II.10Разработка и эксплуатация AI/ML-систем

TinyLlama-1.1B-intermediate-step-955k-token-2T — промежуточный контрольный чекпойнт проекта TinyLlama, разработанного для предварительного обучения компактной языковой модели семейства Llama. В README указан этап обучения: 995 тысяч шагов и около 2003 млрд обработанных токенов. Модель имеет плотную архитектуру Llama с примерно 1 млрд параметров и контекстом 2048 токенов; она использует архитектуру и токенизатор Llama 2 и совместима с экосистемой инструментов для Llama. Форматы весов — PyTorch и Safetensors. Модель предназначена для генерации текста и экспериментов с компактной языковой моделью при ограниченных вычислительных ресурсах. В карточке отмечены английский язык и обучающие наборы SlimPajama и StarCoderData. Это промежуточный чекпойнт предварительного обучения, поэтому его не следует считать финальной версией проекта; конкретные гарантии качества для прикладных задач не приведены. Лицензия — Apache 2.0.

nm-testing/tinyllama-w8a16-dense — тестовая квантованная версия TinyLlama, опубликованная организацией nm-testing для проверки моделей и инструментов LLM Compressor, compressed-tensors и vLLM. В коллекциях Hugging Face она указана как модель размером около 1 млрд параметров и предназначена прежде всего для тестирования и эффективного запуска, а не как самостоятельная специализированная прикладная модель. В основе лежит TinyLlama — компактная авторегрессионная языковая модель семейства Llama, разработанная проектом TinyLlama. Она использует архитектуру и токенизатор Llama 2, содержит примерно 1,1 млрд параметров и работает с текстом, поддерживая генерацию текста. Суффикс W8A16 указывает на представление с 8-битными весами и 16-битными активациями; dense означает плотную структуру весов. Модель рассчитана на снижение требований к памяти и ускорение инференса при совместимом качестве. Сильные стороны модели — малый размер, совместимость с экосистемой Llama и возможность тестировать квантованный инференс на более доступном оборудовании. Ограничения связаны с небольшим числом параметров: по возможностям и качеству она уступает крупным современным языковым моделям, а точные характеристики квантования, контекстное окно, языковой охват и результаты на бенчмарках для данного тестового репозитория надёжно не документированы. Для базовой TinyLlama заявлена лицензия Apache 2.0, но отдельная лицензия именно этого тестового варианта в найденных данных не подтверждена.

hyper-accel/tiny-random-gpt_neox — небольшая модель генерации текста на архитектуре GPT-NeoX, опубликованная на Hugging Face и рассчитанная на использование с библиотекой Transformers. Модель содержит 24,1 млн параметров и поддерживает контекст длиной до 2048 токенов. Модель предназначена прежде всего для проверки интеграций, тестирования загрузки и запуска GPT-NeoX-моделей, а также экспериментов с генерацией текста. По названию tiny-random и отсутствию сведений о разработчике, обучающих данных и результатах оценки её не следует рассматривать как готовую модель для содержательной генерации или прикладных задач. Лицензия в доступных данных не указана.

TIPS-Qwen3-4B-Instruct-2507-Math — дообученная XingYing-stack модель на архитектуре Qwen3, основанная на Qwen/Qwen3-4B-Instruct-2507. Чекпойнт обучен методом outcome-only GRPO и предназначен для оценки математических решений: модель рассуждает о ходе решения, затем генерирует метки для отдельных шагов и итоговую оценку. Модель работает с текстовыми входами и выдаёт текстовые оценки и метки. Она предназначена для reward modeling и проверки корректности математических решений по шаблонам запросов и сценариям оценки TIPS, а не для обычного диалогового использования. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов; веса опубликованы в формате safetensors для Transformers. Модель основана на Qwen3-4B-Instruct-2507 и выпущена под лицензией Apache-2.0. README указывает на использование шаблонов запросов и оценочных скриптов репозитория TIPS, поэтому применение вне соответствующего формата может потребовать адаптации.

tmr-ai-text-detector-ONNX — ONNX-версия модели TMR (Target Mining RoBERTa), разработанной Oxidane и автоматически конвертированной для использования с Transformers.js. Это модель классификации текста, предназначенная для определения вероятности того, что текст сгенерирован искусственным интеллектом, и различения AI-сгенерированных и написанных человеком текстов. Модель основана на RoBERTa-base и содержит около 125 млн параметров. Она обучена с использованием Focal Loss и итеративного поиска сложных отрицательных примеров Self-Hard-Negative на данных RAID: 50 000 стратифицированных образцов, включая 45% человеческих и 55% AI-текстов. Поддерживается английский язык; максимальная длина входа в описании использования указана как 512 токенов. Модель ориентирована на тексты, похожие на обучающие домены RAID: новости, книги, аннотации, отзывы, рецепты, Wikipedia, поэзию и Reddit. На тестах RAID заявлены AUROC 99,28% с учётом атак и 99,85% без adversarial-сценариев; на отложенной выборке — AUROC 99,69% и accuracy 97,42%. При этом возможны повышенные ложноположительные результаты для коротких текстов, повседневной разговорной речи и других доменов вне обучающей выборки. Порог классификации по умолчанию оптимизирован на уровне 0,5. Модель распространяется по лицензии MIT.

Это вокодер HiFi-GAN от SpeechBrain, обученный на многоголосом датасете LibriTTS. Модель принимает спектрограмму и преобразует её в звуковую волну с частотой дискретизации 22 050 Гц; обычно её используют после модели синтеза речи, которая преобразует текст в спектрограмму. Вокодер подходит для построения англоязычных систем синтеза речи и преобразования спектрограмм в аудио. Для работы требуется спектрограмма, поэтому сам по себе этот репозиторий не выполняет полный цикл преобразования текста в речь. Модель распространяется по лицензии Apache-2.0.

Модель разработана автором репозитория ariyul и дообучена на базе dbmdz/bert-base-turkish-cased для бинарной классификации токсичности турецких текстов. Она относит текст к токсичному или нетоксичному классу и подходит для предварительной модерации пользовательских сообщений и анализа турецкого контента. Модель основана на BERT, имеет около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на очищенных и сбалансированных примерах датасета Overfit-GM/turkish-toxic-language; в описанной предобработке текст приводится к нижнему регистру, удаляются ссылки, упоминания и часть специальных символов. Автор сообщает F1-score 0,96 для обоих классов на своей оценке. Модель работает с турецким текстом. Результаты могут зависеть от соответствия текста обучающим данным и предобработке; удаление эмодзи, ссылок и упоминаний может терять контекст, а метрики README не гарантируют аналогичного качества на других данных. Лицензия — MIT.

Модель Cardiff NLP на базе RoBERTa-base предназначена для классификации твитов по признаку оскорбительного языка. Сначала RoBERTa обучалась на примерно 58 млн твитов, затем модель дообучили для выявления оскорбительных высказываний с использованием бенчмарка TweetEval. Она содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель выдаёт метки «оскорбительное» и «не оскорбительное» с оценками уверенности. Она подходит для анализа публикаций в Twitter и выявления оскорбительной речи в коротких текстах. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Vicuna-7B-delta-v0 — дельта-веса чат-модели LMSYS, полученной дообучением LLaMA на диалогах пользователей из ShareGPT. Это авторегрессионная плотная трансформерная модель семейства LLaMA с 6,6 млрд параметров и контекстом до 2048 токенов. Репозиторий содержит только дельту: для получения рабочих весов Vicuna её нужно применить поверх оригинальных весов LLaMA, поэтому сама по себе модель не запускается. Модель предназначена для генерации ответов в диалоге, исследований языковых моделей и чат-ботов, а также экспериментов разработчиков и любителей NLP, машинного обучения и искусственного интеллекта. Карточка сообщает об оценке по стандартным бенчмаркам, предпочтениям людей и оценке другой языковой моделью. Указана некоммерческая лицензия; для использования необходимо учитывать её условия и лицензию исходной LLaMA.

VisionGuardrail-4B-GGUF — мультимодальная модель-классификатор безопасности визуального контента от prithivMLmods. Она основана на Qwen/Qwen3.5-4B и обучена на датасете ImageShield-Guardrail-Pro. Модель предназначена для анализа изображений с текстовым запросом и классификации материалов как Safe или Unsafe, прежде всего для выявления NSFW-контента, наготы, откровенной одежды, сексуально провокационных поз, эротических сцен и других чувствительных визуальных элементов. Заявленный язык — английский. Модель выпускается в формате GGUF с вариантами BF16 и квантованиями Q3–Q5; размер файла BF16 составляет 8,42 ГБ, а квантованных вариантов — примерно 2,07–3,07 ГБ. Для мультимодальной работы также предоставляется файл mmproj-bf16 размером 676 МБ. Сильной стороной является детализированный анализ одежды, степени открытости тела, поз, композиции и контекста изображения с консервативным подходом к классификации. При этом это экспериментальная версия, которая может демонстрировать непредсказуемое поведение и артефакты рассуждений; README не указывает размер контекста и метрики качества. Модель предназначена для исследовательских задач и модерации контента, а её использование должно соответствовать требованиям безопасности, этики и законодательства. Лицензия — Apache-2.0.

WavJEPA — модель извлечения аудиопризнаков на основе Joint-Embedding Predictive Architecture, разработанная Гёксенином Юкселем. Она принимает аудиосигнал в виде сырой волны и формирует семантические представления для последующего обучения или применения моделей анализа звука. Архитектура включает сверточный энкодер признаков из Wav2Vec 2.0, контекстный и целевой энкодеры, а также предиктор на основе Vision Transformer. Модель предназначена для извлечения общих аудиопредставлений, которые можно использовать в классификации окружающих звуков, распознавании речи, подсчёте говорящих и других задачах анализа аудиосцен. В карточке заявлены результаты на наборах бенчмарков HEAR и ARCH при меньших вычислительных затратах по сравнению с рядом временных аудиомоделей. Обучение проводилось на AudioSet; заявлена поддержка всех языков с основным акцентом на английский. Для решения прикладных задач поверх извлечённых признаков может потребоваться отдельная обученная голова. Карточка описывает также WavJEPA-Nat как отдельное многоканальное расширение для шумных и реверберационных сцен; метаданные этой модели указывают WavJEPA base. Лицензия модели — MIT.

Xcodec2 — нейронный аудиокодек, совместимая с Transformers версия X-Codec2, представленного в работе Llasa. Модель кодирует аудио в компактные дискретные токены для использования в конвейерах синтеза речи и генерации аудио на основе больших языковых моделей. Архитектура объединяет семантические и акустические признаки в одном представлении и использует одноэтапную квантизацию Feature-Space Quantization. Семантическая функция потерь при обучении помогает сохранять в токенах языковую и эмоциональную информацию; одномерная последовательность токенов рассчитана на совместную работу с авторегрессионными LLM. Модель принимает аудио; для репозитория указаны архитектура Xcodec2, реализация Transformers, формат Safetensors и контекст 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели bezzam/xcodec2-hf на Hugging Face совпадает с карточкой HKUSTAudio/xcodec2-hf, поэтому описание составлено по ней. X-Codec2 — нейронный аудиокодек для представления речи и другого аудио в конвейерах синтеза речи и генерации аудио с большими языковыми моделями. Модель предложена в работе Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis. Эту реализацию для Transformers внесли Eric Bezzam и Steven Zheng. Модель объединяет семантические и акустические признаки в последовательность токенов: семантическая часть может кодировать смысл и эмоции, а акустическая — тембр и другие свойства звучания. Однослойная квантизация Feature Scalar Quantization (FSQ) и одномерная структура токенов рассчитаны на совместимость с авторегрессионными LLM. Модель содержит 201,3 млн параметров; в карточке указаны библиотека Transformers и контекст 4096 токенов. Реализация поддерживает пакетную обработку аудио, а для ускорения инференса README описывает применение torch.compile. X-Codec2 предназначена для кодирования и декодирования аудио и для подготовки аудиопредставлений в системах генерации речи и аудио на базе LLM. Метаданные классифицируют её как feature-extraction. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0; коммерческое применение не разрешено условиями этой лицензии.

xlm-mlm-17-1280 — многоязычная языковая модель XLM, представленная Гийомом Ламплем и Алексисом Конно. Это трансформер, предварительно обученный на текстах 17 языков с помощью маскированного языкового моделирования; модель подходит для предсказания скрытых слов в контексте и как основа для дальнейших NLP-сценариев. Архитектура включает 16 слоёв, 1280 скрытых измерений и 16 голов внимания; размер словаря — 200 тысяч токенов, число параметров — 570 млн, контекст — до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель поддерживает английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, шведский, польский, русский, арабский, турецкий, китайский, японский, корейский, хинди и вьетнамский. В карточке приведены результаты оценки XNLI для пяти языков, но основная задача модели — заполнение масок, а не классификация. Возможны смещения и проблемы справедливости, поэтому результаты для конкретного языка и применения следует оценивать отдельно. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без соответствующих прав.

Модель anton-l/xtreme_s_xlsr_300m_minds14 — классификатор аудио на базе архитектуры Wav2Vec2. Её разработчик дообучил facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S - MINDS14.ALL; размер модели составляет 402,7 млн параметров. Модель предназначена для классификации речевых аудиозаписей по классам набора MINDS14. На оценочной выборке указаны точность 90,33% и F1 0,9015. Оценки приведены отдельно для вариантов речи на чешском, немецком, английском, испанском, французском, итальянском, корейском, нидерландском, польском, португальском, русском и китайском языках; результаты различаются, в частности, ниже для китайского и русского. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

adamo1139/yi-34b-200k-rawrr-dpo-2 — модель генерации текста на 33,9 млрд параметров, основанная на Yi-34B-200K. Автор дообучил её методом DPO на наборе rawrr_v1 с помощью QLoRA, затем применил адаптер к базовой модели. Контекст модели — до 200 000 токенов. Модель ориентирована на продолжение текста и дальнейшее дообучение под инструкции. По описанию автора, обучение на rawrr_v1 направлено на снижение числа отказов, особенно на безвредные запросы; модель слабее ориентирована на следование инструкциям, чем на завершение текста. Распространяется в формате Safetensors по лицензии Apache-2.0.

YOLO26s NSFW V2 — модель компьютерного зрения для обнаружения объектов, разработанная автором репозитория на архитектуре Ultralytics YOLO26s и дообученная на проверенных человеком изображениях. Она локализует 19 категорий лица, нейтральных частей тела и чувствительных анатомических областей, включая закрытые и открытые области. Для каждого объекта модель выдаёт метку класса, координаты ограничивающей рамки и оценку уверенности. Модель принимает изображения и предназначена для предварительной разметки наборов данных, локального обнаружения анатомических областей и создания пользовательских инструментов фильтрации приватных изображений. Это детектор отдельных объектов: он не присваивает изображению общую оценку безопасности и сам не применяет правила модерации. Вес файла ONNX — 19,4 МБ; заявленное входное разрешение — 640×640 с возможностью использовать более высокое разрешение. В README отмечено снижение качества для классов MALE_BREAST_EXPOSED и MALE_GENITALIA_EXPOSED относительно предыдущей версии. Модель предназначена только для совершеннолетних пользователей; применение к материалам с несовершеннолетними и несанкционированным интимным изображениям запрещено автором. Лицензия — AGPL-3.0.

yomi-linter-modernbert-ja-130m — модель, разработанная для предварительного обнаружения японских слов и имён, которые могут быть неверно прочитаны системами синтеза речи на основе G2P и словарей, например OpenJTalk, piper-plus и VOICEVOX. Это дообученная на токенную классификацию ModernBERT-Ja-130m с архитектурой ModernBERT и 132,1 млн параметров. Модель отмечает рискованные фрагменты в японском тексте BIO-метками O, B-RISK и I-RISK; контекст составляет 8192 токена. Модель предназначена для проверки текста перед синтезом речи: она может помочь найти неизвестные слова, имена собственные и некоторые специальные термины, которые стоит отдельно проверить или внести в словарь произношений. В описанной оценке recall обнаружения фактических ошибок OpenJTalk составил 71–100% для японских имён собственных и 82% для漢字-терминов, включая медицинские. Модель только обнаруживает рискованные фрагменты: она не назначает правильное чтение и не синтезирует речь. Не проверена для сквозных TTS-систем на основе LLM; некоторые медицинские составные слова ещё пропускаются, а контекстно-зависимые чтения не входят в область версии v1. Лицензия — CC BY-SA 4.0.

1gpu-llm Small EN/IT Base v2 — базовая языковая модель семейства 1gpu-llm от nazdef. Это плотная авторегрессионная модель архитектуры GPT-2 с блоками pre-layernorm и примерно 136 млн параметров. Модель обучалась на одной потребительской видеокарте и имеет контекстное окно 2500 токенов. Модель продолжает обучение версии nazdef/1gpu-llm-small-en-it-base: после continual pretraining и короткого этапа снижения learning rate выпущен чекпойнт step_18800. Она предназначена для генерации текста на английском и итальянском, а также для дальнейшей оценки и дообучения. Это базовая модель, а не готовый чат-ассистент с инструкционной настройкой. Обучение использовало сбалансированные англо- и италоязычные веб- и энциклопедические данные, включая FineWeb-HQ, FineWeb2-HQ и Wiki40B. В README приведены улучшения смешанной валидационной потери и ряда метрик относительно v1, но также отмечено, что качество фактических ответов на итальянском не следует считать решённой задачей и что результат зависит от настроек декодирования. Лицензия — CC BY-SA 4.0.

AfriBERTa small — предварительно обученная многоязычная модель языка от исследовательской группы CASTOR в Университете Ватерлоо, предназначенная для работы с африканскими языками. В репозитории опубликована версия с архитектурой XLM-RoBERTa и примерно 91,5 млн параметров; README описывает 4 слоя, 6 голов внимания, размер скрытого представления 768 и внутренний слой 3072. Модель поддерживает заполнение маскированных токенов и может служить основой для дообучения под классификацию текста и распознавание именованных сущностей. Модель предварительно обучена на 11 африканских языках, включая оромо, амхарский, киньяруанда, кирунди, хауса, игбо, нигерийский пиджин, сомали, суахили, тигринья и йоруба. Для предварительной подготовки использовались материалы BBC и Common Crawl. Контекст составляет до 514 токенов по метаданным репозитория; в примере README для токенизатора задаётся предел 512 токенов. Доступны веса PyTorch и TensorFlow. Модель может быть полезна как отправная точка для NLP-задач на африканских языках, в том числе для языков, не входивших в обучение. Небольшой объём обучающих данных и их преимущественно новостной характер могут ограничивать обобщение и понимание сложных языковых связей. Лицензия в предоставленных данных не указана.

AfriGuardPlain-AfriqueQwen3.5-4B-50Langs — языковая модель adzcai, созданная полным дообучением AfriqueQwen3.5-4B-50Langs от McGill-NLP на наборе adzcai/AfriGuard-plain. Это плотная модель семейства Qwen3.5 с интерфейсом чата, распространяемая в формате safetensors через Transformers. По данным карточки, модель обучена отвечать напрямую на безопасные запросы и кратко отказывать на небезопасные, без вывода меток безопасности и без обязательной системной инструкции по безопасности. Модель предназначена для генерации диалоговых ответов с учётом безопасности, в том числе на африканских языках, поддерживаемых базовой AfriqueQwen3.5-4B-50Langs. В метаданных перечислены коды en, am, ha, ig, om, sn, sw, tw, wo, yo и zu; README описывает датасет и схему обучения, но не задаёт полный перечень языков. Модель опубликована по лицензии CC BY 4.0. Карточка не сообщает длину контекста и не приводит оценки качества или подробных ограничений безопасности.

AlbaSocialXLM-R — модель XLM-RoBERTa, разработанная для работы с албанскими текстами из социальных сетей. Она основана на FacebookAI/xlm-roberta-base и продолжительно обучена предсказывать замаскированные токены на корпусе примерно из 400 тысяч албанских комментариев, включая исходные и контролируемые синтетические варианты. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors под лицензией MIT. Это masked language model, а не готовый классификатор. Её можно использовать для предсказания замаскированных слов или дообучать с классификационной головой для анализа тональности, эмоций, позиции, токсичности и диалектных вариантов в комментариях и других неформальных албанских текстах. Модель специально адаптирована к шумному письму, региональным формам и тексту без диакритических знаков. В описанной оценке адаптация улучшила результаты на задачах анализа тональности, выявления языка вражды и определения диалектов. Поскольку обучающие данные происходят из соцсетей, модель может отражать их предубеждения, оскорбительную лексику и региональные особенности; для чувствительной модерации нужны отдельная оценка и контроль человека.

Карточка модели rmaser/aloe-dinov3-small-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

Карточка модели rmaser/aloe-siglip2-base-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

leomaurodesenv/bert-base-uncased-trustairlab-jailbreak-augmented — дообученная модель классификации текста на основе google-bert/bert-base-uncased, разработанная leomaurodesenv. Название указывает на связь с обнаружением jailbreak-запросов, однако README не раскрывает назначение меток и состав обучающих данных, поэтому конкретную специализацию классификатора подтвердить нельзя. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текстовые входы длиной до 512 токенов. В README приведены результаты на оценочной выборке: loss 0,1346 и accuracy 0,9598; подробности выборки и методики оценки отсутствуют. Распространяется в формате Safetensors по лицензии Apache-2.0.

BigVGAN — нейронный вокодер, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Репозиторий nvidia/bigvgan_22khz_80band содержит предобученный вариант для преобразования мел-спектрограммы в звуковую волну с частотой дискретизации 22 кГц и 80 мел-полосами. Модель предназначена для синтеза аудио по мел-спектрограмме, например как компонент системы синтеза речи. В BigVGAN-v2 используются генераторная архитектура вокодера и методы обучения на разнообразных аудиоданных; для ускорения инференса доступно CUDA-ядро. README также описывает варианты BigVGAN с другими частотами дискретизации и конфигурациями, но их характеристики не следует переносить на этот чекпойнт. Для ускоренного CUDA-инференса требуются CUDA, nvcc и ninja; в README указана проверка с CUDA 12.1. Репозиторий распространяется по лицензии MIT.

Bro-ASR-1.7B — японская модель распознавания речи, разработанная как дообученный вариант Qwen/Qwen3-ASR-1.7B-hf с объединёнными LoRA-весами. Она предназначена для офлайн-транскрибации японских разговорных записей с шумом и оценки адаптации распознавания к конкретным устройствам и акустическим условиям. Модель принимает аудио и выдаёт текст; архитектура — плотная Qwen3-ASR, размер базовой модели — 1,7 млрд параметров. Для сравнения с базовой моделью автор приводит результаты на 17 619 отложенных сегментах Delivery_JP: символьная ошибка CER составила 0,33763 против 0,34295 у базы при японском языковом указании и beam size 5. Модель может быть полезна для транскрибации шумных японских разговоров, однако адаптация обучалась на 3 000 сегментах Delivery_JP и не гарантирует улучшения на других языках или в других акустических условиях. Это не система для критически важных транскрипций; перед использованием следует оценить качество на целевых записях. В репозитории находятся объединённые веса, отдельный LoRA-адаптер при инференсе не нужен. Лицензия — Apache-2.0.

Это дообученная модель извлечения признаков изображений на основе CLIP ViT-Large/14 от OpenAI. Разработчик дообучил её на датасете RESISC45 cars; в README указана архитектура ViT-Large с размером патча 14, а в метаданных — около 402,7 млн параметров. Модель предназначена для получения признаков изображений в сценариях классификации автомобилей. В README приведены результаты оценки: 0,7101 до дообучения и 0,9738 после него; метрика не уточнена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Это неофициальное зеркало чекпойнта Co-DINO из семейства Co-DETR, созданное dronefreak; исходные метод, архитектура и веса принадлежат Zhuofan Zong, Guanglu Song и Yu Liu из SenseTime X-Lab. Модель предназначена для обнаружения объектов и экземплярной сегментации на изображениях. В основе — Co-DINO с пятью масштабами признаков и ViT-L (304 млн параметров, EVA-02); при выводе работают запросная голова Co-DINO и вспомогательная ветвь масок. Обучение включало предобучение на Objects365 и дообучение на LVIS v1 с 1203 длиннохвостыми категориями. Чекпойнт подходит как исследовательский или инженерный базовый детектор, для экспериментов с категориями LVIS и как отправная точка для дообучения на собственных данных. Авторы сообщают 67,3 box AP и 60,7 mask AP на LVIS v1 val, но автор карточки эти показатели независимо не воспроизводил. Модель может заметно терять точность на изображениях вне домена естественных сцен; показатели LVIS нельзя напрямую сравнивать с COCO-80. Для запуска требуется код Co-DETR и устаревший стек OpenMMLab 1.x с MMDetection 2.25.3, MMCV-full 1.5.0 и PyTorch 1.11; поддержки Transformers и pipeline() нет. Лицензия в метаданных указана как unknown.

Модель badmatr11x/distilroberta-base-offensive-hateful-speech-text-multiclassification разработана Purvesh Patel и дообучена на базе distilroberta-base для многоклассовой классификации оскорбительной и разжигающей ненависть речи. Она принимает текст и относит его к классам, предусмотренным обучающим набором badmatr11x/hate-offensive-speech; карточка сообщает точность 94,50%. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для автоматической предварительной модерации англоязычных текстов и анализа токсичной речи. Она распространяется по лицензии MIT. Заявленная точность дана без описания методики оценки, поэтому её не следует считать гарантией качества на других данных; результат также ограничен набором классов и языком обучения.