II.10Разработка и эксплуатация AI/ML-систем

NVIDIA SegFormer-B3 — модель семантической сегментации изображений, дообученная на ADE20K для входных изображений с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; исходная модель SegFormer представлена в работе Xie и соавторов. В карточке Hugging Face указаны реализации для PyTorch и TensorFlow. Модель предназначена для присвоения классов пикселям изображения и подходит для анализа сцен, например выделения дорог, зданий и других объектов окружения. Она обучена на наборе ADE20K; карточка также отмечает ImageNet-1k как источник предварительного обучения энкодера. Веса опубликованы под лицензией `other`; конкретные условия лицензии следует проверять в репозитории модели. Модель выполняет семантическую сегментацию, а не классификацию изображения целиком.

izzako/segformer-b5-finetuned-IDD-L2_v2 — модель семантической сегментации изображений, дообученная на наборе IDD 20K Semantic Segmentation Dataset на базе nvidia/mit-b5. Она размечает пиксели уличных сцен, включая дороги, парковки, тротуары, железнодорожные пути, людей, транспорт, здания, растительность и небо. Модель подходит для анализа дорожных сцен и восприятия городской инфраструктуры по изображениям. В README приведены результаты на оценочной выборке: mean IoU 0,718, mean accuracy 0,822 и общая точность 0,908. Качество различается по классам: например, IoU дороги составляет 0,939, а ограждений — 0,457. Файлы модели представлены в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

silma-tts-derja — модель синтеза речи по тексту, созданная Ghazouaniwala как дообучение F5-TTS для тунисского диалекта арабского языка Derja. Она предназначена для разговорных приложений для пользователей из Туниса: голосовых помощников, систем поддержки и коучинга, средств доступности и образовательных программ. Модель также рассчитана на переключение между Derja и французским в одной речи. Модель использует F5-TTS и формирует речь с учётом эталонной аудиозаписи. В поставке используется английский эталонный фрагмент, поэтому запись носителя Derja может улучшить просодию. Обучающий корпус ограничен: покрытие редкой лексики и региональных вариантов Туниса неоднородно; формальная оценка MOS не проводилась. В исходной конфигурации синтез ограничен производительностью CPU, а GPU примерно вдвое снижает задержку. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

HuggingFaceTB разработала stack-edu-classifier-php — классификатор для оценки образовательной ценности PHP-файлов с кодом в датасете The Stack v2. Модель дообучена на bigcode/starencoder с классификационной головой; обучающие примеры размечены моделью Llama 3.1 70B Instruct. Её применяли при создании датасета Stack-Edu для обучения SmolLM2. Модель основана на BERT-подобной архитектуре StarEncoder, содержит 151 млн параметров и принимает до 1024 токенов. Она классифицирует отдельные файлы PHP-кода; это узкоспециализированная модель, рассчитанная на целевой язык программирования. Сведения о лицензии в предоставленных данных отсутствуют.

stanfordnlp/stanza-sme — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа северносаамского языка (sme). Репозиторий содержит PyTorch-модель для разметки токенов; Stanza предназначена для обработки текста от исходной формы до синтаксического анализа и распознавания именованных сущностей. Модель подходит для включения в NLP-конвейеры для северносаамского текста, где требуется токен-классификация. Карточка не уточняет конкретные классы разметки, размер модели или ограничения её качества. Лицензия репозитория — Apache-2.0.

Stentor3-20M — базовая авторегрессионная языковая модель StentorLabs, обученная с нуля. Это компактный декодер LlamaForCausalLM примерно на 19 млн параметров с Grouped Query Attention и контекстом до 4096 токенов. Модель обучалась на корпусах веб-текстов, кода и математики; карточка указывает датасеты FineWeb-HQ, finemath и The Stack v2. Модель предназначена для продолжения текста, исследований и прототипирования, а также экспериментов с маломощным развёртыванием и speculative decoding. Это не чат-ассистент: она не настроена следовать инструкциям и не проходила настройку безопасности. Английский — основной язык; токенизатор TokenMonster с англоязычным словарём на 4096 токенов плохо подходит для других языков. Для загрузки токенизатора нужны пакет tokenmonster и trust_remote_code=True. Лицензия — Apache-2.0.

Supra1.5-50M-Base-exp — базовая языковая модель SupraLabs на архитектуре Llama, полученная продолженным предобучением SupraLabs/Supra-50M-Base. Веса полные, без LoRA-адаптера; модель содержит 51,8 млн параметров и использует библиотеку Transformers. Модель обучалась предсказывать следующий токен на упакованных текстовых данных. Обучающая смесь включала диалоги ChatML, примеры вызова инструментов, фактические тексты и задачи на математику и логику. Модель предназначена прежде всего как основа для последующей контролируемой тонкой настройки и обучения с подкреплением, а не как готовый инструкционный чат-бот. Контекст расширен с 1 024 до 5 120 токенов с помощью масштабирования RoPE. Используются архитектура LlamaForCausalLM и исходный токенизатор Supra-50M; формат весов — safetensors. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. Из-за малого размера модель ограничена в сложности рассуждений и качестве ответов, а продолженное предобучение само по себе не гарантирует корректное следование инструкциям.

Это исследовательский чекпойнт на базе диалоговой Meta Llama 2 7B Chat, сжатый методом SVD-LLM и затем изменённый итеративной перестановкой параметров по правилу gap_iter. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM, формат safetensors и контекст до 4096 токенов; основная задача — генерация текста в диалоговом режиме. Чекпойнт создан для изучения того, как сжатие влияет на безопасность и полезность ответов, и для измерения восстановления поведения после сжатия. В README приведены метрики атак и избыточных отказов, но модель прямо обозначена как экспериментальный объект, а не универсальный чат-ассистент. Перед использованием результаты следует самостоятельно оценить. Лицензия указана как Llama 2.

sshleifer/tiny-ctrl — компактный текстовый генератор на архитектуре CTRL, опубликованный Sam Shleifer на Hugging Face. Карточка показывает использование через Transformers для продолжения текста по заданному запросу; репозиторий содержит веса PyTorch и TensorFlow. По метаданным модели соответствует задаче text-generation и имеет контекстное окно 50 000 токенов. Модель подходит для экспериментов и проверки конвейеров генерации текста с небольшим чекпойнтом. Данных, подтверждающих языковую специализацию, качество генерации или конкретные управляющие возможности этого чекпойнта, карточка не приводит. Лицензия и подробное описание ограничений не указаны в доступной карточке.

felafax/tokenizer-llama-3.1-8B-Instruct-JAX — это репозиторий с токенизатором для JAX-ориентированной реализации Llama 3.1 8B Instruct, опубликованный организацией Felafax. Это не самостоятельная генеративная модель и не содержит полного набора параметров языковой модели; токенизатор преобразует текст в токены и обратно для использования совместно с соответствующими весами Llama 3.1 8B Instruct в JAX-инфраструктуре. Базовая модель Llama 3.1 8B Instruct разработана Meta и представляет собой instruction-tuned текстовую autoregressive language model примерно на 8 млрд параметров. Она предназначена для диалоговых ассистентов, генерации и преобразования текста, многоязычных сценариев, синтетических данных и последующего fine-tuning. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки; заявлено контекстное окно до 128K токенов. Архитектура использует Grouped-Query Attention. Информация о специальных преимуществах или изменениях токенизатора Felafax по сравнению с оригинальным токенизатором Meta не представлена, поэтому его характеристики следует считать совместимыми с базовой моделью, а не отдельными свойствами. Использование связано с Llama 3.1 Community License и требованиями Acceptable Use Policy Meta, включая условия распространения и атрибуции. Для практического применения необходимы совместимые веса Llama 3.1 8B Instruct и JAX-совместимый код; сам репозиторий токенизатора не предназначен для генерации текста без модели.

Jackrong/Trace-Inverter-4B — экспериментальная языковая модель на 3,7 млрд параметров, созданная Jackrong дообучением Qwen/Qwen3-4B-Instruct-2507. Она расширяет краткие сводки рассуждений и известные финальные ответы в более длинные синтетические цепочки рассуждений, сохраняя порядок шагов и дополняя пропущенные промежуточные выводы. Модель предназначена прежде всего для подготовки синтетических данных для дообучения reasoning-моделей и для исследовательских экспериментов по восстановлению трасс рассуждений. Она принимает текст и выдаёт текст; в метаданных указана поддержка английского, китайского, испанского, японского, русского и корейского языков, а максимальный контекст составляет 262 144 токена. Модель компактна и может служить предварительным этапом генерации данных, однако её выход — реконструкция, а не подлинная скрытая цепочка рассуждений исходной модели. Она зависит от корректности предоставленного ответа, может добавлять неподтверждённые детали и повторять шаблонные формулировки; математические и другие критичные результаты требуют проверки. README характеризует её как доказательство концепции с ограниченным объёмом обучающих данных, а не как наиболее сильную модель для сложных задач. Лицензия — Apache-2.0.

TR-HASH Vision v8 Nano — COCO — компактный детектор объектов AETHORIA-AI, обученный с нуля на COCO 2017. Он предназначен для обнаружения объектов на изображениях; модель оценивается на официальном разбиении COCO val2017, содержит ветви инференса O2M и NMS-free и распознаёт 80 классов COCO. Архитектура — иерархический anchor-free vision tower с маршрутизацией пространственных токенов к двум узким экспертам из восьми и общей ветвью SwiGLU. Модель содержит 2,53 млн параметров и рассчитана на входное разрешение 640 × 640. Веса опубликованы в формате safetensors; библиотека — complexity-framework. Это исследовательский чекпойнт после 50 эпох предварительного обучения. README отмечает, что точность ниже, чем у зрелых промышленных детекторов, а NMS-free ветвь требует дополнительной калибровки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

Virchow — модель извлечения признаков изображений, разработанная Paige и Microsoft Research для вычислительной патологии. Это самообучаемый vision transformer ViT-H/14 с 632 млн параметров, предварительно обученный на 1,5 млн гистопатологических whole-slide изображений. Модель принимает изображения тканей размером 224 × 224 и формирует эмбеддинги фрагментов; для задач с плотным выходом доступны также признаки патчей. Virchow предназначена для использования как замороженный экстрактор признаков или для дообучения под классификацию на уровне фрагментов и целых стекол, а также другие задачи вычислительной патологии. Она может служить основой для классификаторов, включая исследования редких видов рака, но сама по себе не является диагностической системой. Для работы требуются PyTorch и timm. Модель распространяется по Apache 2.0, однако для скачивания требуется регистрация и согласие с условиями доступа; авторы запрещают использовать её для диагностики, лечения или профилактики заболеваний у реальных пациентов.

trpakov/vit-face-expression — модель распознавания эмоций по изображениям лиц, разработанная автором репозитория и дообученная на FER2013. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и классифицирует выражение лица по семи категориям: злость, отвращение, страх, радость, грусть, удивление и нейтральное выражение. Модель принимает изображение лица и выдаёт метку класса эмоции. Её можно применять для анализа выражений на фотографиях и других изображениях лиц. В README указаны точность 71,13% на валидационной выборке и 71,16% на тестовой выборке FER2013. Качество может зависеть от смещений в обучающих данных и от того, насколько новые изображения похожи на обучающую выборку. Репозиторий распространяется по лицензии Apache-2.0.

mabahboh/wav2vec2-ser — модель классификации аудио, дообученная на основе elgeish/wav2vec2-large-xlsr-53-arabic. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 402,7 млн параметров. README сообщает о результатах на оценочном наборе: accuracy 0,5944, macro F1 0,5922 и UAR 0,5944. Модель предназначена для классификации аудиозаписей. Название репозитория предполагает задачу распознавания эмоций в речи, однако README не описывает классы, набор данных или сценарии применения, поэтому конкретное назначение классификатора по доступным сведениям подтвердить нельзя. Базовая модель ориентирована на арабскую речь, но поддерживаемые этой производной языки не перечислены. Модель распространяется по лицензии Apache-2.0.

mlboydaisuke/xfeat-litert — LiteRT-версия XFeat (Accelerated Features), созданная для извлечения локальных признаков и сопоставления изображений. Модель основана на официальных весах XFeat; автор репозитория заново описал вычислительный граф для GPU через litert_torch. Это компактная чистая CNN примерно на 1,5 млн параметров, опубликованная в формате TFLite с точностью FP16 и размером файла 1,4 МБ. Модель принимает нормализованное одноканальное изображение размером 480×640 в формате NHWC. Она выдаёт плотные дескрипторы, логиты ключевых точек и карту надёжности на сетке 60×80. Подавление немаксимумов, выборка дескрипторов и сопоставление взаимно ближайших соседей выполняются на стороне приложения. Репозиторий сообщает о полной работе на GPU LiteRT на Pixel 8a и совпадении результатов GPU с CPU/PyTorch с корреляцией 0,9999. Модель предназначена для сопоставления изображений, SLAM, дополненной реальности и регистрации изображений, включая выполнение на устройстве. Она выдаёт геометрические признаки и, согласно карточке, не распознаёт лица или личности. Лицензия — Apache-2.0. Заявленные показатели производительности проверены на Pixel 8a и сами по себе не гарантируют ту же скорость на других устройствах.

X-MOD Base — мультиязычная маскированная языковая модель, разработанная авторами работы «Lifting the Curse of Multilinguality by Pre-training Modular Transformers» и опубликованная в репозитории facebook. Модель содержит около 305,2 млн параметров, использует архитектуру X-MOD с языковыми адаптерами в слоях трансформера и токенизатор XLM-R. Она принимает текст и предсказывает замаскированные в нём токены; для инференса требуется выбрать языковой адаптер, соответствующий языку входа. Модель предварительно обучена на отфильтрованных данных CommonCrawl для 81 языка. Её можно дообучать для языковых задач, а модульная структура поддерживает перенос между языками, в том числе zero-shot перенос после дообучения. Контекст составляет 514 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT. Модель предназначена прежде всего для предсказания пропущенных слов и служит основой для дообучения на других языковых задачах. При дообучении авторы экспериментов замораживали языковые адаптеры и слой эмбеддингов. Для описания рисков и смещений карточка отсылает к XLM-R, обученной на сходных данных; результаты могут зависеть от правильного выбора языкового адаптера.

XPhoneBERT — модель VinAI для получения фонемных представлений, предназначенная прежде всего для использования в качестве входного фонемного энкодера в системах синтеза речи. Она предобучена на 330 млн предложений, записанных фонемами, почти для 100 языков и локалей; архитектура основана на BERT-base и использует подход предобучения RoBERTa. В репозитории указаны 114,8 млн параметров и контекст до 514 токенов. Представления XPhoneBERT могут улучшать естественность и просодию нейросетевого синтеза речи, а также помогать получать качественную речь при ограниченных обучающих данных. Модель принимает текстовые последовательности фонем и предсказывает замаскированные токены; для непосредственного синтеза аудио требуется отдельная TTS-система. Реализация доступна в формате PyTorch, лицензия — MIT.

Intel/zoedepth-nyu — модель оценки глубины по изображению, дообученная на наборе данных NYU. ZoeDepth разработана Shariq и соавторами и представлена в работе ZoeDepth: Zero-shot Transfer by Combining Relative and Metric Depth. Архитектура расширяет DPT: она преобразует относительную оценку глубины в метрическую, то есть предсказывает абсолютные значения глубины для сцены с одного изображения. Модель предназначена для монокулярной оценки глубины, в том числе переноса на новые сцены без дополнительного обучения. Она принимает изображение и выдаёт карту глубины. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Языковые возможности к модели не относятся.

Ghana-NLP/abena-base-asante-twi-uncased — модель семейства ABENA, разработанная Ghana NLP для языка Asante Twi, диалекта Akan. Она создана на основе multilingual BERT и дополнительно дообучена на данных Библии на Asante Twi; модель предназначена для задач языкового анализа и последующей адаптации под приложения для ганских языков. Модель использует архитектуру BERT с задачей masked language modeling и предназначена прежде всего для заполнения пропусков в тексте. Согласно метаданным, она содержит около 205,1 млн параметров и поддерживает контекст до 512 токенов; доступны реализации для Transformers, PyTorch, TensorFlow и JAX. Модель uncased, то есть не различает регистр. Её можно применять как базовую языковую модель для дообучения и извлечения контекстных признаков в задачах NER, анализа тональности, определения частей речи и машинного перевода. Основные ограничения связаны с узкой языковой специализацией, режимом masked language modeling и ограниченным объёмом доменных данных, использованных для варианта Asante Twi. Лицензия в доступных источниках не установлена.

AfriGuardPlain-AfriqueQwen3.5-4B-50Langs-lora-merged — диалоговая модель генерации текста, созданная дообучением с помощью LoRA базовой модели McGill-NLP/AfriqueQwen3.5-4B-50Langs. Разработчики обучили её на наборе adzcai/AfriGuard-plain, объединённом с базовыми весами; обучение использовало ответы без системной инструкции по безопасности. Модель предназначена для диалоговых сценариев, связанных с безопасностью контента, на африканских языках, поддерживаемых базовым семейством. Это плотная архитектура Qwen 3.5 с 4 млрд параметров; репозиторий содержит веса Safetensors для Transformers. В метаданных указана лицензия CC BY 4.0. Карточка описывает вариант без системного safety-промпта, поэтому поведение безопасности зависит от входного запроса и не гарантируется самой конфигурацией обучения. Доступность языков, кроме отмеченных в метаданных тегами, здесь не детализирована.

APT-1B-Base — базовая авторегрессионная языковая модель Azurro, обученная с нуля для генерации польского текста. Она использует плотную архитектуру Transformer типа decoder-only, совместимую с семейством LLaMA, и обучалась с помощью фреймворка ALLaMo. Размер модели — около 1,06 млрд параметров, контекст — 2048 токенов; для токенизации применяется BPE-токенизатор с словарём из 8000 токенов. Модель предназначена прежде всего для исследований и последующего дообучения: она может продолжать польский текст и служить базой для специализированных моделей. Обучение проводилось на польском корпусе объёмом около 3 млрд токенов, включавшем книги, польскую Википедию и веб-данные; всего использовано 20 млрд токенов обучения. Модель принимает и выдаёт текст. APT-1B-Base не рассчитана на непосредственное применение в диалоге или пользовательских системах без дообучения и дополнительных защитных механизмов. Она может генерировать фактические ошибки, предвзятые, оскорбительные или непристойные ответы. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

nanelimon/bert-base-turkish-bullying — модель на основе BERT, созданная Şeyma Sarıgil, Elif Sarıgil Kara, Murat Koklu и Alaaddin Erdinç Dal для определения видов травли в публикациях турецких социальных сетей. Она относит текст к одному из четырёх классов: нейтральное сообщение, провокация или оскорбление, сексизм и расизм; подходит для автоматической разметки и анализа постов и твитов. Модель построена на архитектуре BERT и содержит 211,6 млн параметров. Она обучалась на 3388 твитах из турецкого набора данных для выявления оскорбительного содержания. В README приведены accuracy 0,886 и метрики precision, recall и F1 по классам. Контекст ограничен 512 токенами; лицензия — MIT. Это специализированный классификатор турецких сообщений, поэтому результаты могут быть ненадёжны для других языков и жанров текста. Небольшой объём обучающих данных также ограничивает переносимость метрик на реальные потоки публикаций; в примере README модель загружается в TensorFlow из весов PyTorch.

BlenderBot 400M Distill — компактная диалоговая модель семейства BlenderBot от Facebook AI, основанная на архитектуре BlenderbotForConditionalGeneration. Модель предназначена для открытого общения на английском языке и обучена на наборе Blended Skill Talk; версия Distill содержит 62,7 млн параметров и поддерживает контекст длиной до 128 токенов. Модель генерирует ответы в многоходовом диалоге, сочетая вопросы и ответы с поддержанием беседы. Она подходит для прототипов чат-ботов и исследовательских экспериментов с открытым диалогом. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Как и другие открытые диалоговые модели, она может давать неуместные или фактически неверные ответы; карточка ссылается на исследование ограничений и ошибок моделей BlenderBot.

Boris-250M — базовая предварительно обученная языковая модель на 250 млн параметров, созданная New Millennium Artificial Intelligence (NMAI). Она построена на архитектуре GPT-2: 12 слоёв, 18 голов внимания, размерность скрытого представления 1152 и контекст до 1024 токенов. Модель принимает текст и продолжает его; она не проходила инструкционное дообучение и не предназначена для диалога или выполнения команд. Модель обучалась на 5,01 млрд токенов, включая FineWeb-Edu и DCLM Baseline. Её можно применять для экспериментов с генерацией и продолжением английского текста, а также как основу для дальнейшей настройки. Модель доступна в формате safetensors для Transformers по лицензии Apache-2.0. Для чекпойнта такого размера характерны неточные и непоследовательные ответы; он может генерировать оскорбительный текст. Модель не проходила настройку безопасности, поэтому не подходит для использования как источник фактов и требует контроля при генерации.

Koichi Yasuoka разработал эту модель DeBERTa V2, предварительно обученную на японских текстах из «Аозора Бунко» — цифровой библиотеки японской литературы. Это языковая модель с 137,8 млн параметров для заполнения пропусков в тексте; она рассчитана на входной контекст до 512 токенов и распространяется в формате PyTorch. Модель можно дообучать для задач разметки частей речи, синтаксического анализа зависимостей и других прикладных задач обработки японского языка. Для запуска в Transformers используются AutoTokenizer и AutoModelForMaskedLM. Лицензия — CC BY-SA 4.0. Предварительное обучение на литературном корпусе может влиять на работу с современными текстами и специализированной лексикой. Карточка не приводит оценок качества на бенчмарках.

Depth Anything V2 Large — модель семейства Depth Anything V2 для оценки относительной глубины по одному изображению, разработанная авторами проекта Depth Anything. Она предназначена для получения детализированной карты глубины в задачах компьютерного зрения и обработки изображений. Модель обучена на 595 тысячах синтетических изображений с разметкой и более чем 62 миллионах реальных изображений без разметки. В README отмечены более тонкие детали и устойчивость по сравнению с Depth Anything V1, а также скорость примерно в десять раз выше и меньший размер по сравнению с моделями на основе Stable Diffusion. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

onnx-community/depth-anything-v2-small — версия модели Depth Anything V2 Small с весами в формате ONNX, подготовленная сообществом onnx-community для совместимости с Transformers.js. Исходная модель указана как depth-anything/Depth-Anything-V2-Small; разработчик исходной модели в README явно не назван. Модель предназначена для оценки глубины по одному изображению: на вход подаётся изображение, а на выходе формируется карта глубины, которую можно сохранить и визуализировать. Она подходит для использования в JavaScript-приложениях и веб-сценариях через pipeline Transformers.js, включая обработку локальных изображений или изображений по URL. Известно, что модель относится к семейству Depth Anything V2 и имеет вариант Small, однако точный размер, архитектура, поддерживаемые разрешения, контекст, языки и количественные показатели качества в README не указаны. Ключевое преимущество — формат ONNX и готовая интеграция с Transformers.js; ограничения производительности, точности и область применимости за пределами оценки глубины также не описаны. Модель распространяется по лицензии Apache-2.0.

dlite-v2-124m — компактная языковая модель AI Squared, созданная на основе GPT-2 и дообученная на 15 тысячах записей набора Databricks Dolly 15k для диалогового взаимодействия. Это плотная GPT-2-модель для генерации текста; она принимает текст и выдаёт текст. Модель содержит 124 млн параметров и рассчитана на английский язык. Длина контекста — 1024 токена. Модель подходит для экспериментов с небольшими чат-моделями, генерации ответов и изучения дообучения языковых моделей на ограниченном наборе инструкций. Разработчик отмечает, что она не достигает передового качества и может выдавать фактические ошибки, предвзятые, оскорбительные или токсичные ответы и галлюцинации. Лицензия Apache 2.0 разрешает исследовательское и коммерческое использование.

Intel/dpt-swinv2-tiny-256 — модель DPT (Dense Prediction Transformer) от Intel для оценки относительной глубины по одному изображению. Она использует SwinV2 в качестве визуального backbone и обучена на 1,4 млн изображений; модель предназначена для оценки глубины без дообучения и может служить основой для дальнейшей адаптации под конкретные задачи. Модель подходит для восстановления карты глубины в сценах внутри и вне помещений, в том числе как этап генеративных систем, 3D-реконструкции и приложений для автономного вождения. В README отмечается, что более крупные варианты MiDaS могут обеспечивать более высокое качество, а результат этой модели не следует считать точным измерением фактической глубины. Репозиторий распространяется в формате safetensors по лицензии MIT.