II.10Разработка и эксплуатация AI/ML-систем

AdamCodd/vit-base-nsfw-detector — модель классификации изображений, созданная AdamCodd дообучением google/vit-base-patch16-384. Она использует архитектуру Vision Transformer с примерно 113,2 млн параметров и относит изображения к одному из двух классов: SFW или NSFW. Модель рассчитана на проверку фотографий, рисунков и других изображений, например для фильтрации контента. На оценочном наборе автор сообщает точность 96,54%. Модель намеренно относит к NSFW изображения с выраженным обнажением или декольте. Для изображений, созданных генеративными моделями, качество заметно ниже: точность составляет 86%; автор предупреждает, что обучение не включало такие изображения. Квантизированный вариант ONNX может иметь немного меньшую точность. Лицензия — Apache-2.0.

facebook/vjepa2-vitg-fpc64-384-ssv2 — модель классификации видео, разработанная FAIR подразделения Meta на основе V-JEPA 2. Это вариант ViT-g с разрешением 384 и классификационной головой, дообученный на наборе Something-Something-V2; число параметров составляет 1,3 млрд. Модель предназначена для присвоения видео меток классов и понимания действий и событий в видеороликах. Модель принимает видео и выдаёт классовые предсказания. Она использует архитектуру VJEPA2ForVideoClassification и доступна в формате safetensors для библиотеки Transformers. Лицензия — MIT. Карточка не приводит измерений качества или подробностей о поддерживаемых языках; применимость к другим наборам классов может требовать дополнительной настройки.

Это преобразованный в формат Hugging Face чекпойнт wav2vec 2.0 Base от Fairseq, подготовленный пользователем techsword. Модель с 113,3 млн параметров предварительно обучена примерно за 85 тысяч обновлений на 730-часовой подвыборке LibriSpeech; веса сохранены в safetensors. Конверсию выполнили официальным конвертером Transformers и проверили сравнением весов и результатов прямого прохода с исходной моделью Fairseq. Модель предназначена для извлечения признаков из аудио и может служить основой для экспериментов и последующей настройки задач обработки речи. В README также упомянуты эксперименты с tone-probe. Для использования указана лицензия Apache 2.0.

Это версия модели S3PRL Wav2Vec2, перенесённая для задачи обнаружения ключевых слов в рамках бенчмарка SUPERB. Она классифицирует аудио высказывания по заранее заданным словам, а также по классам тишины и неизвестных слов; обучение проводилось на Speech Commands v1.0. Модель построена на Wav2Vec2-base и содержит 113,3 млн параметров. Модель принимает речевое аудио с частотой дискретизации 16 кГц и выдаёт метки классов. Она подходит для распознавания команд и ключевых слов, в том числе в сценариях с быстрым локальным откликом. В README приведена точность 0,9643 при оценке через Transformers; фактические скорость и размер могут быть важны для развёртывания на устройстве. Модель использует формат PyTorch и лицензию Apache-2.0. Карточка описывает поддержку английского языка; распознаваемый набор ограничен заранее заданными классами датасета Speech Commands, поэтому это не универсальная система распознавания речи.

KBLab разработала wav2vec 2.0 large VoxRex-C — акустическую модель на архитектуре wav2vec2 с 402,7 млн параметров, предварительно обученную без учителя на 10 000 часах шведского местного радио и 1 500 часах аудиокниг и других речевых записей из коллекций KB. Модель обучалась 400 000 шагов и предназначена для работы с аудио на шведском языке. Её можно использовать для продолжения предварительного обучения на собственных неразмеченных аудиоданных или как извлекатель признаков при настройке downstream-задач, например для обучения собственного CTC-слоя или классификатора аудио. Веса представлены в формате PyTorch и доступны по лицензии CC0 1.0. В репозитории нет CTC-слоя, поэтому сама модель не преобразует речь в текст. README характеризует её как находящуюся в разработке; качество для конкретных задач может зависеть от последующего дообучения.

YuLan-Mini-Before-Annealing — промежуточный контрольный чекпойнт языковой модели YuLan-Mini, разработанной и поддерживаемой AI Box при Народном университете Китая. Это плотная авторегрессионная модель на 2,2 млрд параметров с контекстом до 28 723 токенов. В репозитории сохранено состояние оптимизатора, поэтому чекпойнт предназначен прежде всего для продолжения обучения через Hugging Face Trainer и DeepSpeed Universal Checkpoint. Чекпойнт можно использовать для продолжения предобучения, собственного этапа annealing на новых данных, изучения динамики обучения, синтеза данных и как отправную точку для дообучения instruct-модели. README приводит результаты промежуточных этапов на LAMBADA, GSM8K и HumanEval, но подчёркивает, что это не финальная версия YuLan-Mini. Модель принимает текст и генерирует текст; карточка указывает поддержку чата. Лицензия — MIT.

BanglaHateBERT — модель классификации текста для выявления оскорбительной речи на бенгальском языке. Автор карточки — saroarj, модель опубликована в формате PyTorch для библиотеки Hugging Face Transformers. В метаданных указано семейство ELECTRA, класс BertForSequenceClassification, 137,8 млн параметров и контекст до 512 токенов. Модель предназначена для анализа бенгальских текстов и выявления abusive language. Её можно применять для первичной модерации пользовательских сообщений и разметки текста по наличию оскорбительной речи. Модель распространяется по лицензии OpenRail. Карточка не приводит метрик качества и подробностей о классах разметки или тестовом наборе; эти сведения следует проверить перед использованием в критичных сценариях.

tohoku-nlp/bert-base-japanese-v2 — японская языковая модель BERT, разработанная группой Tohoku NLP и предварительно обученная на японской Википедии. Она предназначена для восстановления скрытых фрагментов текста и может служить основой для задач, где требуется представление японского языка. Модель использует архитектуру BERT base с 12 слоями, размерностью скрытых состояний 768 и 12 головами внимания; число параметров — 138,4 млн, контекст — до 512 токенов. Текст разбивается морфологическим токенизатором MeCab на слова с использованием словаря Unidic 2.1.2, затем на подслова WordPiece. При предобучении применялось маскирование целых слов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель ориентирована на японский язык и обучена на корпусе из японской Википедии, собранном по дампу от 31 августа 2020 года. Лицензия — CC-BY-SA-4.0. Качество за пределами японского языка и предметных областей, отсутствующих в обучающих данных, не подтверждено; модель не является готовым диалоговым ассистентом.

bert-fc-medium — языковая модель среднего размера на архитектуре RoBERTa, разработанная aajrami. Она предварительно обучена с задачей предсказания первого символа; подробности цели и гиперпараметров обучения приведены в упомянутой в карточке научной работе. Модель предназначена для извлечения признаков из текста и получения текстовых представлений. В модели 59,3 млн параметров, максимальная длина контекста — 514 токенов. Доступны веса в форматах PyTorch и safetensors. Карточка не уточняет поддерживаемые естественные языки и прикладные области. Лицензия — CC BY 4.0.

BERTweet-large — крупная языковая модель для английских твитов, разработанная Dat Quoc Nguyen, Thanh Vu и Anh Tuan Nguyen. Это модель семейства RoBERTa с архитектурой RobertaForMaskedLM и 454,1 млн параметров; она обучена по процедуре предобучения RoBERTa на корпусе из 850 млн англоязычных твитов, опубликованных с января 2012 по август 2019 года, включая 5 млн твитов о пандемии COVID-19. Модель предназначена для заполнения пропусков в тексте и как языковая основа для задач анализа сообщений в Twitter и других коротких англоязычных текстов. Она принимает текст и предсказывает токены на месте маски. Контекст — до 514 токенов. Доступны веса в форматах PyTorch и TensorFlow. Специализация на твитах помогает учитывать стиль и лексику этой платформы, но модель обучена на англоязычных данных и не предназначена для генерации ответов в формате чат-бота. Дата публикации корпуса ограничена августом 2019 года, поэтому модель может хуже отражать более поздний язык и события. Лицензия — MIT; авторы просят цитировать научную публикацию при использовании результатов в исследованиях или включении модели в программное обеспечение.

BitCPM-CANN-0.5B-unquantized — контрольная точка семейства BitCPM-CANN от OpenBMB для продолжения предобучения и дообучения. Это причинная языковая модель на архитектуре MiniCPMForCausalLM с 433,8 млн параметров, контекстом до 32 768 токенов и поддержкой китайского и английского языков. Для работы при обучении требуется использовать встроенную логику моделирования с тернарным fake quantization и загрузку с trust_remote_code=True. Модель представляет собой неквантованные обучаемые веса QAT: веса ограничиваются тернарными значениями {-1, 0, 1} с групповым масштабированием, а обучение использует STE. Она предназначена для продолжения предобучения и supervised fine-tuning; README прямо предупреждает, что этот чекпойнт не предназначен для непосредственного инференса. После обучения веса можно преобразовать в псевдоквантованный вариант для инференса. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

BitCPM-CANN-3B-unquantized — контрольная точка модели BitCPM-CANN-3B от OpenBMB для продолжения предобучения и дообучения. Это плотная авторегрессионная модель семейства LLaMA с 3,2 млрд параметров и контекстом до 32 768 токенов; она загружается через Transformers и поддерживает диалоговый режим. Модель рассчитана на продолжение обучения с сохранением ограничений тернарной квантизации: веса обучаются с имитацией значений {-1, 0, 1} и групповым масштабированием. Эта версия предназначена для обучения, а не для непосредственного инференса. При обучении необходимо использовать встроенную логику `modeling.py` с тернарным fake quantizer; после обучения веса преобразуют в псевдоквантованный вариант для инференса. Карточка описывает китайский и английский языки. Лицензия — Apache-2.0.

JoseVilla/cfe-telmex-classification-finetuned-v2 — модель классификации изображений, разработанная JoseVilla и дообученная на основе JoseVilla/cfe-telmex-classification-finetuned-v1. Она построена на архитектуре Swin и содержит около 33 млн параметров. Модель предназначена для отнесения изображений к категориям; конкретные классы и целевые сценарии в карточке не описаны. На указанном наборе для оценки модель достигла accuracy 1,0 и loss 0,1568. Эти результаты относятся только к приведённому набору и не гарантируют такого же качества на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Chatterbox-LLaMA-zh-base — базовая языковая модель, разработанная проектом Llama-zh-base. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, обученная с нуля на китайских корпусах; веса исходной LLaMA не использовались. README указывает около 0,8 млрд параметров, а метаданные — 721,8 млн. Для модели заново созданы токенизатор и словарь. Контекст составляет 2048 токенов. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации: README описывает проектный конвейер подготовки данных, токенизации, предобучения, prompt tuning и RLHF. Сам чекпойнт не проходил инструкционную настройку, поэтому его ответы не следует считать готовыми к диалоговому использованию без дополнительного дообучения. Указанная лицензия — Apache-2.0.

Карточка модели hfl/chinese-xlnet-mid на Hugging Face совпадает с карточкой hfl/chinese-xlnet-base, поэтому описание составлено по ней. hfl/chinese-xlnet-base — предобученная на китайском языке модель семейства XLNet, представленная HFL. Она предназначена для использования как ресурс для задач обработки китайского естественного языка и может служить основой для дальнейшей настройки под конкретные сценарии. Архитектура — XLNetLMHeadModel, размер — 137,8 млн параметров; модель доступна в форматах PyTorch и TensorFlow. В карточке указана задача text-generation, однако README описывает модель прежде всего как китайский предобученный чекпойнт для широкого круга задач NLP. Модель основана на официальном проекте XLNet от CMU и Google. Лицензия — Apache-2.0.

CogVLM2-Llama3-Caption — модель для создания текстовых описаний видео, разработанная командой Zhipu AI. Она преобразует видеоданные в подписи и описания, которые можно использовать как обучающие данные для текстово-видеовой модели CogVideoX. Модель построена на архитектуре CogVLMVideoForCausalLM и дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct; содержит 8,3 млрд параметров и рассчитана на контекст до 2048 токенов. Для запуска предусмотрена библиотека Transformers, веса доступны в формате safetensors. Основной сценарий — автоматическое описание видео для подготовки обучающих наборов данных. В метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели и у правообладателей базовой модели.

NeuML/colbert-bert-tiny — компактная модель ColBERT v2, разработанная NeuML и дообученная на google/bert_uncased_L-2-H-128_A-2 на наборе msmarco-bm25. Она кодирует предложения и абзацы в последовательности плотных векторов размерности 128 и оценивает семантическое сходство с помощью оператора MaxSim. Модель предназначена прежде всего для модульных тестов в средах с ограниченными вычислительными ресурсами, например GitHub Actions, но подходит и для базового семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 4,4 млн параметров и принимает текст с контекстом до 512 токенов. Это англоязычная модель многовекторных эмбеддингов, совместимая с Sentence Transformers версии 6.0.0 и выше. Лицензия — Apache-2.0. Карточка отмечает ограниченную пригодность для практических сценариев за пределами базовых задач и тестирования.

dbmdz/convbert-base-turkish-mc4-cased — регистрозависимая языковая модель ConvBERT для турецкого языка, представленная сообществом Turkish NLP и опубликованная организацией DBMDZ. Она обучена на турецкой части многоязычного корпуса mC4 объёмом 242 ГБ, содержащей около 31,2 млрд токенов; использует словарь из 32 тысяч токенов и последовательности длиной до 512 токенов. Модель предназначена для заполнения пропусков в тексте: по контексту она предсказывает замаскированный токен. Её можно применять для языкового моделирования и как основу для дальнейших NLP-задач на турецком языке. Доступны веса в форматах PyTorch, Safetensors и TensorFlow; число параметров — около 137,8 млн. Лицензия — MIT.

ConvNeXt V2 Pico — сверточная модель компьютерного зрения, разработанная авторами статьи ConvNeXt V2 и опубликованная в репозитории Hugging Face. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-1K для классификации изображений размером 224×224 по 1000 классам ImageNet. Архитектура ConvNeXt V2 использует полностью сверточную сеть и слой Global Response Normalization (GRN). Модель подходит для классификации изображений общего назначения и может служить основой для дальнейшей адаптации под другие задачи компьютерного зрения. Репозиторий содержит веса в форматах PyTorch, safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки и подробных ограничений; назначение описано для классификации изображений ImageNet-1K.

Cosmos-Embed1-448p-anomaly-detection — видеотекстовая модель эмбеддингов NVIDIA, дообученная для поиска и классификации аномалий в видео. Она предназначена для разработчиков физического ИИ и сценариев, связанных с робототехникой, автономным транспортом и анализом видеозаписей. Модель основана на трансформере с архитектурой QFormer и визуальной основой EVA-ViT-G. Она кодирует текст или видео — по одному типу входа за проход — в эмбеддинги размерности 768. Видеорежим рассчитан на кадры 448×448 и последовательности из 8 кадров; поддерживаются также неквадратные разрешения. Дообучение выполнено методом LoRA на обучающей части набора Vad-Reasoning, охватывающего дорожные, городские, кампусные и другие реальные сценарии. Модель подходит для поиска видео по тексту, поиска похожих видео, классификации без обучения на целевых классах и семантической дедупликации, с акцентом на обнаружение и классификацию аномалий. В README заявлена готовность к коммерческому применению; условия использования задаёт NVIDIA Open Model License. Лицензия в метаданных указана как other.

Карточка модели kamalkraj/deberta-base на Hugging Face совпадает с карточкой microsoft/deberta-base, поэтому описание составлено по ней. DeBERTa-base — англоязычная модель семейства DeBERTa, разработанная Microsoft. Это плотная трансформерная модель с 151,8 млн параметров, использующая раздельное представление содержимого и относительных позиций в механизме внимания, а также улучшенный декодер маски. Она предназначена для восстановления замаскированных токенов и может служить основой для дообучения на задачах понимания естественного языка. В карточке приведены результаты дообучения на SQuAD 1.1, SQuAD 2.0 и MNLI. Модель принимает текст и предсказывает замаскированные в нём токены. Контекст ограничен 512 токенами; доступны форматы PyTorch и TensorFlow. Лицензия — MIT. Карточка сообщает о преимуществах относительно BERT-base и RoBERTa-base на большинстве задач NLU, но приведённые показатели относятся к отдельным наборам оценки; они не гарантируют такого же качества в других сценариях.

MobileViT + DeepLabV3 — компактная модель семантической сегментации изображений, представленная авторами MobileViT Сачином Мехтой и Мохаммадом Растегари. Вариант XS использует лёгкий бэкбон MobileViT, сочетающий свёрточные слои в стиле MobileNetV2 с блоками Transformer, и голову DeepLabV3. В карточке для него указано 2,9 млн параметров; входные изображения обрабатываются после центральной обрезки до 512×512 и нормализации пикселей в диапазон [0, 1]. Ожидается порядок каналов BGR. Модель дообучена для сегментации на PASCAL VOC2012 после предварительного обучения на ImageNet-1k. Она предсказывает семантические классы для пикселей изображения; на PASCAL VOC указано значение mIoU 77,1. Компактная архитектура предназначена для сценариев с ограничениями по задержке и вычислительным ресурсам. Доступны файлы в форматах PyTorch, TensorFlow и Core ML. Лицензия — Apple Sample Code License.

Hate-speech-CNERG/dehatebert-mono-french — модель классификации французских текстов для выявления hate speech, опубликованная группой CNERG. Это монолингвальная версия модели из работы о многоязычном обнаружении языка ненависти; README сообщает, что модель дообучена на multilingual BERT, хотя также описывает обучение с использованием только англоязычных данных. Архитектура — BERT для классификации последовательностей, около 194,6 млн параметров; максимальная длина контекста — 512 токенов. Доступны версии в форматах PyTorch и Flax. Модель предназначена для автоматической модерации и анализа франкоязычных публикаций и сообщений. В README приведён лучший результат валидации 0,692094 при learning rate 3e-5, но метрика не названа, поэтому это число не позволяет оценить качество по конкретному критерию. Модель распространяется по лицензии Apache-2.0.

DiNAT-Mini — иерархический vision Transformer от SHI Labs, обученный на ImageNet-1K для классификации изображений с разрешением 224×224. Модель использует Neighborhood Attention и её расширенный вариант Dilated Neighborhood Attention: каждый токен обрабатывает ближайшую область изображения, что формирует скользящее окно внимания и сохраняет эквивариантность к сдвигам. Вариант содержит 14,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet, например для классификации фотографий. Это базовый классификатор: для других задач подойдут дообученные версии. Для запуска нужны Transformers и пакет NATTEN. Лицензия — MIT.

Yhyu13/dolphin-2_6-phi-2-sft-glaive-function-calling-v2-ep1 — разговорная языковая модель на архитектуре Phi-2, дообученная для вызова функций и объединённая с адаптером SFT для function calling. Модель генерирует вызовы функций в формате XML-обёртки с именем функции и аргументами; ответы функций выделяются в специальном формате, чтобы ассистент мог учитывать их при продолжении диалога. Модель предназначена для экспериментов с интеграцией вызова функций в чат-приложения, например в системы, которым нужен интерфейс взаимодействия с инструментами. Контекст составляет 2048 токенов. В карточке указаны формат safetensors и лицензия MIT. Автор предупреждает, что ограниченная способность Phi-2 следовать инструкциям делает модель неподходящей для промышленного использования.

Репозиторий diantoudefengshan/EagleVLA-GGUF содержит преобразованные в формат GGUF модели vision-language-action PI0, PI0.5 и NVIDIA Isaac GR00T N1.7 для запуска через EagleVLA-Edge — движок вывода на базе llama.cpp. Комплекты включают языковую модель с экспертом действий и соответствующий зрительный энкодер-проектор; основную модель и mmproj следует брать из одного каталога. Файлы представлены в вариантах F16 и BF16. Модели предназначены для управления роботами по визуальным наблюдениям и языковым инструкциям, в том числе для инференса на NVIDIA Jetson и других CUDA-совместимых платформах. Для файлов GR00T в README описана конверсия из nvidia/GR00T-N1.7-3B и nvidia/Cosmos-Reason2-2B, а также проверка совпадения выходных действий с официальной реализацией NVIDIA. Метаданные также связывают репозиторий с lerobot/pi0_base и nvidia/GR00T-N1.7-3B. Лицензия в предоставленных данных не указана; требования могут различаться для исходных моделей и конвертированных файлов.

EAT-large Epoch 20 — предварительно обученный аудиотрансформер, опубликованный пользователем worstchan. Модель обучена на наборе AS-2M с помощью метода самоконтролируемого обучения EAT и предназначена для извлечения признаков из аудио, а также для использования в качестве начальной точки при дообучении на задачах понимания аудио, включая классификацию и создание подписей к аудио. Модель формирует представления на уровне кадров с частотой около 50 Гц и представление всего высказывания через CLS-токен. Для загрузки и извлечения признаков используется библиотека Transformers; веса доступны в формате safetensors. Лицензия — MIT. Чекпойнт может быть полезен как основа для последующих аудиозадач, однако сам по себе ориентирован на получение признаков, а не на генерацию речи или текстовых ответов. README не описывает ограничения качества или конкретный перечень поддерживаемых языков.

Falcon-E-3B-Base — базовая языковая модель, разработанная Technology Innovation Institute (TII). Это авторегрессионная causal decoder-only модель семейства Falcon-E на основе pure-transformer архитектуры с 1,58-битным представлением параметров. Модель предназначена для работы с текстом на английском языке и может использоваться как основа для генерации текста, экспериментов и последующей instruction-тонкой настройки. Модель содержит около 3 млрд параметров, при этом заявленный объём памяти составляет примерно 999 МБ, что делает её ориентированной на эффективное развёртывание на устройствах с ограниченными ресурсами и edge-сценарии. Для инференса поддерживаются библиотеки Hugging Face Transformers и Microsoft BitNet; также предусмотрены варианты checkpoint для тонкой настройки и версия bfloat16. Максимальный размер контекста в README не указан. К сильным сторонам относятся существенно сниженные требования к памяти и поддержка 1,58-битного формата, а также конкурентные результаты на приведённых внутренних тестах для моделей масштаба 3B: средний нормализованный балл Falcon-E-3B-Base указан как 18,32. Это базовая, а не instruction-тюненная версия, поэтому она не оптимизирована для непосредственного диалогового взаимодействия и выполнения инструкций без дополнительной настройки. Сведения о мультимодальности отсутствуют; модель следует рассматривать как текстовую. Использование регулируется Falcon-LLM License.

Модель JavascriptMick/functiongemma-270m-it-simple-tool-calling — дообученная с помощью TRL версия компактной текстовой модели Google FunctionGemma 270M. Она построена на архитектуре Gemma 3 для причинной генерации текста и рассчитана на диалоговые сценарии с вызовом функций и создание специализированных агентов. Модель содержит 257 млн параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Карточка показывает запуск через Transformers как генератор текста; пример передаёт вопрос пользователя и получает текстовый ответ. Лицензия и конкретные инструменты, на которые настроена модель, в предоставленных данных не описаны.

Это BF16-файл GGUF с черновой MTP-моделью Gemma 4 12B IT Assistant, преобразованный srmiles из официальных весов Google для ускорения генерации в llama.cpp speculative decoding. Модель предлагает несколько следующих токенов, которые затем проверяет целевая Gemma 4 12B; при корректной настройке это повышает пропускную способность генерации без изменения качества итогового вывода. Самостоятельно как обычную чат-модель её не используют: требуется совместимая целевая модель Gemma 4 и llama.cpp версии b10215 или новее с поддержкой draft-mtp. В README приведён тест на Intel Arc Pro B60: для указанной конфигурации сообщаются скорость декодирования 70,4 токена/с и принятие 69,7% предложенных MTP-токенов. Эти результаты относятся к конкретному оборудованию и сценарию; README подтверждает работу на llama.cpp SYCL b10215+, а совместимость с другими бэкендами заявлена разработчиком. Файл имеет формат GGUF BF16 и распространяется по лицензии Apache-2.0.