II.10Разработка и эксплуатация AI/ML-систем

HuggingFaceTB разработала stack-edu-classifier-sql — классификатор для оценки образовательной ценности файлов SQL-кода из набора The Stack v2. Это дообученная на SQL версия BigCode StarEncoder с классификационной головой; обучающие примеры размечены моделью Llama 3.1 70B Instruct. Классификатор использовали для создания набора Stack-Edu, предназначенного для обучения SmolLM2. Модель принимает SQL-код и относит его к классам по образовательной ценности. Её можно применять для отбора и оценки SQL-файлов в задачах подготовки обучающих данных. Архитектура — BERT-подобная модель для классификации последовательностей; размер — 151 млн параметров, контекст — 1024 токена. В метаданных указан формат safetensors и библиотека Transformers.

pVAD v1 — Telenow AI разработала потоковую speaker-conditioned модель voice activity detection для телефонного аудио. Она помечает каждые 10 мс как тишину, речь зарегистрированного абонента или речь другого источника; это позволяет голосовому агенту распознавать перебивание абонента до получения транскрипции и отфильтровывать голоса окружающих, телевизор и собственное эхо агента. Модель содержит 171 тыс. параметров. Архитектура включает входные log-mel признаки с 40 полосами, причинные свёртки, FiLM-кондиционирование по 192-мерному эмбеддингу говорящего и двухслойный GRU с 96 скрытыми измерениями. Рассчитана на потоковый вход с частотой 8 кГц и шагом 10 мс; есть также граф для обработки целой последовательности. Для работы требуется эмбеддинг WeSpeaker ECAPA-TDNN512-LM, полученный из 1,5–3 секунд чистой речи абонента. На удержанных записях с синтетическими смесями модель показала 96% принятия речи абонента при отсутствии помех, 81% при наложении голоса другого человека и 6% ложных срабатываний на речь постороннего. Проверка не включала реальные записи шумных помещений. Модель обучена на индийских телефонных записях на хинди, английском и других индийских языках; широкополосное и нетелефонное аудио находится вне распределения обучения. До накопления примерно 1,5 секунды речи абонента кондиционирование недоступно; модель определяет говорящего, но не адресата речи. Репозиторий содержит ONNX-версии и PyTorch state_dict. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

TinyLlama-1.1B-intermediate-step-1195k-token-2.5T — промежуточный чекпойнт проекта TinyLlama, разработанного для предварительного обучения компактной языковой модели архитектуры Llama. Модель содержит около 1,1 млрд параметров, использует ту же архитектуру и токенизатор, что и Llama 2, и обучалась на 2,5 трлн токенов. Чекпойнт предназначен для генерации текста и экспериментов с компактными языковыми моделями; его небольшой размер снижает требования к памяти и вычислениям по сравнению с крупными моделями. Модель принимает текст и генерирует текст, поддерживает английский язык, а её контекст составляет 2048 токенов. В метаданных указаны обучающие наборы SlimPajama-627B и StarCoderData; README приводит результаты оценки промежуточных чекпойнтов, но не этого шага, поэтому качество именно данной версии по приведённым данным оценить нельзя. Лицензия — Apache-2.0.

ToolWeave Stage 2 — это экспериментальная чат-модель на архитектуре Qwen3, разработанная как второй этап проекта ToolWeave. Модель содержит 3,7 млрд параметров и принимает текстовые запросы; максимальная длина контекста составляет 40 960 токенов. Веса доступны в формате Safetensors для загрузки через Transformers. Модель дообучена на многошаговых задачах BFCL во взаимодействии со средой и предназначена для выбора и вызова инструментов, а также последовательного выполнения задач, требующих нескольких вызовов. Этап обучения оптимизирует измеримый прогресс к завершению задачи, продолжая развитие навыков вызова инструментов предыдущего этапа. В описанной внутренней проверке на 400 примерах общий показатель прогресса составил 0,4567; результаты заметно различались между категориями, а на длинном контексте чаще встречались незавершённые траектории. Эта проверка не является официальным результатом BFCL, и её набор в репозитории отсутствует. Сведения о лицензии в предоставленных данных отсутствуют.

mohsenfayyaz/toxicity-classifier — модель классификации текста на базе BERT Base uncased, дообученная на наборе Jigsaw Unintended Bias in Toxicity Classification. Она предназначена для оценки токсичности текста и подходит для анализа комментариев и другого пользовательского контента. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель может помочь выявлять токсичные высказывания при модерации и анализе текстовых потоков. Карточка не сообщает лицензию, поэтому условия использования установить нельзя; результаты классификации могут быть подвержены смещениям, связанным с данными Jigsaw, и не должны считаться безошибочным решением о модерации.

megagonlabs/transformers-ud-japanese-electra-base-ginza-520 — японская языковая модель ELECTRA, разработанная Megagon Labs. Она предварительно обучена примерно на 200 млн предложений на японском языке из mC4, а затем дообучена spaCy v3 на UD_Japanese_BCCWJ r2.8. Вариант модели использует токенизацию sudachitra-wordpiece. Модель предназначена для извлечения признаков и использования в японском NLP. В составе пакета ja_ginza_electra и GiNZA v5 она применяется в конвейерах spaCy, включая анализ структур bunsetsu — фразовых единиц японского языка. Архитектура — ELECTRA, 136,4 млн параметров, контекст до 512 токенов; репозиторий содержит веса PyTorch. Лицензия — MIT. Модель рассчитана на японский язык; сведения о качестве на других языках и сравнительных оценках в карточке не приведены.

cardiffnlp/twitter-roberta-base-hate — модель Cardiff NLP на архитектуре RoBERTa-base для классификации твитов и выявления языка ненависти. Она обучалась на примерно 58 млн твитов и дообучалась для обнаружения языка ненависти с использованием бенчмарка TweetEval; особое внимание уделено высказываниям против женщин и иммигрантов. Модель содержит 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель выдаёт оценки классов «hate» и «not-hate» и предназначена для анализа сообщений в Twitter и сходных коротких публикаций. Доступны веса в форматах PyTorch, TensorFlow и Flax. В README указана более новая и надёжная модель того же разработчика; результаты классификации могут зависеть от контекста и не должны трактоваться как окончательная оценка высказывания. Сведения о лицензии в предоставленных источниках отсутствуют.

Это delta-модель чат-бота Vicuna-13B, созданная Qu Peng дообучением на формате LangChain-MRKL. Она предназначена для генерации текста в формате zero-shot ReAct: модель формирует мысль, название действия и входные данные, чтобы использоваться как компонент агента LangChain. Для получения полноценных весов delta необходимо применить к исходным весам LLaMA; сама по себе она напрямую не запускается. В карточке указано дообучение в течение одной эпохи на смеси ShareGPT, пользовательских примеров и MOSS-003 SFT; заявлены 15 примеров LangChain-MRKL и строгий формат вывода без лишних токенов. Модель имеет архитектуру LLaMA, около 12,9 млрд параметров и контекст 2048 токенов. Лицензия — CC BY-SA 4.0. Оценочного набора нет, а автор отмечает, что способность модели не улучшалась, проверялась лишь подгонка формата.

double7/vicuna-160m — компактная языковая модель, разработанная как модель семейства Vicuna для экспериментов с ускорением генерации. Она дообучена на базе LLaMA-160m на данных ShareGPT; обучение следует подходу Vicuna. Модель содержит 137,8 млн параметров, использует плотную архитектуру LLaMA и рассчитана на контекст до 2048 токенов. Основное назначение модели — быть небольшой черновой моделью (Small Speculative Model) в рамках исследования MCSD. Она предназначена для генерации текста и, согласно карточке, может лучше согласовываться с моделями Vicuna, чем LLaMA-160m, сохраняя при этом часть согласованности с моделями LLaMA. Метаданные указывают английский язык и формат safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей о применении вне экспериментального сценария.

Compact Operator-Video Quality Model — компактная модель для оценки качества кадров из видео от первого лица, например с наголовных камер и камер робототелеприсутствия. Её разработчик обучил её имитировать оценки более крупного конвейера анализа видео. Модель содержит 2,5 млн параметров и использует замороженную MobileNetV3 Small 100, объединённую с 14 классическими визуальными признаками, остаточным MLP и отдельными головами для предсказания показателей. На вход модель принимает кадры и за один проход возвращает оценки яркости, резкости, размытия, аномальности, перцептивного качества и сцены; качественные оценки представлены по шкале 0–100, где большее значение означает лучшее качество. Модель предназначена для быстрой пакетной или потоковой оценки, в том числе на устройстве. В README сообщается о скорости в 116,4 раза выше, чем у конвейера учителя, и о согласии с ним по составной метрике PLCC 0,899; это показатели имитации оценок учителя, а не независимая оценка качества. Доступны веса в форматах Safetensors и GGUF, включая варианты int4 и int8 для локального запуска. Лицензия — Apache-2.0.

MCG-NJU выпустила VideoMAE Base — видеомодель на архитектуре Masked Autoencoder и Vision Transformer, предварительно обученную без учителя на Something-Something-v2 в течение 800 эпох. Модель содержит 113,2 млн параметров и представлена в формате PyTorch. VideoMAE принимает видео как последовательность патчей размером 16×16 и обучается восстанавливать скрытые фрагменты. Чекпойнт предназначен прежде всего для дообучения на задачах анализа видео: его представления можно использовать как признаки для классификатора. В исходном виде модель предсказывает значения пикселей замаскированных патчей; метаданные относят её к задаче классификации видео. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке отсутствуют результаты оценки и подробности о данных предварительной обработки, поэтому качество на конкретных наборах данных следует проверять отдельно.

VisionGuardrail-9B — мультимодальный классификатор визуальной безопасности от prithivMLmods, дообученный на Qwen/Qwen3.5-9B с использованием датасета ImageShield-Guardrail-Pro. Модель анализирует изображения и относит их к категориям Safe или Unsafe; особое внимание уделяет чувственному контенту NSFW и другим потенциально чувствительным материалам. Модель оценивает одежду и степень её открытости, позы, кадрирование и контекст изображения. Она рассчитана на фильтрацию визуального контента, модерацию и исследование мультимодальных защитных механизмов; выдаёт структурированный JSON с подписью, классификацией и обоснованием. Архитектура — плотная Qwen3.5 для условной генерации, размер базовой модели — 9 млрд параметров; поддерживаются изображения и текстовые инструкции, язык карточки — английский. Лицензия — Apache-2.0. Это экспериментальная модель: возможны ложные срабатывания и пропуски, а результат зависит от качества изображения, контекста и инструкции. Консервативный порог может помечать безопасные изображения как небезопасные; классификация не является окончательным юридическим или безопасностным заключением.

weiser/30M-0.4 — небольшая языковая модель, разработанная в рамках проекта TinyLLM для локального запуска на устройствах с ограниченными вычислительными ресурсами, например одноплатных компьютерах. Модель основана на архитектуре GPT-2: это плотный авторегрессионный трансформер-декодер с 30 млн параметров и размером скрытого слоя 384. Модель обучалась на данных сенсоров и текстовых данных из SHL и FineWeb в соотношении 4:6, суммарно до 10 млрд токенов. Она предназначена как базовая модель для последующего дообучения под задачи встроенных сенсорных систем. Принимает и генерирует текст, поддерживает английский язык, а контекстное окно составляет 1024 токена. Для работы используются Transformers и веса в формате safetensors. Модель выпущена по лицензии Apache-2.0. Разработчики указывают исследовательское назначение; качество для конкретной прикладной задачи зависит от последующего дообучения.

SuperAnnotate AI Detector Low FPR — англоязычный классификатор текста, разработанный SuperAnnotate на основе RoBERTa Large и дообученный для бинарного определения, написан ли текст человеком или сгенерирован языковой моделью. Модель предназначена для проверки текстов в обучающих наборах данных, а также для выявления возможного мошенничества и случаев использования ИИ в научной и образовательной среде. При обучении использовались 44 тысячи сбалансированных пар человеческих и сгенерированных текстов из Википедии, Reddit ELI5, научных статей и подмножества RAID. Тексты были созданы разными моделями семейств GPT, LLaMA, Anthropic и Mistral; промпты не включались в обучающие входы. Модель нацелена на низкую долю ложноположительных результатов, чтобы реже помечать человеческий текст как сгенерированный. Разработчик сообщает о проверке на бенчмарке RAID. Модель использует архитектуру RoBERTa Large с одним выходным классом для бинарной классификации. В карточке указана лицензия SAIPL. Низкая доля ложноположительных срабатываний является целью обучения, а не гарантией безошибочного определения авторства; результаты могут зависеть от домена, генератора и изменений текста.

ALINEAR/albert-japanese — японская языковая модель семейства ALBERT, опубликованная ALINEAR Corporation на Hugging Face. Модель предназначена для задачи fill-mask: по контексту с замаскированным токеном она предсказывает наиболее вероятные варианты продолжения. Её можно использовать через Transformers как AlbertForMaskedLM или pipeline fill-mask. Архитектура включает 12 скрытых слоёв, размер скрытого состояния 768, размер эмбеддингов 128, 12 голов внимания и словарь на 32 000 токенов. Модель содержит около 137,8 млн параметров и поддерживает контекст длиной до 512 токенов.

Модель amengemeda/amharic-hate-speech-detection-mBERT разработана путём дообучения многоязычной модели mBERT для выявления языка вражды в текстах на амхарском языке. Базовая модель — Davlan/bert-base-multilingual-cased-finetuned-amharic; архитектура — BERT с классификационной головой BertForSequenceClassification, размер — 205,1 млн параметров. Модель принимает текст и выдаёт метку классификации. Контекстное окно составляет 512 токенов. Модель предназначена для автоматической модерации и анализа амхароязычных сообщений. В README указаны F1-score 0,9172 и точность 91,59%; дообучение проводилось в течение 15 эпох на наборе данных из 30 000 строк. Эти показатели относятся к описанному эксперименту и не гарантируют аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.

soob3123/amoral-gemma3-12B-v1 — дообученная текстовая версия Gemma 3 12B от Google, созданная для информационных систем, которым нужны сдержанные аналитические ответы на чувствительные и спорные вопросы. Модель рассчитана на нейтральное изложение фактов без выраженных оценочных формулировок и избыточного морализирования; в карточке заявлены ослабленные механизмы отказа и снижение смещения в ответах. Модель использует плотную архитектуру Gemma 3 и содержит 11,6 млрд параметров. Она поддерживает генерацию текста на английском языке и контекст до 131 072 токенов; метаданные указывают библиотеку Transformers и формат Safetensors. Возможные сценарии — анализ спорных тем, исследование смещений, моделирование дискуссий по этике, разработка систем модерации и анализ чувствительных исторических вопросов. Карточка не приводит результатов оценивания, описания обучающих данных или независимой проверки заявленных механизмов нейтрализации и снижения отказов. Модель унаследовала ограничения базовой модели; ослабление отказов может приводить к выдаче вредной или токсичной информации. Лицензия — Apache 2.0.

Arctic-AWM-4B — языковая модель Snowflake AI Research и UNC-Chapel Hill для многошагового взаимодействия с инструментами в агентных средах. Она дообучена на Qwen3-4B с помощью агентного обучения с подкреплением на полностью синтетических средах AgentWorldModel-1K. Интерфейс взаимодействия с инструментами унифицирован через MCP (Model Context Protocol). Модель предназначена для агентных сценариев, где требуется выполнять последовательности действий с инструментами и работать в средах, предоставляющих инструменты через MCP. Архитектура — плотная Qwen3, около 3,7 млрд параметров; модель принимает текст и выдаёт текст. Поддерживаемый язык по карточке — английский, длина контекста — 40 960 токенов. Лицензия — Apache-2.0.

Argonne 4.0-base — базовая авторегрессионная трансформерная модель PursuitOfDataScience с архитектурой ArgonneModel, обученная с нуля. Она содержит около 1,04 млрд параметров, обучена на 65,12 млрд токенов и рассчитана на контекст до 65 536 токенов. Доступны веса в формате bf16 Safetensors; лицензия — Apache-2.0. Модель предназначена прежде всего как основа для последующего дообучения на задачи рассуждения, математики и программирования. Она генерирует продолжение текста и может применяться для работы с длинными документами, однако это базовая модель без настроенного следования инструкциям и диалогового поведения. В оценках модель показала сильные стороны в генеративной математике и обработке длинного контекста, но слабые результаты в вопросах общих знаний: MMLU близок к случайному уровню. Сведения о языковой поддержке указывают на английский. Для загрузки нужны пользовательские классы из репозитория и параметр trust_remote_code=True; для полного контекста автор рекомендует serving-движок вместо стандартного цикла generate().

leondz/artgpt2tox — англоязычная генеративная модель на базе GPT-2, опубликованная исследователем Леоном Дерчинским. Она дообучена на примерах из подмножества hhrlhf, которые дали обнаруживаемый токсичный результат, и предназначена для генерации токсичных текстов в качестве целевой модели при тестировании безопасности LLM и разработке red-team-зондов. Модель содержит около 0,1 млрд параметров, использует архитектуру GPT2LMHeadModel и принимает текст, продолжая его; заявленная длина контекста — 1024 токена. Репозиторий распространяется по лицензии Apache-2.0. Поскольку модель специально обучена генерировать токсичный контент, её выводы могут быть оскорбительными и не подходят для обычных диалоговых сценариев.

ATLAS-8B-Thinking — специализированная модель-учитель Arc Intelligence для обучения и улучшения других языковых моделей в рамках фреймворка ATLAS. Она построена на архитектуре Qwen3 с плотной причинной языковой моделью и дообучена на базе Qwen/Qwen3-8B; содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для двухэтапного цикла: сначала диагностирует рассуждения модели-ученика, затем подбирает объём обучающей подсказки — от подробной помощи до минимального вмешательства. Её применяют в обучении с подкреплением и адаптивном наставничестве, чтобы повышать успешность ученика и снижать риск утраты уже освоенных навыков. В README приведены результаты фреймворка с учеником Qwen3-4B: рост средней точности на 15,7%, выполнения задач на 31,2% и показатель отсутствия деградации 97%; это заявленные авторами результаты конкретной оценки. Модель не предназначена для обычного чата напрямую. Распространяется под лицензией Apache-2.0; загрузка через Transformers требует включения trust_remote_code=True.

AraBERTv2 — предварительно обученная языковая модель для арабского языка, разработанная командой AUB MIND Lab на архитектуре Google BERT. Репозиторий содержит вариант BERT-Base с примерно 162,4 млн параметров и контекстом до 512 токенов; модель предсказывает замаскированные токены и служит основой для адаптации к downstream-задачам понимания арабского текста. AraBERTv2 обучена на крупном арабоязычном корпусе, включающем Википедию, OSCAR, OSIAN и другие источники. Для варианта v2 в карточке указана предварительная сегментация слов с помощью Farasa; README рекомендует применять соответствующую функцию предобработки текста перед использованием. Семейство оценивалось на задачах анализа тональности, распознавания именованных сущностей и ответов на вопросы, однако эти сценарии обычно требуют дополнительной настройки модели. Модель предназначена для работы с арабским текстом и доступна в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

KBLab и Национальная библиотека Швеции выпустили KBLab/bert-base-swedish-cased — предобученную модель BERT Base для шведского языка. Она обучена на корпусе примерно из 15–20 ГБ шведских текстов: книг, новостей, государственных публикаций, Википедии и интернет-форумов. Модель использует регистр букв и whole word masking; размер словаря — около 50 тысяч токенов. Модель предназначена для восстановления замаскированных слов в тексте и может служить основой для дальнейшей адаптации BERT к задачам обработки шведского языка. Архитектура — плотная BERT с 151,9 млн параметров; длина контекста — до 512 токенов. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC0 1.0. Модель ориентирована на шведский текст. Как и другие базовые языковые модели, она сама по себе не решает специализированные задачи без соответствующей настройки; карточка не приводит оценки качества или подробную документацию по результатам.

leomaurodesenv/bert-base-uncased-trustairlab-jailbreak — дообученная модель классификации последовательностей на базе google-bert/bert-base-uncased. Она предназначена для классификации текстов; название указывает на тематику jailbreak, однако карточка не поясняет классы, критерии разметки или целевые сценарии. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает текст с контекстом до 512 токенов. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены метрики на оценочной выборке: loss 0,1904 и accuracy 0,9388; датасет описан как неизвестный, поэтому эти результаты нельзя уверенно переносить на другие данные. Карточка не сообщает поддерживаемые языки или подробные ограничения применения; базовая модель англоязычная.

BERTicelli — англоязычная модель классификации текста на базе BERT, созданная Моной Аллерт, Леонардо Гротти и Патриком Квиком в рамках учебного проекта по анализу цифровых текстов в Университете Антверпена. Модель дообучена на английской версии BERT base cased с использованием обучающей части набора OLID и содержит 135,5 млн параметров. Модель предназначена для выявления оскорбительной и агрессивной лексики в англоязычных текстах, включая распознавание языка ненависти и другого недопустимого контента. Её можно применять для предварительной модерации пользовательских сообщений и анализа текстов в рамках исследований. Архитектура — BERT для классификации последовательностей; модель принимает текст и выдаёт метки классов. Максимальная длина контекста — 512 токенов. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробностей о точном наборе предсказываемых меток, поэтому пригодность для конкретной политики модерации следует проверять отдельно.

bert-mlm-medium — средняя по размеру языковая модель семейства RoBERTa, разработанная aajrami и обученная с задачей masked language modeling (MLM): модель восстанавливает замаскированные фрагменты текста. Она предназначена для извлечения контекстных текстовых представлений, которые можно использовать как основу для последующей обработки текста и исследовательских экспериментов. Модель содержит 59,3 млн параметров, принимает текст и поддерживает контекст длиной до 514 токенов. Репозиторий содержит веса PyTorch и safetensors; задача Hugging Face для модели — feature-extraction. Карточка ссылается на работу о влиянии целей предобучения на изучение языковых свойств, но не сообщает конкретные языки обучения или результаты оценки качества. Лицензия — CC BY 4.0.

Это дообученная байтовая модель ByT5 для преобразования написания слов в фонемную транскрипцию IPA. Она принимает слово с языковым кодом ISO 639-3 и, для части языков, уточнением варианта, а выдаёт фонемы через пробел в соглашении, основанном на gruut и совместимом с голосами семейства Piper. Модель разработана Will Wade и обучена на гармонизированном корпусе из 4,12 млн пар из gruut и WikiPron с выравниванием соглашений IPA с помощью M2M-аллайнера. Модель поддерживает 142 языковых варианта, включая варианты английского, португальского и испанского, а также разделения для валлийского, армянского, бенгальского и китайских языков. Архитектура — T5ForConditionalGeneration; в метаданных указано 11,1 млн параметров. Доступны веса safetensors и экспорт ONNX для работы на CPU. В тесте на 4 тыс. примеров точное совпадение составило 0,718 по micro-метрике и 0,619 по macro-метрике. Модель предназначена для получения произношения слов и подготовки произносительных словарей для синтеза речи. Она преобразует текст в фонемы, но сама аудио не синтезирует; точность зависит от языка, его варианта и принятых соглашений транскрипции. Лицензия — CC BY-SA 4.0.

HFL Chinese LERT Base — предварительно обученная языковая модель для китайского языка, разработанная авторами Yiming Cui, Wanxiang Che, Shijin Wang и Ting Liu. LERT основана на архитектуре BERT и предназначена для восстановления замаскированных токенов в тексте, а также как языковая основа для задач обработки китайского языка. Модель содержит 129,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Карточка характеризует LERT как модель с лингвистически мотивированным предобучением. Лицензия — Apache 2.0. Для прямого применения в других задачах может потребоваться дообучение. В доступной карточке не приведены результаты оценки качества и подробности состава обучающих данных.

Clamifision-v1 — англоязычный бинарный классификатор медицинских и немедицинских текстов, разработанный Bindupautra Jyotibrat и опубликованный аккаунтом BJyotibrat. Модель дообучена на базе encoder-only ModernBERT-base и использует классификационную голову с двумя метками: медицинская тематика и немедицинская тематика. В репозитории указано 149 млн параметров, контекст до 8192 токенов и формат safetensors; в описанном обучении тексты обрезались до 256 токенов. Модель предназначена для предварительной фильтрации текста и маршрутизации медицинских запросов к специализированным моделям семейства BotMed. Она обучалась на сбалансированном наборе примерно из 40 тысяч примеров из медицинских и немедицинских источников; в медицинскую часть включены как формальные материалы, так и вопросы пациентов и шаблонные разговорные запросы. Лицензия — GPL-3.0. Классификатор определяет только тематику текста: он не оценивает достоверность медицинских сведений, не ставит диагнозы и не рекомендует лечение. Авторы отмечают риск снижения качества на коротких, неформальных запросах от первого лица. Приведённые метрики получены для более ранней версии модели и не подтверждены для опубликованного чекпойнта; перед использованием следует отдельно оценить качество на целевых данных.

Модель tanganke/clip-vit-base-patch32_oxford-iiit-pet — дообученная на наборе Oxford-IIIT Pet модель извлечения признаков на основе CLIP ViT-B/32 от OpenAI. Она предназначена для получения визуальных признаков изображений животных; на тестовом наборе точность после дообучения составила 0,925 против 0,833 у исходной модели. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Метаданные указывают лицензию? Нет сведений о лицензии в предоставленных источниках.