II.10Разработка и эксплуатация AI/ML-систем

Math-doc-refining-lm — языковая модель, разработанная на основе gair-prox/RedPJ-ProX-0.7B и дообученная для уточнения математических документов посредством генерации программ. Её можно применять к математическим корпусам предобучения, например Open-Web-Math. Модель построена на плотной архитектуре Llama и содержит около 710 млн параметров. Она принимает текст и генерирует текст; в первую очередь предназначена для англоязычных материалов. Максимальная длина контекста составляет 2048 токенов. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

Mellum2-12B-A2.5B-Base-Pretrain — предварительно обученная причинно-следственная языковая модель JetBrains из семейства Mellum2. Это контрольная точка до расширения контекста, предназначенная для исследований по увеличению контекстного окна и для продолжения предобучения или тонкой настройки на 8K контексте. Для прикладного использования README рекомендует версии Base, Instruct или Thinking. Модель использует архитектуру Mixture-of-Experts: 64 эксперта, из которых активируются 8 на каждый токен. В ней 28 слоёв, размер скрытого состояния 2304 и комбинируются слои скользящего окна и полного внимания. Контекст составляет 8192 токена, окно скользящего внимания — 1024 токена. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Репозиторий содержит веса safetensors и модель использует библиотеку Transformers. Модель распространяется по лицензии Apache 2.0. Это базовая модель продолжения текста, а не инструктивный чат-чекпойнт; её пригодность для конкретного приложения зависит от последующей настройки. README отмечает, что расширение контекста ещё не применено.

MESIE-MultiAudio-v1-alpha — компактная модель класса MultiAudioTransformer, опубликованная ItsNotAI LABS. Это клиентская реализация для запуска классификации аудио в браузере и мобильных приложениях: веса доступны в ONNX, PyTorch и Safetensors, а README описывает исполнение через ONNX Runtime и WebAssembly. В метаданных указано около 917,5 тыс. параметров; README приводит 797 584 обучаемых параметра и буфер позиционного кодирования размером 640 000 элементов. Модель предназначена для офлайн-классификации аудио на устройстве, в том числе в приложениях на React, Next.js и React Native. Лицензия — Apache-2.0. Версия обозначена как alpha; README заявляет задержку инференса 1,384 мс, однако не приводит набор классов, обучающие данные или методику измерения, поэтому пригодность для конкретной предметной области по карточке оценить нельзя.

MESIE Spectral Engine v1 alpha — компактная трансформерная модель классификации аудио от ItsNotAI LABS. Репозиторий включает веса PyTorch и ONNX, а также вариант для запуска через ONNX Runtime Web и WebAssembly в браузерах и мобильных приложениях. По README, модель рассчитана на локальный офлайн-инференс; заявлены 795 399 обучаемых параметров, размер ONNX-файла 5,5 МБ и задержка инференса 1,09 мс. Метаданные указывают около 917,5 тыс. параметров и лицензию Apache-2.0. Модель подходит для интеграции классификации аудио в React, Next.js и React Native-приложения. README не раскрывает набор классов, обучающие данные, поддерживаемые языки или условия измерения задержки, поэтому качество и пригодность для конкретных звуковых категорий по имеющейся информации оценить нельзя.

MetaAligner-HH-RLHF-1.1B — языковая модель проекта MetaAligner для выравнивания ответов диалогового ИИ-ассистента с заданными предпочтениями. Она дообучена на TinyLlama/TinyLLaMA-1.1B с использованием данных, созданных на основе Anthropic HH-RLHF, и рассчитана на работу с многоходовым контекстом диалога. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 1 млрд параметров и поддерживает контекст до 2048 токенов. Она предназначена для генерации ответов на английском языке и экспериментального выравнивания по нескольким целям, включая цели, не встречавшиеся при обучении. Репозиторий содержит веса PyTorch и предоставляет их по лицензии MIT. Результаты в карточке описаны как экспериментальные; качество выравнивания для конкретных целей следует проверять отдельно. Ограничение контекста — 2048 токенов.

MetaAligner-HH-RLHF-7B — дообученная модель проекта MetaAligner на базе Meta LLaMA 2 7B. Это плотная авторегрессионная языковая модель семейства Llama с 6,6 млрд параметров, рассчитанная на контекст до 4096 токенов. Она обучена на данных Anthropic HH-RLHF и дополнительном наборе MetaAligner для настройки ответов общего ассистента под несколько заданных предпочтений в контексте многоходового диалога. По описанию проекта, модель также предназначена для согласования с ранее не встречавшимися целями без дообучения под каждую из них. Модель подходит для экспериментов с управляемым поведением диалогового ассистента и исследованием многокритериального согласования ответов. README предлагает использовать её через Transformers. Поддерживаемый язык карточки — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Заявленные в README результаты относятся к экспериментам проекта; независимые гарантии качества для конкретных целей не приводятся.

MindLens — это кросс-энкодер на архитектуре BERT, дообученный разработчиком репозитория на парах запросов и фрагментов текста для ранжирования материалов по психическому здоровью. Модель использует 25,9 млн параметров и принимает совместно текст запроса и текст фрагмента; длина контекста составляет до 512 токенов. В конвейере MindLens она переупорядочивает 20 результатов поиска из ChromaDB, чтобы передать три наиболее релевантных фрагмента генератору терапевтических ответов. Модель обучена на данных Counsel Chat: пары с ответами консультантов использовались как положительные примеры, а ответы на другие темы — как отрицательные. Для применения описан интерфейс CrossEncoder из Sentence Transformers. README сообщает высокие результаты на отложенном тестовом наборе, однако они получены на данных той же предметной области и сами по себе не подтверждают качество в других сценариях. Лицензия — Apache-2.0.

Felladrin разработал Minueza-32M-UltraChat — компактную диалоговую языковую модель с плотной архитектурой MistralForCausalLM и 22,8 млн параметров. Это дообученная методом SFT модель Felladrin/Minueza-32M-Base, обученная на диалоговых данных UltraChat 200k в формате ChatML. Модель предназначена для генерации текста в формате беседы: она принимает сообщения system и user и продолжает их ответом assistant. Контекст составляет 2048 токенов; основным указан английский язык. Модель опубликована в формате Safetensors, а также доступны варианты GGUF и ONNX. Карточка приводит результаты оценки на Open LLM Leaderboard и лицензию Apache 2.0. Из-за небольшого размера модели её возможности ограничены по сравнению с крупными языковыми моделями; приведённые результаты не гарантируют качество ответов в конкретных задачах.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-it — модель на базе архитектуры ModernBERT, опубликованная в пространстве EuroEval. Она предназначена для задач token classification, то есть для присвоения меток отдельным токенам входного текста. Модель содержит около 140,5 млн параметров и поддерживает контекст длиной до 8192 токенов. По названию репозитория она связана с оцениванием синтетических галлюцинаций в сценариях вопросов и ответов с использованием RAGTruth для итальянского набора данных, однако README не раскрывает подробности обучения, оценки, языковой поддержки и практического применения. README не содержит сведений о разработчиках, лицензии, результатах тестирования, ограничениях и рекомендациях по использованию. Поэтому модель следует применять преимущественно для исследовательских и оценочных экспериментов, а результаты проверять на данных целевого сценария.

MobileLLM-R1-140M-base — базовая авторегрессионная языковая модель из семейства MobileLLM-R1, разработанного Meta и опубликованного Facebook. Она содержит 140 млн параметров, использует архитектуру семейства Llama 4 и предназначена для генерации текста, дальнейшего дообучения и оценки компактных моделей рассуждения. Модель принимает текст и генерирует текст. В карточке для семейства указаны контекст 4 тыс. токенов и словарь размером 128 тыс.; модель ориентирована на английский язык. Семейство MobileLLM-R1 исследует математические, научные и программные задачи, однако в README отдельно оговорено, что это не универсальные чат-модели; подробности о качестве именно версии 140M в предоставленном фрагменте отсутствуют. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers; README также описывает запуск через vLLM после регистрации архитектуры. Лицензия указана как other, поэтому точные условия использования следует сверить с файлами лицензии репозитория.

Muse-Glimmer-30B-DFlash2-GGUF — набор GGUF-конвертаций черновой модели DFlash 2, связанной с Muse-Glimmer-30B. Модель разработана Inco AI и предназначена для работы совместно с целевой моделью meta-models/Muse-Glimmer-30B в режиме спекулятивного декодирования через совместимый сервер, например llama.cpp. Самостоятельно генерировать текст она не может: она предлагает черновые токены, которые затем проверяются целевой моделью. DFlash 2 использует блочно-диффузионный подход: за один проход предсказывает блок токенов, сохраняет наиболее вероятных кандидатов для каждой позиции, а селектор выбирает согласованный путь. Двухконтурные динамические свёртки в основной сети помогают сохранять качество ближе к концу блока. Заявлено без потерь: при жадной генерации результат совпадает с целевой моделью, а при sampling сохраняется её распределение. Доступны варианты BF16 размером 5,5 ГБ, Q8_0 размером 2,9 ГБ и Q4_K_M размером 1,6 ГБ. Основное преимущество — ускорение декодирования целевой модели за счёт параллельной подготовки блоков токенов; в приведённой оценке средняя длина принятого фрагмента составила около 5,4–5,6 токена на шаг проверки. Ограничения заключаются в необходимости совместимой реализации DFlash 2, целевой модели и специализированной конфигурации сервера; модель не является самостоятельной LLM. Репозиторий распространяется по лицензии Apache-2.0.

nanoVLM-222M — компактная мультимодальная модель для работы с изображениями и текстом, разработанная в рамках проекта nanoVLM. Она объединяет визуальный энкодер ViT на базе SigLIP-B/16-224 и причинную языковую модель SmolLM2 с проекционным слоем; размер модели составляет 222 млн параметров. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ. Модель обучена примерно на 1,7 млн примеров набора The Cauldron. В README указана точность 35,3% на MMStar после примерно шести часов обучения на одном GPU NVIDIA H100. nanoVLM рассчитана на эксперименты с обучением и устройством компактных vision-language-моделей, а также на разработку прототипов с небольшими вычислительными затратами. Репозиторий содержит веса в формате safetensors и использует библиотеку nanoVLM. Лицензия — Apache-2.0. Указанный результат MMStar характеризует конкретную оценку и не гарантирует качество на других задачах; компактный размер модели также может ограничивать точность и охват возможностей по сравнению с более крупными VLM.

NeuroBERT — компактная англоязычная модель на базе BERT, опубликованная boltuix и дообученная на google-bert/bert-base-uncased. По метаданным это 16,2 млн параметров, архитектура BertForMaskedLM, формат safetensors и контекст до 512 токенов. README также заявляет 8 слоёв, размер скрытого состояния 256 и квантованный размер около 57 МБ, однако число параметров там отличается от метаданных. Модель предназначена для заполнения пропусков в тексте и классификации коротких фраз, в частности для распознавания намерений и разбора команд умного дома или IoT-устройств. Её позиционируют для локального офлайн-запуска на мобильных и встраиваемых устройствах, где важны задержка и приватность. README перечисляет также семантическое сходство и распознавание сущностей, но не приводит подробных результатов оценки для этих сценариев. Модель принимает текст и выдаёт предсказания токенов или метки классификации. Указанная в README оценка заполнения пропусков основана на десяти примерах и названа гипотетической, поэтому она не подтверждает общее качество модели. Лицензия MIT допускает коммерческое и личное использование.

Это уменьшенная версия NLLB-200-600M, опубликованная пользователем slone: модель M2M-100 для перевода текста между языками. В ней 6 слоёв вместо 12 и размер скрытого представления 512 вместо 1024; в README указано 175 млн параметров, а в метаданных Hugging Face — 156,3 млн. Она дообучена на подмножестве slone/nllb-200-10M-sample с примерами для 175 языков, отобранными по BLASER score выше 3,5. Контекст — 1024 токена. Модель предназначена прежде всего как компактная основа для дальнейшего дообучения на небольшом наборе языков. README предупреждает, что качество перевода низкое, поэтому для готовых пользовательских переводов она не рекомендуется. Для специализированного дообучения рекомендуется предварительно сократить словарь до токенов целевых языков. Доступна в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

OpenELM-270M — компактная авторегрессионная языковая модель семейства OpenELM, разработанная Apple и обученная с использованием библиотеки CoreNet. Архитектура трансформера применяет послойное распределение параметров для повышения эффективности; вариант содержит 270 млн параметров. Модель предназначена для генерации текста и исследовательских экспериментов с небольшими языковыми моделями. Её можно использовать для генерации продолжений текста, простых ответов на вопросы и оценки поведения модели в языковых бенчмарках. Карточка приводит результаты на наборах ARC, BoolQ, HellaSwag, PIQA, SciQ, WinoGrande, MMLU и других. Модель предобучена на смеси общедоступных корпусов объёмом около 1,8 трлн токенов; язык данных и длина контекста в предоставленных сведениях не указаны. Лицензия — Apple AMLR. Разработчики предупреждают, что модель может выдавать неточные, вредные, предвзятые или неприемлемые ответы и не поставляется с гарантиями безопасности; перед применением нужны проверка и фильтрация результатов.

Orpheus 3B 0.1 Finetuned — модель синтеза речи (text-to-speech), разработанная CanopyAI и опубликованная в дополнительных вариантах дообучения. Она предназначена для преобразования текста в естественную, выразительную человеческую речь, включая сценарии с потоковой генерацией и приложениями реального времени. Модель основана на архитектуре Llama и имеет размер 3 млрд параметров. Она ориентирована на английский язык. Заявлены естественная интонация, эмоциональность и ритм речи, клонирование голоса в режиме zero-shot без предварительного дообучения, а также управление эмоциями и интонацией с помощью специальных тегов. Заявленная задержка потоковой генерации составляет около 200 мс и может снижаться примерно до 100 мс при потоковой передаче входных данных. Сведения о поддерживаемых модальностях ограничены задачей синтеза речи; размер контекста в README не указан. Модель подходит для голосовых интерфейсов, диалоговых систем, озвучивания контента и других приложений, где важны качество, выразительность и низкая задержка. Ограничения включают необходимость соблюдать требования к согласию при клонировании голоса и запрет на использование для выдачи себя за другого человека без согласия, дезинформации, мошеннических звонков и незаконной или вредоносной деятельности. Модель распространяется по лицензии Apache-2.0.

Prism — визуально-языковая модель Stanford ILIAD на основе Qwen 2.5 0.5B, совместимая с Prismatic. Она обучена на наборе Llava-1.5-Instruct и предназначена для задач, где нужно передать изображение и текстовый запрос и получить текстовый ответ. Модель можно использовать как основу для последующего обучения и дообучения в сценариях робототехники и визуального понимания. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Модель поддерживает английский язык и визуальный ввод; размер контекста и дополнительные характеристики в доступных данных не приводятся. Лицензия — MIT.

syssec-utd/py39-pylingual-v1-segmenter — модель RoBERTa для классификации токенов, дообученная командой syssec-utd на базе syssec-utd/py39-pylingual-v1-mlm на датасете segmentation-py39-pylingual-v1-tokenized. Она предназначена для сегментации последовательностей py39-pylingual-v1 с присвоением меток токенам. В README приведены результаты оценки: F1 0,9869, точность 0,9912, полнота 0,9828 и accuracy 0,9952. Модель содержит 136,3 млн параметров, использует библиотеку Transformers и формат safetensors; максимальная длина контекста — 514 токенов. Лицензия и подробности разметки в доступной карточке не приведены.

Felladrin/Pythia-31M-Chat-v1 — англоязычная диалоговая языковая модель Felladrin, дообученная на базе EleutherAI/pythia-31m. Она использует архитектуру GPT-NeoX и предназначена для генерации ответов в формате чата и продолжения текста по инструкции; для промпта рекомендуется последовательность system, user, assistant. Модель содержит 19,2 млн параметров, принимает текст и выдаёт текст. Размер контекста — 2048 токенов. При дообучении использовались наборы данных для диалогов, ответов на вопросы и инструкций, включая Dolly, WebGLM и OASST2. Модель компактна и подходит для экспериментов с чат-моделями и локального прототипирования, однако результаты оценки в README указывают на ограниченные возможности рассуждения; качество ответов может быть нестабильным. Веса опубликованы в формате safetensors. Лицензия модели — Apache-2.0.

HYU-NLP-EVAL/qwen3-4b-rar-medicine-onlinerubrics-seed11-step-030 — промежуточный чекпойнт Qwen3-4B-Instruct-2507, подготовленный командой HYU-NLP-EVAL в ходе обучения GRPO с динамическими OnlineRubrics-Every для медицинской тематики. Это плотная авторегрессионная модель Qwen3 с 3,7 млрд параметров, работающая через Transformers; контекст — до 262 144 токенов. Чекпойнт представляет состояние политики на шаге 30 с seed 11 и предназначен для аудита Phase 1 и исследовательского изучения поведения модели в задачах генерации текста и диалога. Модель принимает текстовые запросы и генерирует текст. README указывает, что режим thinking отключён, а чекпойнт является историческим промежуточным состоянием обучения. Медицинские возможности и безопасность не подтверждены; модель не валидирована для принятия клинических решений. Файлы модели доступны в формате BF16 и safetensors. Лицензия — Apache-2.0.

Это компактная текстовая модель Qwen3.5-0.8B, дообученная командой nvsh для выбора подходящей команды из фиксированного списка операций оболочки nvsh. Она оценивает варианты по вероятностям следующих токенов с однобуквенными метками; отдельная логика калибровки и порогов решает, предложить операцию, объяснить запрос или передать его более крупной модели. Аргументы команд формируются детерминированно средствами nvsh, сама модель их не генерирует и не является универсальным чат-ботом или инструментальным агентом. Модель содержит 581,4 млн параметров, использует плотную архитектуру Qwen3_5ForCausalLM, формат safetensors и контекст до 262 144 токенов. Она предназначена для англоязычных запросов в контексте устройств NVIDIA Jetson и DGX Spark и ограничена таблицей операций nvsh. В описанных испытаниях не было ошибочных предложений изменяющих состояние операций, однако на отложенной выборке модель иногда предлагала похожую операцию только для чтения вместо передачи запроса на эскалацию; точность предложений на отложенной выборке также была ниже. Для неё требуется Apache-2.0; в карточке отмечено, что эксплуатационный стек nvsh пока не загружает этот скорер.

Qwen3.6-35B-A3B-Leimroth5 — экспериментальная версия Qwen3.6-35B-A3B, подготовленная Скоттом Леймротом. Это MoE-модель с 35 млрд параметров, опубликованная в формате safetensors с квантизацией NVFP4 для экспертных слоёв; языковая голова остаётся в BF16. Модель предназначена для генерации текста в диалогах и исследования механизмов отказа, выравнивания и red teaming. В ней удалено поведение отказа ортогонализацией направления отказа, при этом мультимодальные компоненты и возможность обработки изображений сохранены. Заявленная длина контекста составляет 131 072 токена. Авторские замеры показывают, что модель реже отказывает, чем исходная, но примерно в половине проверенных запросов всё ещё отвечает уклончиво; результаты получены на небольшом наборе и не прошли независимую проверку. Автор рекомендует не применять модель напрямую в пользовательских сценариях без собственного защитного слоя. Лицензия — Apache-2.0.

Qwen3.8-27B-DFlash2-GGUF — это набор конвертированных форматов GGUF черновой модели DFlash 2, разработанной Inco AI для ускоренного спекулятивного декодирования базовой модели Qwen/Qwen3.8-27B. Репозиторий поддерживается z-lab и предназначен для работы с llama.cpp. Модель не является самостоятельной языковой моделью: она генерирует черновой блок токенов, который затем проверяется целевой моделью Qwen3.8-27B. DFlash 2 использует архитектуру блочной диффузии: предсказывает несколько токенов параллельно, сохраняет наиболее вероятных кандидатов и выбирает согласованный путь с помощью лёгкого селектора. Две динамические свёртки в основной части модели помогают сохранять качество прогнозов к концу блока. Указано, что жадная генерация совпадает с выводом целевой модели, а при sampling сохраняется её распределение. Доступны варианты BF16 размером 3,8 ГБ, Q8_0 размером 2,0 ГБ и Q4_K_M размером 1,1 ГБ; заявленная acceptance length в тесте GSM8K составляет 5,13–5,39 токена на шаг проверки. Модель предназначена для серверов спекулятивного декодирования и может повысить эффективность генерации при использовании совместимой версии llama.cpp с поддержкой DFlash 2. README не сообщает отдельные сведения о языках, длине контекста, мультимодальности или самостоятельных задачах базовой модели, поэтому эти характеристики нельзя определить по представленным данным. Распространение указано по лицензии Apache-2.0.

VikramPal/Qwen3-Omni-30B-A3B-Thinker-bf16 — дообученная версия компонента Thinker модели Qwen3-Omni от Qwen, предназначенная прежде всего для классификации намерений по речи в наборе SLURP. По описанию, QLoRA-дообучение с последующим объединением весов подняло точность на тестовом протоколе SLURP с 79,40% у исходного чекпойнта до 86,80% на 500 примерах. Это мультимодальная модель класса Qwen3OmniMoeThinkerForConditionalGeneration с примерно 31,7 млрд параметров; она принимает аудио, изображения, видео и текст, но выдаёт только текст. Модель рассчитана на английскую речь и фиксированный сценарий классификации по меню из 60 намерений. Результаты не подтверждают качество на других языках, задачах и акустических условиях, а мультимодальные возможности базовой модели отдельно не оценивались. Веса занимают около 59,08 ГиБ, поэтому для запуска автор рекомендует видеокарту с 80 ГиБ памяти либо распределение модели по нескольким устройствам. В README указана лицензия «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

Это декодер речевого токенизатора Qwen3-TTS с частотой 12,5 Гц, подготовленный loom-ai-org для запуска в loom.cpp. Он принимает кодовые последовательности аудиокодека — 16 кодов на кадр в порядке codebook — и восстанавливает из них аудио с частотой 24 кГц. Это декодирующая часть кодека, а не языковая модель: она не принимает текст и сама не синтезирует речь по тексту; для получения кодов требуется совместимая модель talker, например qwen3-tts-12hz-0.6b-loom. Веса исходной Qwen/Qwen3-TTS-12Hz-0.6B-Base не изменены: репозиторий упаковывает их в формат GGUF для loom.cpp. Модель предназначена для декодирования речи блоками; при обработке более 300 кадров (около 24 секунд) разбиение на блоки важно для соответствия поведению эталонного декодера. Лицензия — Apache-2.0.

Qwen3-VL-4B-Instruct-abliterated-v1 — дообученная мультимодальная модель prithivMLmods на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые инструкции и предназначена для подробных описаний изображений, визуального рассуждения и диалоговых ответов, в том числе о сложном или чувствительном содержании. По карточке, модель справляется с разными соотношениями сторон и стилями изображений и позволяет варьировать детализацию ответа. Поддерживается библиотекой Transformers; веса доступны в формате safetensors. Основной язык — английский, также заявлена возможность отвечать на других языках при соответствующих инструкциях. Лицензия — Apache-2.0. Модель описана как abliterated-вариант, настроенный на обход обычных фильтров контента. Она может выдавать откровенные, чувствительные или оскорбительные описания, поэтому не подходит для систем, которым необходима строгая модерация. Точность может снижаться на незнакомых, синтетических и абстрактных изображениях, а стиль ответа зависит от формулировки запроса.

KLUE RoBERTa large — предварительно обученная на корейском языке модель семейства RoBERTa, опубликованная проектом KLUE. Она предназначена для задач понимания корейского текста; метаданные указывают основную задачу заполнения пропусков в тексте. Модель содержит 435,4 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Модель подходит для подстановки наиболее вероятных токенов вместо маскированных фрагментов корейского текста и как предобученная основа для последующей адаптации к задачам обработки корейского языка. Для загрузки токенизатора в Transformers карточка рекомендует AutoTokenizer, который использует BertTokenizer. Веса доступны в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

SafeSynth RT-DETRv2-R18 Hard-Hat Detector — модель обнаружения объектов, разработанная в рамках проекта SafeSynth и дообученная на базе PekingU/rtdetr_v2_r18vd с backbone ResNet-18. Она находит на изображениях каски, непокрытые каской головы и людей; классы каски и головы предназначены для прототипирования контроля ношения касок на строительных площадках. Модель принимает изображения и выдаёт классы объектов с рамками локализации. В README приведены результаты контролируемого сравнения: опубликован вариант, обученный только на 3 500 реальных изображениях, без синтетических данных. Чекпойнт предназначен для исследований, обучения, воспроизводимых сравнений и прототипов. Класс person ненадёжен из-за неполной разметки исходного набора данных. Показатели получены на одном фиксированном тестовом наборе и с одним seed, поэтому не гарантируют качество на других площадках и камерах; порог обнаружения следует калибровать под условия применения. Модель не является сертифицированным средством безопасности и не должна быть единственным основанием для решений, способных навредить работникам. Лицензия — Apache-2.0.

SegFormer B0 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; энкодер предварительно обучен на ImageNet-1k, затем модель дообучена для сегментации сцен. Модель назначает пиксели изображениям классам объектов и элементов сцены. Её можно применять для семантической сегментации фотографий и разбора сцен; карточка приводит ADE20K и Cityscapes как ориентиры для таких задач. Вход — изображение, выход — карта сегментации. В метаданных указаны PyTorch, TensorFlow и safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

SegFormer-B0 от NVIDIA — модель семантической сегментации изображений, дообученная на наборе Cityscapes при разрешении 768×768. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; исходная модель предварительно обучалась на ImageNet-1k, затем дообучалась на целевой задаче. Модель предназначена для попиксельной разметки городских сцен, например для анализа изображений улиц и дорожной инфраструктуры. Репозиторий содержит веса в форматах PyTorch и TensorFlow. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.