному из четырёх классов: норма, лёгкая, умеренная или тяжёлая степень. Модель принимает цветные изображения RGB размером 224×224; перед подачей требуется обработка, описанная в README: медианный фильтр, CLAHE для канала яркости LAB и изменение размера изображения. Модель предназначена для исследовательской и учебной оценки классификации офтальмологических изображений. В README приведены результаты на отложенной выборке из 59 изображений, сгруппированной по исходным фотографиям, чтобы исключить утечку между обучением и тестированием. Авторы сообщают точность 0,983 и сбалансированную точность 0,964, но малый объём данных и широкие доверительные интервалы ограничивают обобщаемость этих оценок. Датасет состоит из 357 уникальных изображений из одного источника; оценки классов присвоены студенческой командой и проверены специалистом. Работа на других камерах, при ином освещении и на других популяциях не проверялась. Модель не является медицинским изделием, не прошла клиническую валидацию или регуляторное одобрение и не должна использоваться для принятия решений о пациентах. Условия лицензии в предоставленных данных не приведены.

Карточка модели topcatmax/mirror-unconst-affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-me на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged, поэтому описание составлено по ней. Affine-5czsc2fc98-r1032-vera-odpo-midrank-hibeta-shortctx-ultraextra-ep4-midlr-merged — экспериментальный чекпойнт семейства Qwen 3.5 MoE, разработанный как участник серии Affine SN120. Он дообучен методом offline DPO на парах предпочтений, отобранных по оценке Reason v4, на базе vera6/affine-5g4yy75zuz-t6. В метаданных указаны библиотека Transformers, формат Safetensors и лицензия Apache 2.0. Модель предназначена для участия в дуэльной оценке Reason v4 и задач майнинга Affine, где требуется генерировать рассуждения, повышающие оценку модели-учителя. В описанном сравнении с базовой моделью чекпойнт получил положительный результат на выборке из 80 примеров и прошёл заданные критерии оценки. Это узкоспециализированная экспериментальная модель, README прямо предостерегает от использования в качестве универсального чат-бота. Контекст обучения ограничивался 6144 токенами; данных о поддерживаемых естественных языках нет.

instanton-hybrid — экспериментальная языковая модель семейства instanton от qyxu1994, созданная с нуля для соревнования BabyLM 2026. Это гибрид GPT-BERT с 37,7 млн параметров по метаданным: восемь слоёв, скрытый размер 512 и восемь голов внимания. Модель обучена на английском корпусе BabyLM 2026 Strict-Small объёмом не более 10 млн слов и использует равное сочетание masked language modeling и causal language modeling. Контекст составляет 512 токенов, словарь — 16 384 токена с byte-level BPE. Модель предназначена для исследований усвоения языка при ограниченных обучающих данных, а также для экспериментов с заполнением пропусков, оценкой языковой приемлемости и генерацией текста. В опубликованных оценках она показывает результаты на BLiMP и GLUE; доступны контрольные точки обучения на разных этапах экспозиции слов. README отмечает отрицательную корреляцию с порядком усвоения слов детьми и нулевой результат на соответствующем бенчмарке. Это исследовательский артефакт, не предназначенный для прикладного развёртывания или генерации текста, на который будут полагаться пользователи. Для загрузки требуется trust_remote_code=True; поддерживается Transformers 4.51.x, версия 5.x не поддерживается. Лицензия — MIT.

KainoBERT-sphragis — маскированная языковая модель на базе ModernBERT, разработанная Urdatorn для анализа древнегреческих текстов и оценки авторства в бенчмарках Sphragis и Sphragis-Metre. Модель обучена с нуля на очищенном корпусе AncientGreek-no-sphragis: веса ModernBERT-base не использовались. Она содержит около 135,5 млн параметров, имеет 22 слоя и контекст до 8192 токенов; основная задача — предсказывать замаскированные токены. Корпус очищен от произведений и текстовых фрагментов бенчмарков, чтобы ограничить утечку тестовых данных в задаче атрибуции авторства. Тексты приведены к нижнему регистру и очищены от пунктуации; часть данных сохраняет политонические диакритические знаки, часть использует только основы букв. Модель подходит для исследовательских экспериментов с древнегреческим языком, включая сравнение представлений и автороведческий анализ, но её языковая модель слабее предыдущей версии KainoBERT по валидационной потере. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

SEA-CLIP-Tiny ablation «Only Mammoth» — мультимодальная модель семейства CLIP, опубликованная как один из вариантов эксперимента SEA-CLIP-Tiny для ACCV 2026. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на новых классах, а также для поиска соответствий между изображениями и текстом. Вариант отличается от основной модели составом обучающей смеси: использовался только источник данных Mammoth. Модель построена на OpenCLIP: визуальный энкодер ViT-T/16 сочетается с 12-слойным текстовым энкодером шириной 384; размер общего пространства эмбеддингов — 512. Всего модель содержит 46,11 млн параметров. CLIP BPE-токенизатор имеет контекстное окно 77 токенов. Карточка указывает поддержку английского, индонезийского, яванского, сунданского, малайского, тайского, вьетнамского и бирманского языков. В приведённых результатах качество невысокое: точность zero-shot на ImageNet составляет 0,5%, а средний R@1 для указанных наборов поиска изображений и текста — 0,5%. Модель распространяется под лицензией MIT; её экспериментальная абляция может быть полезна для сравнений и воспроизведения результатов, но результаты не указывают на готовность к практическому применению.