II.10Разработка и эксплуатация AI/ML-систем

EditScore/EditScore-Qwen3-VL-4B-Instruct — модель оценки качества результатов редактирования изображений, разработанная командой EditScore из VectorSpaceLab. Это LoRA-адаптер для Qwen/Qwen3-VL-4B-Instruct, предназначенный для instruction-guided image editing и работы в качестве reward model. Модель оценивает, насколько отредактированное изображение соответствует инструкции, и может применяться для ранжирования нескольких вариантов, выбора лучшего результата и формирования сигнала вознаграждения при Reinforcement Learning fine-tuning моделей редактирования изображений. В README указано, что вариант на 4B параметров обеспечивает высокую эффективность и по результатам сопоставим с исходной версией EditScore на 32B параметров. Архитектура, языки, точный размер контекста и полный перечень поддерживаемых модальностей отдельно не указаны; из базовой модели следует, что адаптер рассчитан на vision-language сценарии. Ограничения и сведения о качестве зависят от используемых данных и задач редактирования, а результаты на конкретных доменах в README не приведены. Лицензия обозначена как other, без уточнения условий использования.

Это официальная версия токенизатора речи EMOVA, разработанного для обучения моделей серии EMOVA. Модель использует архитектуру EMOVASpeechTokenizer и представлена в формате safetensors; её основа — Emova-ollm/emova_speech_tokenizer. В описании заявлена лицензия Apache-2.0. Токенизатор преобразует китайскую и английскую речь в дискретные речевые единицы: модуль SPIRAL кодирует фонетическую и тональную информацию, а FSQ квантует результат. Отдельный декодер на основе VITS восстанавливает речевой сигнал из единиц. Семантическое содержание отделено от акустического стиля, что поддерживает выравнивание речи с представлениями языковой модели и управление голосом, высотой тона и эмоциями — всего заявлено 24 сочетания стиля. Модель предназначена прежде всего для токенизации речи и использования речевых токенов при обучении и работе мультимодальных моделей. README подтверждает китайский и английский языки. Для запуска описана установка окружения EMOVA; проверена работа на GPU NVIDIA A800/H20 и NPU Ascend 910B3, а доступность на других устройствах не подтверждена.

Falcon-H1-Tiny-90M-Base — базовая языковая модель семейства Falcon-H1 от tiiuae. Это причинная декодерная модель с гибридной архитектурой Transformers и Mamba; в README указано 90 млн параметров, а в метаданных — 60,8 млн. Модель рассчитана на генерацию текста на английском языке и может служить основой для дальнейшей адаптации под конкретные задачи. Модель доступна в формате Safetensors и поддерживается библиотекой Transformers; в README также перечислены vLLM, SGLang, llama.cpp, Ollama и MLX. Метаданные указывают контекстное окно до 262 144 токенов. Лицензия обозначена как Falcon-LLM License в README и как other в метаданных; перед использованием следует проверить условия Falcon-LLM License.

FastContext-4B-SFT_base-Function-Calling-xLAM-Unsloth — дообученная модель на базе microsoft/FastContext-1.0-4B-SFT, разработанная автором репозитория с помощью SFT на наборе Salesforce/xlam-function-calling-60k. Это причинная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM; в метаданных указано 3,7 млрд параметров, а в README — 4,0 млрд. Модель предназначена для диалогового вызова функций и инструментов по текстовым инструкциям. Нативная длина контекста составляет 262 144 токена. В карточке приведены только наблюдения за обучающей потерей; downstream-бенчмарки не проводились, поэтому качество вызова функций не подтверждено независимой оценкой. Дообучение выполнено на одном наборе инструкций, и поведение за его пределами не проверено. Объединённые с базовыми весами LoRA-адаптеры нельзя отделить от этой версии. Модель наследует смещения, ограничения знаний и сбои базовой модели. Лицензия в предоставленных данных не указана.

sgugger/funnel-random-tiny — небольшая модель-энкодер семейства Funnel, опубликованная Сэмюэлем Буггером на Hugging Face. По данным карточки каталога, она предназначена для извлечения признаков из текста и построена на архитектуре FunnelModel; доступна в форматах PyTorch и TensorFlow. Для модели задан контекст до 512 токенов. Имя random-tiny указывает на случайную инициализацию, поэтому модель подходит прежде всего для тестирования и экспериментов с конвейерами обработки текста, а не для содержательных прикладных задач без обучения. Данных о специальной предметной области или лицензии в доступных источниках нет.

Это веса MTP-драфтера, подготовленные сообществом mlx-community для ускорения генерации Gemma 4 12B с помощью спекулятивного декодирования в MLX и mlx-vlm. Модель предлагает кандидаты следующих токенов, которые затем проверяет совместимая целевая модель Gemma 4 12B; отдельно для диалога или генерации текста этот репозиторий не предназначен. Архитектура — Gemma4UnifiedAssistantForCausalLM, точность bf16, формат Safetensors. Драфтер рассчитан на текстовую генерацию; целевая модель может поддерживать мультимодальные запросы, но этот репозиторий содержит только веса драфтера. Для работы нужны совместимая целевая контрольная точка Gemma 4 12B и поддержка MTP в mlx-vlm. Применяются условия лицензии Gemma.

inferencerlabs выпустила MLX-версию вспомогательной модели Gemma 4 26B A4B MTP. Она содержит слои Multi-Token Prediction из google/gemma-4-26B-A4B-it-assistant и предназначена для совместной работы с Gemma-4-26B-A4B-MLX в режиме спекулятивного декодирования, чтобы ускорять генерацию. Это черновая модель, а не самостоятельный диалоговый чекпойнт. Модель рассчитана на запуск через MLX на компьютерах Apple с соответствующей основной моделью. В README сообщается о тестировании на M3 Ultra с 512 ГБ оперативной памяти; также приводится оценка, что квантование Q4.5 может повысить пропускную способность и снизить расход памяти без потери качества в тесте программирования. Репозиторий содержит веса safetensors. Базовая модель Gemma 4 поддерживает диалог, рассуждения, программирование и анализ изображений с выдачей текста, однако эта MTP-модель используется как компонент ускорения, а не как отдельная мультимодальная модель. Условия лицензии в предоставленных данных не описаны.

AEON-7/Gemma-4-E4B-it-Uncensored-NVFP4 — вспомогательная EAGLE-модель-драфтер для спекулятивного декодирования целевой модели TrevorJS/gemma-4-26B-A4B-it-uncensored. Она предназначена для ускорения генерации текста при развертывании Gemma 4 в vLLM, а не для самостоятельного использования в качестве полноценной языковой модели. Модель основана на архитектуре Gemma 4 E4B EAGLE Drafter и содержит 42 слоя: 35 со скользящим окном внимания и 7 с полным вниманием. Указаны размер скрытого состояния 2560, 8 attention heads, 2 KV heads, head_dim 256, глобальный размер головы 512, окно внимания 512 токенов и максимальный контекст 131 072 токена. Размер модели составляет около 9,6 ГБ, словарь насчитывает 262 144 токена. Модель квантизирована в формате NVFP4 AWQ с использованием NVIDIA ModelOpt 0.42.0. Основной сценарий применения — NVIDIA DGX Spark с GPU GB10 и архитектурой Blackwell, а также другие совместимые Blackwell GPU. Для работы требуются целевая NVFP4-квантизированная Gemma 4 26B MoE, специальные патчи для vLLM 0.19.1 и соответствующая конфигурация speculative decoding. README заявляет поддержку длинного контекста и ускорения генерации, однако конкретные показатели производительности не приведены. Ограничения включают зависимость от целевой модели, NVIDIA-оборудования, совместимой версии vLLM и обязательных патчей; модель не предназначена для автономного инференса. Указана лицензия gemma.

majentik/gemma-4-E4B-turboquant — документационный репозиторий о применении сжатия KV-кэша TurboQuant при инференсе базовой модели Google Gemma 4 E4B. Весов модели в репозитории нет; описаны способы использовать базовую модель с TurboQuant через Python-пакет или специализированную сборку llama.cpp. Метаданные указывают архитектуру Gemma 4 для генерации текста по текстовым и визуальным входам, около 4 млрд параметров у базовой модели и библиотеку Transformers. Репозиторий предназначен для снижения расхода памяти внимания, особенно при работе с длинным контекстом. README отмечает, что сценарий с TurboQuant для llama.cpp экспериментальный и устаревший; для стандартных рантаймов рекомендуются обычные типы KV-кэша q8_0 и q4_0. Заявления о поддержке и экономии памяти относятся к режиму инференса, а не к отдельным весам этой карточки. Лицензия, указанная в метаданных, — Apache-2.0. Языки модели и длина контекста в предоставленных данных не подтверждены.

EIStakovskii/german_toxicity_classifier_plus_v2 — классификатор токсичности немецкого текста, разработанный EIStakovskii и дообученный на основе dbmdz/bert-base-german-cased. Модель построена на BERT и предназначена для присвоения тексту метки токсичности; её можно применять для модерации немецкоязычных сообщений и комментариев. Для входного текста используется контекст до 512 токенов. В карточке приведены результаты валидации: accuracy 0,913 и F1 0,911; также сообщается сравнение с Google Perspective API на двух наборах предложений, где результаты модели различались между наборами. Модель опубликована в форматах PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

GLM-5.2-0.8B-A0.8B — уменьшенная версия GLM-5.2 от inference-optimization, созданная для тестирования и разработки. Это причинная языковая модель архитектуры glm_moe_dsa на базе Transformers: в README указано около 0,85 млрд параметров, из них примерно 0,77 млрд активируются; метаданные каталога указывают 568,9 млн параметров. В модели 6 слоёв вместо 78 у исходной версии, сохранены плотные и MoE-блоки, а также компоненты DeepSeek Sparse Attention. Модель можно использовать для проверки загрузки, запуска инференса и совместимости с форматом исходной GLM-5.2. Она дообучена на игрушечном наборе copypasta и предназначена для тестов, а не для качественных пользовательских ответов. Контекстное окно согласно метаданным — до 1 048 576 токенов. Лицензия — MIT.

Это официальный классификатор мультимодальных типов поведения для HarmBench, построенный на архитектуре Llama. Модель содержит 12,9 млрд параметров, принимает текст и рассчитана на контекст до 4096 токенов. Она предназначена только для классификации мультимодальных типов поведения в сценариях оценки безопасности моделей. В карточке приведён шаблон чата, но подробности об обучении и формате меток не раскрыты. Модель распространяется по лицензии MIT.

hate-speech-berturk — модель классификации текста, дообученная для обнаружения оскорбительной речи и языка ненависти на турецком языке. Она основана на BERTurk base uncased и обучена на датасете Toraman22 v2; архитектура — BertForSequenceClassification, размер — 137,8 млн параметров, максимальная длина входа — 512 токенов. Модель относит текст к одному из трёх классов: нейтральный, оскорбительный или язык ненависти. В README сообщается, что модель обучалась пять эпох на случайном разделении данных 80/20 и достигла F1 0,9094 и точности 0,9092 на оценочной выборке. Она предназначена для модерации турецкоязычных текстов и исследовательских задач классификации токсичной речи. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Это портированная в Transformers модель S3PRL на базе HuBERT для идентификации говорящего в аудиозаписях. Она классифицирует каждое высказывание по личности говорящего из заранее заданного набора; в задаче SUPERB использовался набор VoxCeleb1. Модель содержит 113,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц. Модель предназначена для классификации речевых фрагментов по личности говорящего, например, в системах анализа записей или при оценке качества распознавания говорящего. Для модели приведена точность 0,8071 в реализации Transformers и 0,8142 в S3PRL на тесте. Это результаты конкретной постановки SUPERB и набора VoxCeleb1; они не гарантируют качество на других наборах данных и при неизвестном модели наборе говорящих. Лицензия — Apache-2.0.

IMPARA-QE — обученная модель для оценки качества автоматического исправления грамматики (GEC), разработанная gotutiyan. Она предсказывает качество исправленного текста без эталонного исправления и предназначена для оценки систем и результатов GEC. Модель основана на BERT и имеет 135,5 млн параметров; максимальная длина контекста — 512 токенов. В README указаны корреляции 95,93 по Пирсону и 93,01 по Спирмену для метрики Expected Wins из работы Grundkiewicz et al. (2015); при расчёте этой метрики использовалась модель оценки SE на базе bert-base-cased. Модель распространяется по лицензии MIT.

KW5 149M — базовая языковая модель Regnant, обученная с нуля для генерации текста на суахили. Она содержит 149 млн параметров трансформера (173,6 млн параметров всего) и использует плотную авторегрессионную архитектуру KW5V2 с 20 слоями, скрытым размером 768 и grouped-query attention. Модель обучена предсказывать следующий токен на корпусе объёмом около 1,97 млрд токенов; для токенизации используется BPE на 32 тыс. элементов. Модель предназначена прежде всего как компактная отправная точка для дообучения на суахили: instruction tuning, адаптации к предметной области или добавления классификационной головы. Она частично распознаёт формат чата и иногда завершает ответ, но не следует ограничениям надёжно и часто ошибается в фактах, поэтому не подходит для прямого развёртывания как ассистент. Основной вариант языка в обучающих данных — танзанийский суахили; в корпусе присутствуют машинно-переведённые образовательные тексты, артефакты которых могут проявляться в генерации. Модель не проходила настройку безопасности и может воспроизводить содержимое обучающих текстов. Лицензия — Apache-2.0.

Laguna M.1-base — базовый предобученный чекпойнт Poolside для семейства Laguna M.1. Это текстовая модель дополнения, созданная до этапов инструкционного дообучения и обучения с подкреплением; она продолжает текст по сырому текстовому запросу, но не предназначена для диалога с инструкциями, рассуждений или вызова инструментов. Архитектура — разреженный трансформер Mixture-of-Experts: 225 млрд параметров всего и 23 млрд активных на токен. Модель содержит 70 слоёв с глобальным вниманием, 256 экспертов с маршрутизацией top-k=16 и контекстом до 262 144 токенов. Чекпойнт подходит как основа для дальнейшего обучения и экспериментов с языковыми моделями. Для его запуска README указывает поддержку vLLM версии 0.21.0 и новее, SGLang и Transformers версии 5.7.0 и новее; для BF16-версии нужны значительные объёмы памяти на нескольких GPU. Модель принимает и выдаёт текст. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование и модификацию; также следует соблюдать политику допустимого использования Poolside.

Модель Thamo31 — дообученная плотная авторегрессионная Llama 3.2 на 3,2 млрд параметров, предназначенная для маршрутизации запросов в многоагентной системе. Она анализирует запрос и выдаёт название одного подходящего отдела, чтобы направить задачу нужному агенту и сократить затраты на дополнительное рассуждение LLM. Карточка заявляет поддержку английского языка; модель принимает текст и выдаёт текст. Контекстное окно составляет 131 072 токена. В метаданных указаны возможности чата и интерфейс вызова инструментов, однако основная задача модели — генерация текста с меткой отдела для маршрутизации. Модель дообучена Thamo31 на unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о наборе данных, поэтому точность маршрутизации для конкретных отделов следует проверять на собственных запросах.

Карточка модели huluhuluu/llama-3.2-3b-instruct-eagle3-sharegpt-epoch8-step205000 на Hugging Face совпадает с карточкой huluhuluu/llama3p2-3b-inst-eagle3-sharegpt-epoch-8-step-205000, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 на архитектуре LlamaForCausalLMEagle3, созданная на базе meta-llama/Llama-3.2-3B-Instruct с помощью SpecForge. Чекпойнт обучен на данных ShareGPT и предназначен для ускорения генерации этой базовой моделью методом спекулятивного декодирования; самостоятельно как целевая языковая модель он не используется. Модель содержит 494,7 млн параметров, поддерживает контекст до 131 072 токенов и доступна в формате safetensors. Метаданные указывают английский и китайский языки. Для работы требуется совместимый код SpecForge/EAGLE3 и соответствующая базовая модель. Карточка не приводит результатов бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

Карточка модели huluhuluu/llama-3.2-3b-instruct-eagle3-sharegpt-epoch9-step463620 на Hugging Face совпадает с карточкой huluhuluu/llama3p2-3b-inst-eagle3-sharegpt-epoch-9-step-463620, поэтому описание составлено по ней. Это черновая модель EAGLE3, обученная разработчиком репозитория на базе meta-llama/Llama-3.2-3B-Instruct с помощью онлайн-обучения SpecForge на данных ShareGPT. Она предназначена для спекулятивного декодирования в паре с целевой моделью Llama-3.2-3B-Instruct и совместимым кодом SpecForge/EAGLE3; самостоятельно как обычная языковая модель не предназначена для использования. Архитектура — плотная LlamaForCausalLMEagle3, размер чекпойнта по метаданным — 494,7 млн параметров, формат весов — safetensors, тип данных в конфигурации — bfloat16. Указанное контекстное окно — 131 072 токена; языки карточки — английский и китайский. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория и базовой модели.

ycwu97/mamba2-distilled-small — компактная двухслойная модель Mamba2, созданная ycwu97 дистилляцией из JunxiongWang/Llama3.2-Mamba2-3B-distill. Обучение было остановлено на шаге 48 000; метаданные указывают 149,5 млн параметров, контекст до 131 072 токенов и реализацию на PyTorch через Transformers. Модель предназначена прежде всего для использования в качестве черновой модели при спекулятивном декодировании гибридных моделей в работе STree. Также она поддерживает генерацию текста. Карточка не приводит сведений о качестве самостоятельного диалогового помощника или поддержке языков помимо английского. Лицензия — Apache-2.0. Указанное раннее завершение обучения может ограничивать качество и пригодность модели для самостоятельного применения; заявленный контекст не подтверждает качество на всей длине последовательности.

MicroDecoder — набор компактных VAE-декодеров от Vladmandic для быстрого преобразования латентов диффузионных моделей в RGB-изображения. Модели предназначены для живого предварительного просмотра изображений во время генерации, а не для получения окончательного высококачественного результата. По README, декодирование занимает около 0,01 секунды, качество реконструкции низкое; обработка включает коррекцию шума с учётом текущего шага генерации, коррекцию размытия и интерполяционное увеличение разрешения. Формы тензоров и число каналов определяются по базовому VAE, поэтому конфигурацию не требуется менять при переключении моделей. В репозитории приведены предварительно обученные варианты для SD, SDXL, Flux.1, Flux.2, Qwen, Qwen-21, Wan-21 и MiniMax-H3. Файлы весов представлены в формате safetensors. Лицензия — Apache-2.0.

Это пятислойная черновая модель DFlash для MiMo-V2.5-Pro, преобразованная в формат GGUF BF16 для ik_llama.cpp. Её подготовил ji-farthing как проверочный артефакт для PR #2048; модель использует общие с целевой моделью токенизатор, эмбеддинги и выходную голову. Черновик предназначен для ускорения генерации методом speculative decoding в паре с полной моделью MiMo-V2.5-Pro в формате GGUF. Самостоятельно он не работает: его подключают как draft-модель к совместимой целевой модели через ik_llama.cpp. Проверка на нескольких задачах автодополнения кода показала принятие черновых токенов 54,6–60,4%; эти результаты относятся только к тестовым примерам и конфигурации из карточки. Для работы требуется ik_llama.cpp с PR #2048 или более новой версией и совместимая конверсия целевой модели; README описывает проверку с unfused MoE-вариантом. Лицензия — MIT. Размер файла указан в README как около 5,54 ГБ; архитектурные и контекстные характеристики целевой модели нельзя автоматически переносить на этот черновик.

MiniLLM/MiniLLM-Llama-7B — исследовательская модель генерации текста на архитектуре Llama, разработанная как дистилляция Llama-13B на наборе databricks-dolly-15k. В репозитории представлены веса PyTorch с 6,6 млрд параметров; контекст — 2048 токенов. README описывает оценку ответов на инструктивных запросах из Dolly, Self-Instruct и Vicuna с помощью GPT-4. Модель предназначена для генерации ответов на текстовые запросы и экспериментов с обучением и оценкой инструктивных моделей. Для инициализации PPO-оптимизации MiniLLM требуется SFT-модель. Поддерживаемый язык по данным карточки — английский. Модель распространяется по лицензии Apache-2.0.

MobileBERT — компактная версия BERT, разработанная Google для работы на устройствах с ограниченными ресурсами. Этот чекпойнт представляет исходную оптимизированную модель MobileBERT для английского языка без учёта регистра. Архитектура использует узкие слои и сочетает механизмы self-attention с полносвязными сетями; модель содержит 59,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для языковых задач, где важны компактность и возможность запуска на ограниченных устройствах. В карточке показан пример заполнения пропусков в тексте через Transformers, поэтому модель подходит для восстановления замаскированных слов и как основа для задач понимания текста. Доступны веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

MobileNet V1 — компактная модель компьютерного зрения, разработанная Andrew G. Howard и соавторами и впервые опубликованная в репозитории TensorFlow Models. Представленная версия предварительно обучена на ImageNet-1k для классификации изображений с разрешением 192×192 пикселя. Модель предназначена для сценариев, где важны небольшие задержки, низкое энергопотребление и ограниченные вычислительные ресурсы, включая мобильные и периферийные устройства. Архитектура MobileNet V1 оптимизирована по компромиссу между точностью, размером и скоростью работы. Версия с коэффициентом ширины 0.75 предсказывает 1001 класс: 1000 классов ImageNet и дополнительный класс background. Основное назначение — классификация изображений; архитектура также может служить основой для обнаружения объектов, построения эмбеддингов и сегментации после соответствующей адаптации или дообучения. В README указана поддержка PyTorch. Данные о языках и максимальном контексте неприменимы к этой модели. Сильные стороны модели — компактность, низкая задержка и пригодность для запуска на устройствах с ограниченными ресурсами. Ограничения включают компромисс между эффективностью и точностью, а также то, что исходная версия предназначена непосредственно для классификации ImageNet и может потребовать дообучения для других доменов и задач. Лицензия указана как other, без дополнительных подробностей.

ModernJEV-Decide-Preview — экспериментальная модель Maziyar Panahi для выбора следующего действия, инструмента или ветви рабочего процесса в агентных приложениях. Она принимает текстовое описание диалога, политики и доступных вариантов, оценивает переданные приложением метки и описания и возвращает оценки вариантов; выбранное действие исполняет само приложение. Модель не генерирует аргументы инструментов и не вызывает их. Это плотный ModernBERT cross-encoder с одной скалярной scoring head и примерно 149 млн параметров. README указывает длину входа до 4 096 токенов, а метаданные — нативный контекст 8 192 токена. Модель дообучена на answerdotai/ModernBERT-base на примерах решений для агентов; данные карточки ориентированы на английский язык. Лицензия — Apache-2.0. В карточке приведены отдельные отложенные оценки для выбора следующего действия, выбора инструмента и примеров When2Call, но модель прямо обозначена как небольшой прототип, а не воспроизведение Jev. Перед внедрением её следует оценить на собственных сценариях и вариантах выбора; качество за пределами описанных проверок не установлено.

Npatta01/music-recsys-2026-retriever-4b — дообученная модель Npatta01 на базе Qwen/Qwen3-Embedding-4B для разговорных музыкальных рекомендаций. Это плотный двухбашенный биэнкодер с общими весами энкодера: он кодирует диалог о предпочтениях слушателя и описание музыкального трека в одном 2560-мерном пространстве, чтобы находить подходящие треки по близости векторов. Для запроса используется инструкционный префикс; для трека — текстовые метаданные каталога. Модель предназначена для поиска кандидатов в каталоге примерно из 47 тысяч треков и для передачи косинусного сходства между диалогом и треком в отдельный ранжировщик. В описанной конфигурации она используется как признак ранжирования; отдельная ветвь поиска добавляла мало кандидатов относительно стоимости дополнительного ANN-запроса. Обучение выполнено полным дообучением с контрастивной функцией потерь на парах «диалог—трек»; модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. На dev-наборе авторы сообщают Recall@20 0,327 и Recall@1000 0,829 для автономного поиска, а добавление признака сходства улучшало nDCG@20 в их проверке ранжирования. Результаты слабее для сценариев резкой смены музыкального направления. Модель выдаёт эмбеддинги, а не готовые рекомендации: для поиска нужны векторы каталога и индекс, а для итогового ранжирования — отдельный компонент.

NaijaXLM-T-base Hate — модель XLM-RoBERTa, разработанная pvcastro и manueltonneau и дообученная на нигерийских твитах из датасета NaijaHate для выявления языка ненависти. Она классифицирует текстовые сообщения на английском Нигерии, нигерийском пиджине, хауса, йоруба и игбо; в обучении использовались стратифицированная и отобранная активным обучением части датасета. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и доступна в формате PyTorch. Подходит для классификации публикаций в социальных сетях и анализа текста на предмет языка ненависти в поддерживаемых языках. Лицензия в предоставленных данных не указана.

Модель viddexa/nsfw-detection-2-mini разработана Керемом Бозганом, Абдуллахом Кирманом и Фатихом Чагатаем Акйоном для визуальной модерации контента. Это дообученная на изображениях EfficientNet-B4 с 17 млн параметров; модель принимает изображения и относит их к одному из пяти классов: Normal, Porn, Hentai, Drawing или Sexy. Её можно применять для первичной фильтрации пользовательских изображений в социальных приложениях, форумах, играх и сервисах потокового видео, а также в родительском контроле. В сравнении авторов на пяти классах модель показала средний F-score 96,09%; для класса Sexy показатель составил 90,92%. Класс Normal означает отсутствие NSFW-содержимого, а Sexy — изображения без явной наготы, но с провокационной одеждой или другими признаками. По описанию авторов, модель предназначена для выявления явной наготы; она может считать безопасными изображения с провокационной наготой или одеждой, если явной наготы нет. Результаты следует использовать для первичного отбора с последующей проверкой человеком. Модель распространяется по лицензии Apache-2.0.