II.10Разработка и эксплуатация AI/ML-систем

AM-RADIO — модель визуального извлечения признаков, разработанная NVIDIA Research. Она использует архитектуру Vision Transformer и преобразует RGB-изображения в пространственные эмбеддинги-тензоры для передачи в последующие модели, например для классификации изображений. Модель предназначена для исследований и разработки компьютерного зрения. В README указана поддержка входных изображений с разрешениями до 2048×2028 с шагом 16 пикселей; для RADIOv1 отдельно описан диапазон от 14 до 1008 пикселей по каждой стороне при размерах, кратных 14. Модель обучали на 12,8 млрд разнообразных изображений из интернета без меток. Для использования признаков требуется downstream-модель. Лицензия в метаданных обозначена как other; перед применением следует ознакомиться с условиями репозитория.

hfl/rbtl3 — китайская предварительно обученная модель BERT с маскированием целых слов (Whole Word Masking), разработанная HFL. Она предназначена для заполнения пропусков в тексте и может служить базой для дальнейшей адаптации к задачам обработки китайского языка. Модель содержит 72 млн параметров, использует архитектуру BERT для masked language modeling и поддерживает контекст длиной до 512 токенов. Модель принимает текст с маскированными токенами и предсказывает скрытые фрагменты. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о тренировочных данных.

Koichi Yasuoka разработал RoBERTa-модель, предварительно обученную на текстах японской цифровой библиотеки «Аодзора Бунко» с токенизатором Japanese-LUW-Tokenizer. Это плотная модель архитектуры RoBERTa для masked language modeling: она предсказывает пропущенные токены в японском тексте и может служить основой для дообучения под последующие задачи, включая разметку частей речи и синтаксический анализ зависимостей. Модель содержит 305,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для восстановления пропусков в японских предложениях и как начальная точка для создания японских NLP-систем с дообучением. Карточка не сообщает оценки качества или результаты для конкретных downstream-задач. Лицензия — CC BY-SA 4.0.

Ruri v3 PT 30M — предварительно обученная модель эмбеддингов японского текста, разработанная cl-nagoya на основе ModernBERT-Ja. Эта версия ещё не дообучена для получения готовых эмбеддингов; для прикладного использования авторы рекомендуют дообученную cl-nagoya/ruri-v3-30m. Модель имеет архитектуру ModernBERT, около 36,7 млн параметров и контекст до 8192 токенов. Она предназначена как основа для последующего обучения задачам понимания японского текста и построения текстовых представлений. В метаданных основной задачей указано сходство предложений, однако README уточняет, что эта версия не прошла соответствующее дообучение. Модель распространяется в формате safetensors по лицензии Apache-2.0. Готовность и качество эмбеддингов для прикладных сценариев README не подтверждает; указанная оценка JMTEB относится к дообученной серии Ruri v3, а не к этой версии.

Segformer-b0-512x512-ade-160k — модель семантической сегментации изображений семейства SegFormer, опубликованная в репозитории smp-hub и подготовленная с помощью библиотеки segmentation-models-pytorch. Она предназначена для разметки изображения по классам ADE20K: модель присваивает класс пикселям, формируя карту сегментации. В названии указаны вариант B0, входное разрешение 512×512 и 160 тысяч шагов обучения; README подтверждает использование набора данных ADE20K. Модель принимает изображение и выдаёт карту классов. Весовые файлы опубликованы в формате safetensors. Лицензия в метаданных обозначена как other, дополнительных условий README не содержит.

Vanilla — Base (3B) — базовая языковая модель, разработанная командой model-raising для исследований в области выравнивания и безопасности. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, обученная с нуля; для токенизации используется словарь SmolLM2 из 49 152 токенов. Модель прошла предварительное обучение примерно на 500 млрд токенов из части смеси Olmo 3 Dolma 3. Доступны промежуточные контрольные точки обучения, а основная версия содержит завершённую модель. Модель предназначена для продолжения текста, исследования поведения базовой модели, зондирования и последующего дообучения. Она не настроена для следования инструкциям и не содержит шаблона чата. Контекст составляет 2048 токенов. В README указано, что при предварительном обучении не применялись меры безопасности; модель может выдавать неверный или небезопасный контент. Опубликованы только веса, поэтому точное возобновление обучения невозможно. Лицензия обозначена как «other» в метаданных, а в README указано, что она ещё не окончательно определена.

Telenow pVAD v2 — потоковая модель обнаружения голосовой активности с привязкой к голосу зарегистрированного абонента, разработанная Telenow для телефонных голосовых агентов. Она обрабатывает аудио с частотой 8 кГц кадрами по 10 мс и относит каждый кадр к тишине, голосу абонента или другому источнику речи, включая собеседников рядом, телевизор и эхо агента. Модель построена на лог-мел признаках, причинных свёрточных слоях, FiLM-обусловливании 192-мерным эмбеддингом ECAPA-TDNN и двухслойном GRU; граф содержит 171 тыс. параметров и поставляется в формате ONNX для потокового инференса. Основной сценарий — управление прерыванием речи в полнодуплексном телефонном агенте: модель помогает отличать голос абонента от посторонних голосов и эха. Для работы требуется заранее получить нормализованный эмбеддинг голоса абонента по 1,5–3 секундам чистой речи; входное аудио должно быть приведено к 8 кГц. Модель обучена на синтетических сценах с телефонными кодеками и многоязычной речью, включая индийские языки; в реальных звонках преимущество над v1 пока не подтверждено. Качество хуже всего разделяет близкие к телефону голоса одного пола; широкополосное и нетелефонное аудио находится вне распределения обучения. README рекомендует осторожное внедрение и контроль риска ошибочно принять голос абонента за чужой. Лицензия в метаданных указана как other; конкретные условия использования в карточке не раскрыты.

Это компактная модель автоматического распознавания речи на основе Whisper Tiny, разработанной OpenAI и дообученной авторами репозитория для транскрибации тибетской речи. Веса всех параметров модели дообучены на корпусе NICT-Tib1 с записями новостной речи на центральном тибетском языке, диалект Лхаса; модель построена на архитектуре encoder–decoder Transformer и содержит 29,4 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для распознавания записанной тибетской речи и оценки систем ASR на корпусе NICT-Tib1. В README приведены результаты тестирования по CER, SER и метрикам ошибок на уровне сегментированных слов; качество зависит от выбранной метрики. Обучение и тестирование охватывали только современную прочитанную речь Лхасы из новостных записей. Переносимость на диалекты Амдо и Кхам, классический тибетский и спонтанную разговорную речь не установлена; тест включал трёх дикторов. Модель распространяется по лицензии Apache-2.0.

allenai/tulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-prompts-value — англоязычная модель оценки ответов, выпущенная Allen Institute for AI как value-модель на этапе PPO-обучения семейства Tulu V2.5. Она дообучена на основе allenai/tulu-v2.5-70b-uf-rm; карточка также указывает исходную настройку от meta-llama/Llama-2-13b-hf. Архитектура — плотная Llama для классификации токенов, размер — 68,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для исследовательской работы с обучением по предпочтениям и может служить отправной точкой для экспериментов с PPO или улучшенного декодирования ответов выпущенных PPO-моделей Tulu. Она принимает англоязычный текст в формате, заданном шаблоном токенизатора, и выдаёт оценки в виде классификации токенов. Для запуска может потребоваться версия Transformers из исходного кода с поддержкой LlamaForTokenClassification. Лицензия — Apache 2.0.

fixie-ai/turntaking-multilingual-llama8b-2a — модель для извлечения признаков, опубликованная Fixie AI (ныне Ultravox AI) на Hugging Face. Она использует архитектуру Ultravox: аудиокодировщик Whisper соединён с текстовой моделью Llama через проекционный модуль. По конфигурации модель предназначена для обработки речи и представлена как компонент для сценариев определения очередности реплик; в карточке доступен pipeline feature-extraction. В конфигурации указаны аудиокодировщик Whisper и текстовая модель fixie-ai/turntaking-pretraining-it-multilingual-3c. Репозиторий содержит веса BF16 размером около 0,7 млрд параметров. Модель принимает аудио и формирует признаки; данные поиска не позволяют надёжно определить перечень поддерживаемых языков, длину контекста или лицензию. Для загрузки через Transformers карточка требует trust_remote_code=True.

Это модель семантической сегментации изображений семейства U-Net++, опубликованная в формате safetensors и предназначенная для использования с библиотекой segmentation-models-pytorch. По названию репозитория можно предположить, что в качестве энкодера используется TU-ResNet18, однако README не раскрывает параметры и метрики модели. Модель принимает изображения и выдаёт разметку по пикселям. README не сообщает, на каком наборе данных модель обучена, поэтому её точность и пригодность для конкретных изображений по карточке оценить нельзя. Лицензия модели — MIT.

smp-hub/upernet-swin-large — модель семантической сегментации изображений на архитектуре UPerNet с энкодером Swin Large. Карточка указывает, что модель обучена на наборе ADE20K, а для запуска инференса предлагаются библиотеки segmentation_models_pytorch и albumentations. Модель предназначена для присвоения пиксельных меток объектам и областям на изображении, например для анализа сцен и разделения их на семантические классы. Вес опубликован в формате safetensors; библиотека модели — segmentation_models_pytorch. Лицензия — MIT, допускающая использование согласно её условиям. Карточка не приводит число параметров, контекстную длину или перечень языков; для модели сегментации они не являются основными характеристиками. README не сообщает метрики качества и подробности о классах разметки, поэтому качество на данных, отличных от ADE20K, не установлено.

Карточка модели hosamEl1/vit-base-violence-detection на Hugging Face совпадает с карточкой jaranohaal/vit-base-violence-detection, поэтому описание составлено по ней. jaranohaal/vit-base-violence-detection — модель Vision Transformer (ViT), дообученная на основе google/vit-base-patch16-224-in21k для классификации изображений на категории «насилие» и «без насилия». Она предназначена для автоматической проверки изображений в системах модерации контента, видеонаблюдения и родительского контроля. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors; в карточке указана точность 98,8% на тесте. Модель принимает изображения и выдаёт метку класса. Обучение проводилось на наборе Real Life Violence Situations. Указанная точность не гарантирует таких же результатов на других данных: карточка не описывает состав тестовой выборки и подробности оценки. Лицензия — Apache-2.0.

Модель Kelvin Andreas для классификации дорожных знаков на изображениях. Она основана на Vision Transformer (ViT) и дообучена на базе google/vit-base-patch16-224-in21k для распознавания 43 классов набора данных GTSRB. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для распознавания немецких дорожных знаков в изображениях и может применяться в экспериментах или системах компьютерного зрения, которым нужно отнести знак к одному из 43 классов. В README указаны accuracy 0,9846, precision 0,9853, recall 0,9846 и F1 0,9846 на GTSRB. Лицензия — MIT.

WAN 2.2 QX Text Encoders (GGUF) — набор квантизированных текстовых энкодеров для системы генерации видео WAN 2.2 QX. Репозиторий опубликован пользователем или организацией wangkanai и содержит варианты архитектуры UMT5-XXL в формате GGUF, предназначенные для преобразования текстовых запросов в эмбеддинги. Энкодеры используются в сценариях text-to-video и image-to-video через пайплайн WAN 2.2 QX в библиотеке Diffusers. Доступны варианты квантования от Q3_K_S до Q8_0 с размером примерно от 2,7 до 5,7 ГБ и ориентировочным потреблением видеопамяти от 3 до 7,5 ГБ. Квантование снижает требования к памяти по сравнению с FP16, позволяя выбирать компромисс между размером модели, скоростью и качеством понимания запросов. Указаны архитектура UMT5-XXL примерно на 13 млрд параметров без квантования, контекст до 512 токенов, словарь более чем из 250 000 токенов и поддержка более 100 языков. Сильными сторонами набора являются мультиязычное понимание текста, несколько уровней точности и возможность запуска на видеокартах с ограниченной VRAM. Ограничения связаны с тем, что это не самостоятельная модель генерации, а компонент пайплайна WAN 2.2 QX; для работы также требуются совместимые Diffusers-компоненты и подходящее оборудование. Для минимального варианта заявлены 4 ГБ VRAM и 8 ГБ оперативной памяти, для более качественных вариантов рекомендуется 8–12 ГБ VRAM и более. В метаданных указана лицензия other, однако её конкретные условия в README не раскрыты. В репозитории представлены восемь вариантов энкодера, а их общий объём составляет около 30,2 ГБ.

Модель 0xb1/wav2vec2-base-finetuned-speech_commands-v0.02 — дообученная на наборе Speech Commands модель facebook/wav2vec2-base для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. На оценочной выборке автор сообщает точность 0,9759 и значение функции потерь 0,1170. Модель предназначена для распознавания классов коротких речевых аудиозаписей из задачи Speech Commands. Доступны веса PyTorch; модель опубликована по лицензии Apache-2.0. Карточка не уточняет перечень классов и языки аудиозаписей, поэтому их нельзя определить по имеющимся сведениям.

Wiola13M — компактная авторегрессионная языковая модель с архитектурой decoder-only Transformer, разработанная OSCOWL-AI и обученная с нуля. Модель содержит 12,1 млн параметров, принимает токенизированный текст и генерирует продолжение; длина контекста составляет 512 токенов. Она реализована на PyTorch и интегрируется с экосистемой Hugging Face Transformers, для загрузки требуется поддержка пользовательской архитектуры Wiola. Архитектура включает Spiral Rotary Positional Encoding, Gated Cross-Layer Attention, Dual-Stream Feed Forward Network и WiolaRMSNorm; Adaptive Token Merging применяется при обучении. Модель предназначена для экспериментов с языковыми моделями, дообучения, обучения и сравнения архитектур. Карточка указывает английский язык. Лицензия — Apache-2.0. Модель может генерировать недостоверную информацию и унаследовать смещения из обучающих данных; результаты требуют проверки человеком. Она не предназначена для медицинских, юридических или финансовых решений и других критически важных сценариев.

0xnu/AGTD-v0.1 — модель классификации текста на основе BERT, предназначенная для различения текстов, написанных человеком и сгенерированных искусственным интеллектом. Автор README — Finbarrs Oketunji; модель связана с набором данных dmitva/human_ai_generated_text. Модель содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. В репозитории указаны форматы Safetensors и TensorFlow. Карточка заявляет высокую точность и эффективность анализа, но не приводит численных результатов или подробностей оценки. Лицензия в метаданных — Apache-2.0.

Tabularis ModernBERT R1 — англоязычная модель классификации текста, разработанная Tabularis AI и дообученная на базе answerdotai/ModernBERT-base. Она определяет, похож ли входной текст на созданный искусственным интеллектом или человеком, и выдаёт вероятность класса AI. Модель использует архитектуру ModernBERT с классификационной головой и содержит 149 млн параметров; базовая модель поддерживает контекст до 8192 токенов, хотя обучение детектора проводилось с максимальной длиной последовательности 512 токенов. Модель рассчитана на выявление AI-текстов, в том числе при некоторых видах перефразирования и заменах слов. В README приведены результаты на тестовой части бенчмарка RAID: AUROC 0,9904 и TPR 0,9815 при FPR 5%. Для повышения устойчивости к некоторым Unicode-атакам авторы рекомендуют NFKC-нормализацию входа; заявленные улучшения после неё получены на локальной оценке. Модель выпущена под лицензией MIT. Это вероятностный классификатор, поэтому его оценку не следует трактовать как достоверное доказательство авторства текста. В README указаны потери качества при отдельных символьных атаках; конкретное применение требует проверки на целевых текстах и настройке порога под допустимую долю ложных срабатываний.

AIOKiet/atod-acdc-b0-yolov8s — модель обнаружения объектов на базе YOLOv8s, подготовленная как исходный B0-бейзлайн для экспериментов ATOD-Generalization. Она предназначена для поиска объектов на изображениях в условиях, представленных датасетом ACDC; обучение проведено на 1 600 изображениях, проверка — на 406. Модель распознаёт восемь классов, включая людей, велосипедистов и автомобили. В репозитории сохранён чекпойнт PyTorch best.pt. Для оценки автор повторно проверял лучший чекпойнт на валидационном разбиении ACDC; указанные метрики составляют precision 0,561, recall 0,397 и mAP50 0,403. Модель использует Ultralytics 8.4.160. Лицензия в предоставленных данных не указана.

hongyin/awareness-en-zh-bilingual-1.4b — авторегрессионная языковая модель на архитектуре BLOOM, разработанная для работы с английским и китайским языками. README указывает размер 1,4 млрд параметров, а метаданные Hugging Face — 1,8 млрд; из-за этого расхождения размер точно определить нельзя. Модель обучена предсказывать следующий токен на больших массивах неструктурированного текста и предназначена прежде всего как базовая инициализация для дальнейшего обучения. Её можно дообучить для нужной задачи; готовым чат-ботом она не является и для многоходового диалога требует дополнительного обучения. В репозитории указаны веса PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

BananaMind-2-Mini-Chat — компактная диалоговая языковая модель BananaMind, созданная полным дообучением BananaMind-2-Mini на наборе HuggingFaceTB/smol-smoltalk. Это декодерный Transformer с 25,2 млн параметров, контекстом 4096 токенов и пользовательским байтовым BPE-токенизатором на 8192 токена, учитывающим цифры. Модель поддерживает системные инструкции, многоходовые диалоги и генерацию с KV-кэшем; обучалась следовать инструкциям, при этом функция потерь применялась к ответам ассистента и завершающему токену EOS. Модель предназначена для локальных чат-экспериментов, обучения и сравнения методов настройки небольших языковых моделей. В самооценке на 300 примерах она показала лучшее качество на простых заданиях и многоходовых диалогах, но результат на сложных заданиях был слабым. Возможны галлюцинации, ошибки в арифметике и коде, а также повторяющиеся продолжения; не подходит для решений с высокими ставками. Для загрузки требуется Transformers с разрешённым пользовательским кодом. Лицензия — Apache-2.0.

Японская базовая модель BERT, выпущенная hitachi-nlp. Она предназначена для предсказания скрытых токенов в японском тексте и работает как masked language model с архитектурой BertForMaskedLM. Модель содержит 136,3 млн параметров, принимает последовательности длиной до 512 токенов и использует токенизацию MeCab + WordPiece; для загрузки токенизатора требуется файл словаря из репозитория разработчика. Модель подходит для восстановления пропусков в японских предложениях и как базовый компонент для задач обработки японского языка. В карточке указаны датасеты Wikipedia и CC-100. Доступны веса PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, запрещая коммерческое использование.

Koichi Yasuoka представляет CamemBERT-модель, предварительно обученную на тайских текстах и производную от PhayaThaiBERT с уточнённым токенизатором. Это плотная модель архитектуры CamemBERT с 304,7 млн параметров, предназначенная для задачи заполнения маски и дообучения для последующей обработки тайского текста. Модель может предсказывать замаскированные токены, а после дообучения — применяться, например, для разметки частей речи и синтаксического анализа зависимостей. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт текстовые предсказания. Распространяется по лицензии Apache-2.0.

Hello-SimpleAI/chatgpt-qa-detector-roberta — классификатор на базе RoBERTa, разработанный Hello-SimpleAI для определения того, был ли ответ на вопрос создан ChatGPT. Модель обучена на парах «вопрос—ответ» из полного отфильтрованного набора Hello-SimpleAI/HC3 и рассчитана на один проход обучения по этим данным. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. Она подходит для анализа ответов на вопросы и сравнительных исследований обнаружения текста, созданного ChatGPT. Карточка ссылается на статью arXiv:2301.07597 и проект Hello-SimpleAI по обнаружению ChatGPT; лицензия в предоставленных данных не указана.

hfl/chinese-roberta-wwm-ext — китайская предобученная модель семейства BERT с маскированием целых слов (Whole Word Masking), опубликованная HFL. Это плотная модель для заполнения пропусков в тексте: она предсказывает замаскированные токены и может служить основой для задач понимания китайского текста после соответствующей настройки. Модель содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для обработки китайского языка. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает предобучение, но не приводит результатов оценки качества или специализированных ограничений; доступные сведения указывают на задачу заполнения масок.

Модель tanganke/clip-vit-base-patch32_stanford-cars — дообученная на датасете Stanford Cars визуальная часть CLIP ViT-B/32, основанная на openai/clip-vit-base-patch32. Архитектура ViT-Base разбивает изображение на патчи размером 32 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для извлечения признаковых векторов изображений автомобилей и исследований компьютерного зрения на наборе Stanford Cars. В README приведены результаты оценки: 0,5987 для предобученной модели и 0,7819 после дообучения; метрика не уточнена. Это визуальный энкодер: он принимает изображения и выдаёт представления признаков, а не готовые текстовые ответы. Модель разработана tanganke и опубликована 28 апреля 2024 года. Сведения о лицензии в доступных данных отсутствуют.

Модель tanganke/clip-vit-large-patch14_stanford-cars — дообученная версия CLIP ViT-Large/14 на датасете Stanford Cars. Она содержит около 402,7 млн параметров и использует архитектуру CLIPVisionModel для извлечения признаков изображений. Модель подходит для получения представлений изображений автомобилей и задач классификации в сценариях, связанных с набором Stanford Cars. В README приведены результаты оценки: 0,777 для предварительно обученной модели и 0,927 после дообучения. В метаданных указан формат safetensors. Сведения о лицензии и поддерживаемых языках отсутствуют; языковая генерация не заявлена.

Configurable-Llama-3.1-8B-Instruct — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная vicgalle и дообученная методом configurable safety tuning на наборе vicgalle/configurable-system-prompt-multitask. Она генерирует текст в формате диалога и позволяет задавать поведение системным промптом: от безопасного помощника до помощника с отключёнными ограничениями, а также задавать роль или персону. Модель рассчитана на исследование управляемости поведения, безопасности и выравнивания языковых моделей, а также на эксперименты с системными промптами и ролевыми диалогами. Размер по метаданным — 7,5 млрд параметров, контекст — до 131 072 токенов; для работы используется Transformers, веса опубликованы в формате safetensors. Поддерживаемый язык в источниках явно не перечислен. Модель может генерировать вредный или оскорбительный контент, в том числе по запросу, поэтому результаты требуют проверки и осторожного применения. Лицензия — Apache-2.0; README описывает модель как исследовательский артефакт в области безопасности и выравнивания.

NVIDIA Cosmos Reason 2 — дообученная мультимодальная модель с 32 млрд параметров для физических задач ИИ, робототехники и автономных систем. Она основана на Qwen/Qwen3-VL-32B-Instruct и принимает изображения и текстовые запросы, чтобы рассуждать о пространстве, времени, физике и происходящем в реальном мире. Модель поддерживает диалог, интерфейс вызова инструментов, локализацию объектов с координатами точек и рамок, а также объяснения и метки. Заявлена поддержка контекста до 256 тыс. входных токенов. Модель предназначена для анализа видео, отбора и аннотирования сенсорных данных, а также планирования действий воплощённых агентов, включая роботов и автономные автомобили. NVIDIA указывает, что модель готова к коммерческому использованию; лицензия в метаданных обозначена как other, поэтому перед внедрением следует проверить её условия. Поскольку выводы могут влиять на физические действия роботов, ошибки рассуждений и локализации могут привести к небезопасному поведению.