II.10Разработка и эксплуатация AI/ML-систем

X-Codec HuBERT LibriSpeech — аудиокодек из семейства X-Codec, обученный для речи на LibriSpeech. В качестве семантической модели использует facebook/hubert-base-ls960; реализация доступна в формате safetensors через Transformers. Кодек предназначен для извлечения признаков речи и её представления при разных битрейтах, включая 0,5, 1, 1,5, 2 и 4 кбит/с. Модель опубликована под лицензией CC BY 4.0. Модель ориентирована на английскую речь из LibriSpeech. Карточка показывает примеры кодирования с несколькими битрейтами, но не описывает конкретные ограничения качества или рекомендованные условия применения.

ZDTaichu5.0-9B-DSpark-GGUF — это GGUF-версия вспомогательной draft-модели ZDTaichu5.0-9B-DSpark, разработанной командой Zi Dong Tai Chu и преобразованной с использованием llama.cpp. Модель предназначена не для самостоятельной генерации текста, а для speculative decoding: она работает в паре с основной моделью ZDTaichu5.0-9B и может ускорять генерацию. Поддерживаются английский и китайский языки; заявлены сценарии текстовой генерации, агентских задач и мультимодального понимания изображений при использовании совместимого vision-проектора. Архитектура использует полуаautoregressive DSpark с backbone DFlash и связанной Markov head, извлекает вспомогательные скрытые состояния из слоёв 1, 8, 15, 22 и 29 и предлагает по 8 токенов за один проход. Доступны варианты BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q4_0 размером примерно от 1,51 до 4,40 ГБ. Контекст может быть увеличен до 131 072 токенов при наличии достаточного объёма памяти. Сильная сторона модели — потенциальное ускорение инференса основной модели; заявленный прирост до 60–85% относится к описанию разработчиков и не является независимым измерением этой конверсии. Главные ограничения — обязательная совместная работа с целевой моделью и llama.cpp с поддержкой DSpark, а также необходимость отдельного vision-проектора для изображений. Распространяется по лицензии Apache-2.0.

Intel/zoedepth-nyu-kitti — модель ZoeDepth, дообученная на наборах данных NYU и KITTI. Она основана на DPT и предназначена для оценки глубины по одному изображению: в отличие от относительной оценки, модель предсказывает метрические значения глубины. ZoeDepth была представлена в работе Shariq и соавторов о переносе zero-shot для метрической глубины. Модель подходит для получения карты глубины из изображения, в том числе при переносе на новые сцены без отдельного обучения под каждую из них. В репозитории опубликованы веса Safetensors; заявлена лицензия MIT. Карточка не приводит численный размер модели и конкретные ограничения качества.

namquangstudy/aaie-ddense-pretrain-llama — экспорт чекпойнта AAIE-Distilled Dense Pretrain в формате LlamaForCausalLM. Автор README описывает его как перенос тех же весов в совместимые с Transformers и vLLM имена тензоров и конфигурацию без переобучения; архитектура включает GQA, RoPE, SwiGLU, RMSNorm и связанные эмбеддинги. Модель содержит 354,4 млн параметров, принимает текст, имеет контекст 1024 токена и выдаёт продолжение текста. Указана поддержка английского языка и лицензия MIT. Это базовая предварительно обученная и дистиллированная модель для генерации продолжения текста и экспериментов с языковыми моделями. Она не проходила instruction tuning, поэтому не предназначена для надёжного выполнения инструкций или диалога в формате чат-ассистента. Экспорт загружается через штатную реализацию Llama в Transformers и vLLM без trust_remote_code.

NandemoGHS разработала Anime-XCodec2-44.1kHz-v2 — дообученную версию нейронного речевого кодека Anime-XCodec2 на базе XCodec2. Модель принимает речевые токены XCodec2 и декодирует их в аудио с частотой дискретизации 44,1 кГц. Кодер и кодовая книга заморожены, поэтому токены совместимы с исходным XCodec2 и системами на его основе, например Llasa; изменён только декодер, в который добавлены слои повышающей дискретизации и настроена функция потерь RMS. Модель предназначена для восстановления японской речи, в том числе голосов в стиле аниме и игр, и для замены декодера в существующих конвейерах XCodec2, чтобы получать аудио 44,1 кГц вместо 16 кГц. Обучение декодера проводилось примерно на 22 тысячах часов японской речи. Репозиторий содержит веса safetensors; лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Для работы требуется специальная версия библиотеки xcodec2 v0.1.7 с исправлением ошибки RoPE; исходная библиотека и прежние сторонние версии несовместимы. Модель оптимизирована для японской речи, а применение для повышения частоты дискретизации обычного аудио не оценивалось.

Atom 3.4m — компактная авторегрессионная языковая модель с 3,4 млн параметров, разработанная Universal Computing Research и обученная с нуля. Это базовая модель для исследований архитектур языковых моделей, учебных стратегий предобучения и тестирования небольших моделей, а также экспериментов с инференсом при ограниченных вычислительных ресурсах. Модель имеет декодерную архитектуру GPT: 7 слоёв, скрытый размер 192, grouped-query attention, RoPE, RMSNorm и gated SiLU feed-forward блоки. Контекст — 512 токенов; используется собственный byte-level BPE-токенизатор на 4096 токенов. Для обучения применялась смесь англоязычных веб-текстов, образовательных и синтетических учебных материалов, а также математических данных. Модель предназначена для продолжения текста на английском языке и не дообучена для следования инструкциям или диалоговой работы. Малый размер и короткий контекст ограничивают связность, извлечение знаний, рассуждения и генерацию длинных текстов. Выводы могут содержать ошибки и смещения; модель не проходила специальное обучение безопасности и не подходит для критически важных решений. Распространяется по лицензии Apache-2.0.

BananaMind-2-Medium — базовая авторегрессионная языковая модель с архитектурой decoder-only Transformer, разработанная BananaMind и обученная с нуля на корпусе из 50 млрд токенов. Модель содержит 49,56 млн параметров, использует 12 слоёв, grouped-query attention, RoPE, SwiGLU, RMSNorm и контекст длиной 3072 токена. Для неё создан собственный байтовый BPE-токенизатор на 12 288 токенов с отдельной обработкой цифр. Модель предназначена для продолжения текста, экспериментов с компактными языковыми моделями и токенизаторами, а также оценки арифметических навыков. В обучающие данные входят образовательные и веб-тексты, синтетические учебные материалы, математика и Python-материалы; основной язык карточки — английский. Это базовая модель, поэтому её следует использовать с промптами-продолжениями, а не ожидать поведения чат-ассистента. Для загрузки в Transformers требуется доверенное выполнение пользовательского кода. Лицензия — Apache-2.0.

BashkirRoBERTa — модель BashkirRoBERTa для башкирского языка, предназначенная для предсказания замаскированных токенов по контексту и дальнейшего дообучения. Это плотный Pre-LayerNorm Transformer-энкодер с 8 блоками и 62,9 млн параметров; он использует токенизацию SentencePiece с размером словаря 32 000 и контекстом до 256 токенов. Модель принимает текст и выдаёт оценки и предложения для заполнения маски. Доступны веса Transformers и графы ONNX в форматах FP32, FP16 и INT8; для загрузки в Transformers требуется включить пользовательский код модели. Модель предварительно обучена на корпусе башкирских энциклопедических, периодических и литературных текстов. В описанном авторами тесте на энциклопедическом наборе точность составила 24,7% для top-1 и 54,0% для top-5; эти показатели относятся к предсказанию замаскированных подслов и не характеризуют качество на других задачах. Лицензия репозитория — Apache-2.0, при этом исходные тексты корпуса не распространяются, и права на них остаются у соответствующих правообладателей.

SudaBERT — предварительно обученная модель BERT base для суданского варианта арабского языка, опубликованная Enigma-for-AI. Она предназначена для предсказания скрытых токенов: модель может подставлять пропущенные слова в тексте и служить основой для дообучения на языковые задачи. Архитектура — BERT, размер — 162,4 млн параметров, максимальный контекст — 512 токенов; модель работает с текстом на арабском языке. Репозиторий содержит веса в формате safetensors и поддерживает библиотеку Transformers.

Koichi Yasuoka подготовил эту модель BERT для тибетского языка на основе Tibetan-BERT-wwm, уточнив токенизатор для использования с PyTorch. Модель содержит 136,2 млн параметров, принимает последовательности длиной до 512 токенов и обучена на тибетских текстах. Основная задача модели — предсказывать замаскированные токены в тексте. Её можно дообучать для последующей разметки частей речи, синтаксического анализа зависимостей и других задач обработки тибетского языка. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

mascIT/bert-tiny-ita — компактная итальянская языковая модель семейства BERT, разработанная mascIT и обученная с нуля на 20 тысячах статей итальянской Википедии, а также на коллекции итальянских слов и словарных определений. Модель содержит 3,1 млн параметров, использует архитектуру BertForMaskedLM и контекст до 512 токенов. Модель предназначена как базовая заготовка для дообучения под задачи итальянского языка. Её основная задача — предсказание замаскированных слов в тексте; это можно использовать, например, для языкового анализа или подготовки специализированных классификаторов после дообучения. Разработчик характеризует проект как находящийся в процессе разработки. В README указаны perplexity 45 и размер модели 12 МБ. Условия лицензирования в предоставленных данных не указаны.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-baseline — англоязычная модель на базе BERT, дообученная Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания замаскированных слов в биомедицинских текстах. Модель содержит 138,2 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. На оценочном наборе указаны loss 1,1076, accuracy 0,7643 и perplexity 3,0272. Базовая BiomedBERT обучалась на биомедицинских публикациях; README не приводит дополнительных сведений о составе обучающих данных, сценариях применения или ограничениях. Лицензия модели — Apache-2.0.

Chochmah-350M — базовая языковая модель TevunahAi с 358,6 млн параметров, обученная с нуля на 30 млрд токенов. Это плотный decoder-only трансформер архитектуры Llama с 24 слоями; модель совместима с инструментами экосистемы Llama и распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для генерации продолжений текста и как основа для дальнейшего дообучения и исследований малых языковых моделей. Обучающие данные включали веб-тексты, код и энциклопедические материалы, а также материалы по судебным решениям США, философии, математике и физике. Модель рассчитана на английский язык и контекст до 2 048 токенов. Chochmah-350M не проходила инструкционную настройку, обучение диалогам или RLHF, поэтому не предназначена для общения по инструкциям без дополнительной адаптации. На таком размере она может уверенно генерировать фактически неверные утверждения, слабо пишет код, склонна к повторениям на длинных генерациях и сохраняет некоторые артефакты форматирования обучающих данных. Разработчик отдельно предостерегает от использования её ответов как источника юридических, медицинских, финансовых или иных фактических сведений.

Модель pkr7098/cifar100-vit-base-patch16-224-in21k — дообученная на датасете CIFAR-100 модель Vision Transformer, разработанная на основе google/vit-base-patch16-224-in21k. Она предназначена для классификации изображений по 100 категориям CIFAR-100. Архитектура ViT использует патчи 16×16 при входном разрешении 224×224 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors. На оценочной выборке CIFAR-100 указаны точность 0,926 и loss 0,2945. Модель подходит для экспериментов и классификации изображений, близких к распределению CIFAR-100; качество на других наборах данных не подтверждено. Лицензия — Apache-2.0.

commaai/comma10k-segnet — модель семантической сегментации изображений от comma.ai, опубликованная в формате safetensors и рассчитанная на загрузку через библиотеку segmentation-models-pytorch. Она обучена на наборе данных comma10k; README также описывает загрузку связанного преобразования изображений через Albumentations. Модель предназначена для разметки областей на изображениях по классам. Метрики, перечень классов, размер модели и сведения об архитектуре в доступных данных не раскрыты. Репозиторий распространяется по лицензии MIT.

CompoDistill-Teacher-4B — мультимодальная языковая модель, разработанная авторами CompoDistill как учитель для дистилляции CompoDistill-2B. Она построена на Qwen1.5-4B и SigLIP-so400m и обучена визуальной настройкой инструкций в стиле LLaVA. Модель предназначена для диалоговых задач с изображениями и текстом, включая композиционное рассуждение; также её можно использовать как учитель в обучении с дистилляцией внимания и ответов. В репозитории представлены веса safetensors. Лицензия — Apache-2.0. Карточка не сообщает измеренные ограничения качества или контекстное окно; модель описана прежде всего как учитель для обучения, поэтому её пригодность для самостоятельного пользовательского применения отдельно не подтверждена.

unsloth/Cosmos-Reason1-7B — опубликованная Unsloth версия модели NVIDIA Cosmos Reason для физического ИИ и робототехники. Это мультимодальная модель зрения и языка с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; она принимает текст и изображения, а описание семейства также указывает на работу с видео. Контекст модели составляет 128 000 токенов. Модель предназначена для рассуждений о физических сценах и пространственно-временной динамике, а также для планирования действий воплощённых агентов. Она может помогать размечать и отбирать обучающие данные, анализировать видеопотоки и разбирать команды на этапы для роботов и автономных транспортных средств. Базовая модель дообучена с использованием supervised fine-tuning и reinforcement learning на данных для физического здравого смысла и embodied reasoning. В карточке заявлена готовность к коммерческому использованию. Указаны NVIDIA Open Model License и дополнительная информация о лицензии Apache 2.0; перед использованием следует проверить применимые условия распространения. Модель ориентирована на физический ИИ, поэтому её ответы требуют проверки в сценариях, где ошибки планирования могут повлиять на реальные действия.

CyberNeurova разработала экспериментальную версию Qwen2.5-VL-3B-Instruct с удалённым поведением отказа. Модель сохраняет мультимодальную архитектуру Qwen2.5-VL и принимает текст и изображения, отвечая на естественном языке. Изменение выполнено ортогонализацией весов residual stream языковой модели; для работы не требуются дополнительные механизмы инференса. Репозиторий содержит веса safetensors, а базовая модель насчитывает 3 млрд параметров. Модель предназначена для исследований защитной кибербезопасности, проверки отказов и джейлбрейков, оценки мультимодальной безопасности и изучения механизмов отказа в VLM. В описанных тестах частота отказов существенно снизилась, однако техническая компетентность ограничена размером модели: готовность отвечать не гарантирует точности или глубины ответа. Работа vision encoder не менялась, а поведение при контексте свыше 4 тысяч токенов не проверено. Модель распространяется по лицензии Apache-2.0.

jkminder выпустил d12_optimized_286m_seed5 — базовую языковую модель семейства nanochat GPT, созданную как один из чекпойнтов Scaling Ladder для изучения разброса результатов предобучения между случайными seed. Это авторегрессионный предсказатель следующего токена без инструкционного дообучения и обучения безопасности; модель предназначена для экспериментов и измерений при масштабировании предобучения, а также для генерации текста. Архитектура dense nanochat GPT включает 12 слоёв, скрытый размер 768 и 6 голов внимания; в метаданных указано 138,4 млн параметров, а README уточняет, что полный чекпойнт содержит 286 млн параметров, включая таблицы эмбеддингов. Контекст — 2048 токенов, словарь — 32 768 токенов. Модель обучена на английских данных из NVIDIA ClimbMix; опубликованы контрольные точки разных этапов обучения в ревизиях репозитория. Для загрузки используется Transformers с trust_remote_code. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Модель не настроена на диалоговые инструкции и не проходила обучение безопасности, поэтому её ответы не следует считать надёжными или безопасными для пользовательских сценариев без дополнительной адаптации и проверки.

Это декодер аудиокодека Descript Audio Codec (DAC) с частотой дискретизации 44,1 кГц, подготовленный проектом loom-ai-org для запуска в loom.cpp. Репозиторий содержит веса исходной модели descript/dac_44khz в формате GGUF; согласно карточке, параметры не изменялись. Модель принимает девять потоков кодов на кадр и восстанавливает из них аудиоволну: каждый кадр длится 1/86,13 секунды и соответствует 512 отсчётам. Декодер предназначен для восстановления аудио из кодов DAC, например в конвейере генерации речи или музыки, если другой компонент уже сформировал выровненные кодовые потоки. Это только декодирующая часть кодека: аудио в коды она не преобразует. Для запуска карточка рекомендует библиотеку loom-py-rt. Лицензия — MIT.

Это дообученная Kanha модель чат-бота на базе openbmb/MiniCPM5-2B, созданная для ответов на вопросы о содержимом конкретного сайта. Она предназначена для встраивания в браузерные приложения и локального запуска через WebGPU с библиотекой MLC-LLM: запросы обрабатываются на устройстве и не отправляются на сервер. Модель специализирована на контенте сайта и не предназначена для ответов общего назначения. Лицензия в доступных данных не указана.

ku-nlp/deberta-v2-base-japanese-char-wwm — базовая модель DeBERTa V2, предварительно обученная командой ku-nlp на японском тексте. Она предназначена для задачи заполнения пропусков в тексте и может служить основой для дообучения на других задачах обработки японского языка. Модель содержит 130,2 млн параметров и принимает последовательности длиной до 512 токенов. Токенизация выполняется на уровне символов SentencePiece, а при обучении использовалось маскирование целых слов (whole word masking). Корпус объёмом 171 ГБ включал японскую Википедию, японскую часть CC-100 и OSCAR. Лицензия — CC-BY-SA-4.0. Модель рассчитана на японский язык; её возможности за пределами заполнения пропусков требуют соответствующего дообучения. README не приводит результатов оценки качества.

DeepSeek-V4 Mini (300M) — уменьшенная модель архитектуры DeepSeek-V4, созданная Kshitij Thakkar переносом и детерминированным срезом весов DeepSeek-V4-Flash. Это warm-start для дальнейшего дообучения, а не готовая разговорная или инструктивная модель. По README, в ней около 0,32 млрд параметров, 12 слоёв и 8 голов внимания; метаданные указывают 111 млн параметров и контекст до 1 048 576 токенов. Модель принимает текст и предназначена для генерации текста; поддержка чата отмечена в метаданных. Большая часть весов унаследована от исходной модели, но срезана: сохранено 6,1% параметров, 86% получены срезом тензоров, а 7,9% оставлены со случайной инициализацией. Сильная сторона — использование обученных весов DeepSeek-V4-Flash как основы для экспериментов с компактной моделью. Качество готовой генерации ограничено: компрессоры и индексаторы случайно инициализированы, таблица маршрутизации хешей пересоздана, поэтому логиты могут быть шумными до дообучения. Лицензия — MIT.

Delphi — базовая предобученная языковая модель команды Marin, входящая в набор моделей для изучения законов масштабирования. Чекпойнт содержит около 447 млн параметров; его архитектура основана на Qwen 3 и включает декодер с RMSNorm, RoPE, нормализацией QK и блоками SwiGLU. Модель обучена на 1,2 млрд токенов при вычислительном бюджете 3 × 10¹⁸ FLOPs; доступна в формате safetensors, поддерживает контекст до 4096 токенов. Модель предназначена для генерации продолжения текста и исследовательского сравнения результатов обучения при разных вычислительных бюджетах. Она является частью набора Delphi, который команда Marin использует для разработки рецепта обучения и прогнозирования качества более крупных моделей. Чекпойнт предобучен преимущественно на англоязычных данных, не прошёл инструкционную настройку или выравнивание безопасности; лицензия — Apache 2.0. В README он обозначен как исследовательский артефакт, а не модель для производственного применения.

Depth Anything V2 Metric Indoor Small — модель оценки метрической глубины для изображений помещений, дообученная на синтетическом наборе Hypersim и впервые опубликованная в этом репозитории. Она предназначена для получения карты абсолютных расстояний по одному изображению, в том числе в сценариях zero-shot-инференса. Модель использует архитектуру DPT с backbone DINOv2 и относится к семейству Depth Anything V2. Вариант Small содержит 24,8 млн параметров. Исходное семейство обучалось на синтетических размеченных и реальных неразмеченных изображениях; данный чекпойнт настроен на метрическую глубину в помещениях. Для работы с ним README указывает библиотеку Transformers версии 4.45.0 или новее. Лицензия в предоставленных данных не указана.

Depth-Anything-V2-Metric-Outdoor-Small-hf — модель оценки абсолютной глубины для уличных сцен, созданная как дообученная версия Depth Anything V2 и опубликованная командой Depth Anything. Она предсказывает для каждого участка изображения метрическую глубину и предназначена, в частности, для оценки расстояний на фотографиях и кадрах уличных сцен. Модель использует архитектуру DPT с backbone DINOv2; вариант Small содержит 24,8 млн параметров. Обучение для метрической оценки глубины использовало синтетические данные Virtual KITTI 2; базовая Depth Anything V2 обучалась на синтетических размеченных и реальных неразмеченных изображениях. Чекпойнт совместим с библиотекой Transformers и сохранён в формате safetensors. Модель принимает изображения и выдаёт карту глубины. Она рассчитана на уличные сцены, поэтому точность на помещениях и условиях, отличающихся от обучающих данных, не гарантируется. Лицензия в предоставленных данных не указана.

Модель gokulan006/distilbert-reddit-mental-health-risk-classifier разработана в рамках проекта Google Summer of Code 2026 совместно с HumanAI. Это дообученная DistilBERT для классификации текстовых публикаций Reddit по трём уровням риска для психического здоровья: низкому, умеренному и высокому. Она принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. В описанной оценке лучшая точность составила 85,80%, а взвешенная F1-мера — 85,71%. Модель рассчитана на исследования, NLP-бенчмаркинг и прототипы мониторинга кризисных состояний. Лицензия в метаданных — Apache-2.0. Классификатор может выделять публикации с упоминаниями суицидальных мыслей и самоповреждения, а также тексты о депрессии, тревоге и эмоциональном неблагополучии. Он не предоставляет медицинских рекомендаций: точность зависит от площадки, стиля письма и популяции, а предсказания не подходят как единственное основание для клинических или экстренных решений; для высокорисковых случаев рекомендуется проверка человеком.

Distill-Any-Depth-Small-hf — модель для оценки глубины по одному изображению, опубликованная пользователем xingyang1. Это чекпойнт семейства Distill-Any-Depth, созданный с помощью дистилляции знаний и совместимый с библиотекой Transformers. Модель выполняет zero-shot оценку глубины: принимает изображение и формирует карту глубины. Модель предназначена для сценариев, где нужно получить оценку пространственной структуры сцены по обычному изображению. В карточке заявлено качество уровня SOTA для моноскопической оценки глубины. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

Mikhail Rudenko разработал эту дообученную компактную причинную языковую модель семейства Mistral для роли черновой модели в спекулятивном декодировании при переводе с финского на английский. Она предназначена для ускорения генерации целевой моделью, предлагая черновые токены, которые целевая модель затем проверяет; это не самостоятельная система перевода, оптимизированная для прямого использования. Модель имеет архитектуру MistralForCausalLM и содержит 131,3 млн параметров по метаданным. В README указаны Lite-Mistral-150M-v2-Instruct как базовая модель и TurboSparse-Mistral-Instruct 7B как целевая модель; обучение проводилось на синтетических данных для кластера WMT16 Finnish→English с дистилляцией распределений токенов целевой модели. Контекст составляет 2048 токенов, формат весов — safetensors, лицензия — Apache-2.0. Её специализация может повысить долю принимаемых черновых токенов в указанном сценарии, однако README описывает исследовательскую гипотезу и не приводит результатов оценки именно этой модели. Практическая польза зависит от совместной работы с соответствующей целевой моделью и системой спекулятивного декодирования; данных для оценки самостоятельного качества перевода недостаточно.

Lanni-ni/dynamic_alibi_2_4_256_inverse_babylm_10m_seed44_epoch8 — небольшая модель генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Она предназначена для авторегрессионного продолжения текста и экспериментов с языковыми моделями.