II.10Разработка и эксплуатация AI/ML-систем

Lanni-ni/transformer_2_4_256_babylm_10m_seed43 — небольшая авторегрессионная модель для генерации текста, опубликованная на Hugging Face. Модель поддерживает библиотеку Transformers и содержит около 14,7 млн параметров; по идентификатору относится к семейству Transformer и связана с BabyLM. Модель предназначена для продолжения и генерации текстовых последовательностей. Её можно использовать для экспериментов с компактными языковыми моделями, проверки методов обучения и прототипирования генерации текста при ограниченных вычислительных ресурсах. В карточке модели не приведены сведения о разработчике, языках, лицензии, обучающих данных, длине контекста, результатах оценки и рекомендуемых сценариях применения. Поэтому модель следует рассматривать как экспериментальную и не использовать для критически важных решений или генерации фактически значимого контента без дополнительной проверки.

Это конверсия в формате GGUF F16 декодера разреженной структуры из microsoft/TRELLIS-image-large, подготовленная для среды выполнения trellis2cpp и ggml. Компонент используется в конвейере TRELLIS.2: он преобразует выход модели потока разреженной структуры в воксельный каркас размером 64³. Репозиторий содержит файл декодера `ss_dec_f16.gguf`; остальные компоненты конвейера TRELLIS.2 опубликованы отдельно. Это преобразование формата исходных весов fp16 в GGUF F16, а не полный конвейер генерации 3D-объектов. Лицензия — MIT.

Tucano-160m — авторегрессионная языковая модель серии Tucano, разработанной TucanoBR и предварительно обученной на португальских текстах. Она основана на плотной архитектуре LLaMA с причинным языковым моделированием, содержит около 137,8 млн параметров и принимает контекст длиной до 2048 токенов. В карточке описано обучение серии Tucano на корпусе GigaVerbo, объединяющем дедуплицированные португальские текстовые данные; для этой модели также указан датасет TucanoBR/GigaVerbo. Модель предназначена для генерации текста на португальском языке и исследований по языковому моделированию, включая сравнительные эксперименты и дальнейшую адаптацию под задачи. Она не дообучена для прикладных задач и не рассчитана на непосредственное использование во взаимодействии с людьми. Лицензия Apache 2.0 разрешает использование и дообучение с соблюдением её условий. Модель может галлюцинировать, воспроизводить предвзятость и токсичность обучающих данных, повторяться и давать многословные ответы. Генерируемые факты и код могут быть ненадёжны; качество на других языках ограничено.

Tucano2-qwen-3.7B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная в рамках инициативы Polygl0t для португальского языка. Она получена продолжением предварительного обучения Qwen/Qwen3-4B-Base: токенные эмбеддинги адаптировали к лексическим, морфологическим и орфографическим особенностям португальского, после чего модель обучили примерно на 50 млрд токенов. Число параметров — около 3,76 млрд, контекст — 4096 токенов; веса представлены в формате safetensors. Модель предназначена для исследований и разработки в области португалоязычного языкового моделирования, а также как основа для последующего дообучения. В карточке приведены результаты сравнений на нескольких бенчмарках для португальского языка. Это базовая, не настроенная на прикладные задачи модель: она не предназначена для прямого использования в пользовательских сервисах и не рассчитана на другие языки. Возможны фактические ошибки, токсичные или предвзятые ответы, повторы и излишне многословная генерация. Лицензия — Apache 2.0; перед практическим применением авторы рекомендуют самостоятельно оценить риски и смещения.

TurboVLA: LIBERO — конверсия контрольной точки TurboVLA для бенчмарка LIBERO в формате GGUF, подготовленная для запуска через облегчённый движок vla.cpp на базе llama.cpp. Это модель Vision-Language-Action без LLM: DINOv3 ViT-B/16 обрабатывает изображения с двух камер, BERT-base-uncased кодирует языковую инструкцию, а слои слияния признаков связывают зрительную и текстовую информацию. Декодер ACT за один проход выдаёт блок из 12 действий размерности 7 для роботизированной манипуляции. Модель обучена на всех четырёх наборах задач LIBERO: spatial, object, goal и 10. Она принимает два изображения RGB размером 256×256, инструкцию и состояние робота; изображения должны быть повёрнуты на 180°, а текст подаётся в виде непаддированных BERT-токенов. Для известных обучающих инструкций используется сохранённая таблица длины дополнения текста, остальные инструкции дополняются до 21 токена. Репозиторий содержит полный файл GGUF F32 размером 822 МиБ. Конверсия на CPU в F32 близко воспроизводит выход исходной реализации PyTorch; точность других вычислительных режимов отличается, а запуск через NPU/OpenVINO выдаёт некорректные действия. Веса распространяются по лицензии DINOv3, подробности приведены в приложенном файле лицензии.

kayrab/turkish-gpt2-medium-gpt4o-qa — турецкая языковая модель на архитектуре GPT-2, разработанная на основе ytu-ce-cosmos/turkish-gpt2-medium. Она дообучена методом LoRA на примерах вопросов на турецком языке и ответов, сгенерированных GPT-4o, чтобы отвечать на вопросы в заданном формате. Модель принимает текстовый запрос с маркерами начала и конца вопроса и генерирует текстовый ответ; максимальная длина последовательности при обучении и длина контекста по метаданным — 1024 токена. Модель подходит для прототипов турецких систем вопросов и ответов и генерации ответов в стиле обучающих примеров. Качество зависит от соответствия запроса формату и стилю обучающих данных; ответы могут содержать унаследованные смещения и фактические ошибки, поэтому их следует проверять, особенно в критичных сценариях. Лицензия — MIT.

Модель ViT Base, дообученная Эдуардо Муньосом (Eduardo Muñoz) для классификации изображений CIFAR-100. В основе — Vision Transformer с архитектурой трансформерного энкодера, предварительно обученный на ImageNet-21k для изображений размером 224×224 пикселя; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к 100 классам CIFAR-100, сгруппированным в 20 суперклассов. В карточке указана точность 0,9148. Обучение выполнено с помощью Amazon SageMaker и контейнера Hugging Face Deep Learning; заявлена классификация изображений с испанскими метками. Модель принимает изображения и выдаёт предсказания классов. Она специализирована на CIFAR-100, поэтому её применение к другим наборам изображений может потребовать дополнительной настройки. Распространяется по лицензии Apache-2.0.

Модель codewithdark/vit-chest-xray — дообученный Vision Transformer для классификации рентгеновских снимков грудной клетки. Она создана на основе google/vit-base-patch16-224-in21k и дообучена на наборе CheXpert с многометочными аннотациями заболеваний. Модель содержит около 113,2 млн параметров и предназначена для распознавания патологий на рентгенограммах, включая пневмонию и кардиомегалию. Модель принимает изображения грудной клетки и выдаёт метки классов заболеваний. В карточке сообщается о точности 98,46% на валидации, однако не описаны состав и методика расчёта метрики; это значение не гарантирует сопоставимого результата на других данных. Модель может быть полезна для исследовательской оценки и прототипирования классификаторов медицинских изображений, но карточка не подтверждает пригодность для самостоятельной клинической диагностики. Лицензия — MIT.

VLAC — мультимодальная модель InternRobotics для оценки прогресса и проверки завершения задач манипуляции роботом по изображениям и описанию задачи. Карточка описывает VLAC-2B как парный критик и модель манипуляции для обучения роботов с подкреплением в реальных условиях и подготовки данных; архитектура — InternVLChatModel, файлы представлены в формате safetensors. В обучении использованы более 3000 часов эгоцентрических данных людей, более 1200 часов открытых данных роботизированных манипуляций и более 15 часов собственных данных. Модель поддерживает отслеживание выполнения, оценку завершения задачи, оценивание описания задачи, визуальные вопросы и ответы, а также выдачу воплощённых действий. Заявлены режимы zero-shot и one-shot, перенос между объектами, сценами и задачами, а также фильтрация низкокачественных траекторий для обучения имитации. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения на тех же условиях и некоммерческого применения. В карточке также упомянута VLAC-8B, но приведённая модель обозначена как VLAC-2B.

FarmerlineML обучила эту модель полным дообучением VoxCPM2 на речевых данных языка акан, вариант асанте-тви. Модель предназначена для синтеза речи из текста и разработана для голосового сельскохозяйственного помощника Darli AI. Для привязки к голосу при генерации требуется эталонная аудиозапись; наилучшие результаты ожидаются с голосом носителя акан или тви. В README также рекомендуются ограничение длины генерации, чтобы снизить риск галлюцинаций после конца предложения, и обрезка примерно двух секунд тишины после синтеза. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

keremberke/yolov8n-hard-hat-detection — модель компьютерного зрения на архитектуре YOLOv8, представленная автором keremberke. Она предназначена для обнаружения на изображениях людей или объектов с каской и без неё: поддерживаются классы Hardhat и NO-Hardhat. Модель можно применять для автоматического контроля использования касок на строительных площадках и в системах мониторинга охраны труда. Модель работает с изображениями и выдаёт рамки обнаруженных объектов с метками классов. В репозитории указаны веса PyTorch и библиотека Ultralytics; модель связана с датасетом keremberke/hard-hat-detection. Карточка не сообщает размер модели, показатели качества или условия лицензии.

Aeona-Beta — разговорная генеративная модель, созданная автором репозитория на основе microsoft/DialoGPT-small. Она предназначена для непринуждённого общения и генерации ответов в чат-ботах, прежде всего в Discord; автор рекомендует сочетать её с AIML-ботом, который может хранить сведения о пользователе и обрабатывать заранее заданные ответы. Модель использует контекст предыдущих сообщений, а README советует передавать последние три пары реплик пользователя и бота. В карточке Hugging Face указаны архитектура GPT-2, реализация GPT2LMHeadModel и контекст до 1024 токенов; формат весов — PyTorch. Для обучения автор описывает смесь реплик из MovieLines, сообщений Discord и собственного набора сообщений. Это ориентирует модель на свободный диалог, но может приводить к случайным или нерелевантным ответам. Данные не подтверждают поддержку конкретных языков или специализацию на предметных областях. Модель распространяется по лицензии MIT.

haoranxu/ALMA-13B-Pretrain — базовая стадия модели ALMA, разработанной Haoran Xu и соавторами как часть проекта по улучшению машинного перевода с помощью больших языковых моделей. Это плотная авторегрессионная модель семейства LLaMA-2 с 12,9 млрд параметров, дообученная на 12 млрд токенов монолингвистических данных; она принимает и генерирует текст, имеет контекст 4096 токенов и опубликована в формате PyTorch. Этот чекпойнт прошёл только первый этап обучения и сам по себе не является моделью перевода. В проекте его используют совместно с соответствующим LoRA-адаптером для дальнейшего обучения на параллельных данных; задачи перевода предназначены для получившейся модели ALMA, а не для этого чекпойнта отдельно. Модель доступна по лицензии MIT.

z-lab публикует репозиторий Alpamayo-1.5-10B как базовый чекпойнт стека FlashDrive: README сообщает, что веса зеркалируют nvidia/Alpamayo-1.5-10B. Это плотная 10-миллиардная VLA-модель NVIDIA семейства Alpamayo 1.5 для автономного вождения, дообученная на данных о транспортных средствах NVIDIA PhysicalAI. Она предназначена для анализа дорожных сцен и прогнозирования действий или траектории автомобиля; в составе FlashDrive её инференс ускоряют потоковая обработка, спекулятивное рассуждение DFlash, квантизация ParoQuant W4A8, кэширование действий и torch.compile. Модель работает с визуальными и языковыми данными и выдаёт действия для робототехнического сценария автономного вождения. README сообщает об ускорении в 4,7 раза без потери точности, однако в приведённом бенчмарке minADE меняется с 1,705 до 1,573; эти результаты относятся к стеку FlashDrive и тесту на клипах PhysicalAI-AV, а не гарантируют такую производительность в других условиях. Карточка указывает лицензию «other»; конкретные условия следует сверять с лицензией репозитория.

leukas/amlm_hard — небольшая языковая модель, опубликованная Lukas Edman под идентификатором leukas. Она входит в коллекцию BabyLM 2025 и предназначена для задачи fill-mask: модель восстанавливает пропущенные токены в тексте, поэтому подходит для экспериментов с предобучением языковых моделей, анализа языкового понимания и последующего использования в NLP-пайплайнах на базе Transformers. По данным карточки и метаданных Hugging Face, модель содержит около 34,7 млн параметров, относится к архитектуре DeBERTa-v2 и работает как masked language model. Указана текстовая модальность; сведения о поддерживаемых языках и размере контекстного окна в доступных данных не приведены. Модель компактна и поэтому потенциально удобна для локального запуска и исследовательских экспериментов, но не предназначена для генерации свободного текста в формате causal language model. В доступных источниках не приведены подробные результаты оценки, ограничения, сведения о смещениях или специальные рекомендации по применению. Лицензия также явно не указана, поэтому условия коммерческого и иного использования следует проверять в репозитории модели перед применением.

ArzLM-300M-Base — базовая авторегрессионная языковая модель с архитектурой decoder-only, разработанная авторами проекта ArzLM и обученная с нуля. Модель содержит 303,3 млн параметров, использует словарь на 32 000 токенов и контекст до 2048 токенов. Для загрузки нужны веса и загрузчик LitGPT/ArzLM: стандартный Transformers AutoModel эту модель не поддерживает. Модель предназначена для генерации продолжения текста и экспериментов с небольшими языковыми моделями, включая исследования архитектуры, оптимизаторов и смесей данных, а также учебное воспроизведение предобучения. Обучение охватывает общие тексты, математику, код и науку; README сообщает об обучении на 6 млрд токенов. Это базовая, не настроенная на инструкции модель, поэтому она не предназначена для диалогового использования как готовый ассистент. Разработчики отмечают фактические ошибки, слабые результаты в математике, повторы, шаблонные отклонения и ошибки в коде. Модель опубликована под лицензией Apache-2.0.

Это причинная языковая модель ypwhere для исследовательского проекта BabyLM 2026 по языковому моделированию на ограниченных данных и маршрутизации вычислений по глубине. Модель обучена на официальном обучающем наборе BabyLM объёмом 100 млн слов и не предназначена для диалогового общения как instruction-tuned чат-модель. Архитектура Block Attention Residuals построена на 32 слоях Transformer с размером скрытого представления 512. В каждом целевом подслое модель динамически вычисляет softmax-веса для представлений с разных глубин; общая основа использует RMSNorm, SwiGLU, rotary positional embeddings, gated attention и связанные входные и выходные эмбеддинги. Для запуска предусмотрена интеграция с Transformers и PyTorch, а реализация модели загружается с trust_remote_code=True. Модель принимает текст и выдаёт продолжение или оценки следующих токенов. Карточка рекомендует ограничивать вход 512 токенами; эффективный KV-кэш не поддерживается. Лицензия — MIT.

hongyuw/bitvla-bitsiglipL-224px-bf16 — визуально-языковая модель BitVLA от авторов проекта BitVLA, построенная на архитектуре LLaVA и дообученная на базе microsoft/bitnet-b1.58-2B-4T. Она принимает изображение и текстовый запрос и предназначена для диалогового понимания изображений и ответов на вопросы по ним; в проекте опубликованы оценки VQA и модели для последующего обучения манипуляции роботами. Модель использует визуальный энкодер SigLIP-L с разрешением 224 пикселя и веса bf16; авторы применяют онлайн-квантизацию W1.58-A8, а для сокращения затрат памяти рекомендуют отдельно квантизировать веса до 1,58 бит. В метаданных указан английский язык и лицензия MIT. Авторы отмечают, что BitVLA ещё не проходила предварительное обучение на крупномасштабном наборе робототехнических данных из-за ограниченных ресурсов. Для выполнения роботизированных действий потребуется соответствующая VLA-версия, обученная под задачу; данная карточка описывает базовую визуально-языковую модель. Для оценки мультимодальных задач README указывает модифицированные компоненты Transformers и окружение NVIDIA PyTorch.

TiGa-RCE/Bonsai-27B-MLX-BF16-Config-Repaired — архивный базовый чекпойнт для эксперимента по преобразованию и квантованию Bonsai 27B на Apple Silicon. Его подготовила Technologies Brewster Jennings du Canada на основе prism-ml/Bonsai-27B-gguf; модель относится к семейству Qwen3.6-27B и использует плотную архитектуру Qwen3_5ForConditionalGeneration. Тензоры были механически преобразованы в формат MLX safetensors: 11 частей и 851 индексированный тензор. В конфигурации исправлен параметр числа скрытых MTP-слоёв: он установлен в 0, поскольку исходная конфигурация заявляла один слой, но в весах не было соответствующих тензоров. Репозиторий предназначен для воспроизводимых локальных исследований квантования и служит исходной точкой для последующих сборок Q4, Q8, oQ4 и oQ8. Это не рекомендуемый чекпойнт для инференса: его размер в BF16 составляет около 50 ГБ, поэтому он не помещался на 32-гигабайтном Apple Silicon компьютере, использованном при подготовке. Эксперимент остаётся незавершённым, а один общий эксперимент с 2-битным квантованием не прошёл проверки детерминированного вывода. Лицензия — Apache-2.0.

Boris-1.3-125M — базовая предобученная языковая модель с 125 млн параметров, разработанная OpenCerebral. Это продолжение предобучения Boris-125M: к исходному обучению добавлены семь последовательных проходов примерно на 2,66 млрд токенов из FineWeb-Edu и DCLM-baseline. Модель построена на архитектуре GPT-2: 12 слоёв, 12 голов внимания, размерность 768 и обучаемые позиционные эмбеддинги. Контекст — 1024 токена. Модель предназначена для продолжения текста и экспериментов с генерацией; она не дообучена следовать инструкциям и не рассчитана на диалог. В описанных бенчмарках дообучение улучшило отдельные результаты, включая WinoGrande и PIQA, сохранив близкий результат на HellaSwag. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель небольшая и не прошла настройку на безопасность: её выводы могут быть неточными, несогласованными или оскорбительными. Её не следует использовать как источник фактов или развёртывать без надзора.

Карточка модели SLM-Archive/cagliostro-v3 на Hugging Face совпадает с карточкой bench-labs/cagliostro-v3, поэтому описание составлено по ней. Cagliostro-v3 — небольшая авторская авторегрессионная языковая модель семейства Cagliostro, разработанная bench-labs и обученная с нуля. Она содержит 146,3 млн параметров, использует плотную decoder-only архитектуру и рассчитана на генерацию текста. Модель обучалась на 75 млрд токенов англоязычных веб-данных, синтетических учебных материалов и математики; контекст составляет 2 048 токенов. Для загрузки через Transformers требуется trust_remote_code=True, поскольку архитектура CagliostroForCausalLM отсутствует в стандартной библиотеке. Модель предназначена для экспериментов с компактными языковыми моделями, продолжения текста и оценки небольших моделей на задачах общего знания и арифметики. В заявленных тестах она показывает сравнительно сильные результаты на арифметических задачах, но эти результаты не означают способности к общему математическому рассуждению. Это базовая модель без дообучения на инструкциях, настройки безопасности и RLHF; она может уверенно выдавать недостоверные сведения и не подходит для ответов на фактические вопросы без проверки. Распространяется по лицензии Apache-2.0.

zymonody/chinese-babylm-v3 — китайскоязычная маскированная языковая модель, представленная для конкурса NLPCC 2026 Chinese BabyLM Challenge. Она построена на архитектуре DeBERTa-v2 с 12 слоями, размерностью скрытого состояния 768 и 12 головами внимания; в метаданных указано 129,7 млн параметров. Модель обучена на задаче masked language modeling в рамках ограничения конкурса на объём данных: не более 102 млн слов Jieba. Используется символьный токенизатор, максимальная длина контекста — 512 токенов. Модель подходит для предсказания пропущенных фрагментов китайского текста и экспериментов с языковым моделированием в условиях ограниченного объёма обучающих данных. Для загрузки README предлагает Transformers и классы AutoTokenizer и AutoModelForMaskedLM. Технический отчёт с подробностями методики планировался после периода оценки конкурса, поэтому детали обучения здесь ограничены. Лицензия — Apache-2.0.

FrancescoMrn/cnn-fkp-deep — сверточная модель глубокого CNN для регрессии 68 лицевых ключевых точек в порядке разметки iBUG 300-W. Она принимает одно канальное серое изображение лица размером 224×224 с пикселями, нормализованными в диапазон [0, 1], и выдаёт 68 пар координат, нормализованных относительно обрезки лица. Модель предназначена для локализации лицевых ориентиров на уже обнаруженных, преимущественно фронтальных лицах: например, для анализа формы лица или подготовки изображений к последующей обработке. На валидационной выборке указана средняя ошибка NME 0,0974; контур челюсти оказался наиболее сложной областью. Обучение проводилось на кадрах YouTube Faces с 68-точечной разметкой, а проверочная выборка разделена по идентичностям людей. Модель распространяется под лицензией MIT. Авторы указывают, что обучающий набор демографически несбалансирован; качество на профильных лицах, при сильных перекрытиях и необычном освещении не проверялось. В README рекомендовано исследовательское и образовательное применение.

jkminder/d12_135m_seed2 — исследовательский базовый языковой чекпойнт GPT из серии Scaling Ladder. Его обучили как предсказатель следующего токена, чтобы изучать, как случайная инициализация и порядок данных влияют на результаты предварительного обучения. Модель содержит 138,4 млн параметров по метаданным; в README для этого чекпойнта указано 135 млн параметров. Архитектура — плотная 12-слойная NanochatGPT с размером скрытого слоя 768; контекст — 2048 токенов. Модель предназначена для генерации продолжения текста и экспериментов с предварительным обучением языковых моделей, включая сравнение контрольных точек и разброса качества между разными seed. Веса доступны в формате safetensors, для загрузки README приводит пример с Transformers. Обучение проводилось на наборе NVIDIA ClimbMix; в карточке указан английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Это базовая модель без дообучения на инструкциях и без обучения безопасности, поэтому она не ориентирована на диалог и может выдавать нежелательный или недостоверный текст. Репозиторий публикует несколько ревизий контрольных точек, соответствующих разным бюджетам обучения.

jkminder опубликовал этот базовый языковой чекпойнт как часть Scaling Ladder — серии из 28 моделей для изучения разброса результатов предобучения между разными случайными seed. Это плотная GPT-подобная модель NanochatGPTForCausalLM с 16 слоями, шириной скрытого слоя 1024 и примерно 302 млн параметров по метаданным. Модель обучена предсказывать следующий токен; доступен контекст длиной 2048 токенов. Чекпойнт предназначен прежде всего для экспериментов с предобучением, масштабированием языковых моделей и влиянием начальной инициализации и порядка данных. В карточке указаны английский язык и датасет NVIDIA ClimbMix. Это базовая модель без дообучения на инструкциях и без обучения безопасности, поэтому она не ориентирована на диалоговое следование инструкциям и может выдавать небезопасный или непроверенный текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

jkminder публикует базовую языковую модель d16_268m_seed4 — один из чекпойнтов исследовательской Scaling Ladder для изучения разброса качества между случайными сидами при предобучении. Это плотная GPT-подобная авторегрессионная модель семейства nanochat_gpt с 16 слоями и 268 млн параметров; указанный в README размер совпадает с метаданными. Модель обучена предсказывать следующий токен на английских данных, включая набор ClimbMix, и имеет контекстное окно 2048 токенов. Чекпойнт предназначен для экспериментов с предобучением, анализа влияния сида и оценки масштабирования языковых моделей. Он не проходил дообучение на инструкциях и не обучался мерам безопасности, поэтому не рассчитан на роль готового диалогового помощника. Для загрузки README указывает Transformers и safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

jkminder/d20_optimized_897m_seed6 — базовая языковая модель семейства nanochat GPT, опубликованная как исследовательский артефакт для изучения разброса результатов предобучения между случайными seed. Это один из 24 чекпойнтов масштабного эксперимента; модель обучена предсказывать следующий токен без дообучения на инструкциях и без обучения безопасности. Архитектура плотная, 20 слоёв и скрытый размер 1280; README указывает 897 млн общих параметров, а метаданные — 566,2 млн. Контекст — 2048 токенов, словарь — 32 768 токенов. Используется архитектура nanochat GPT с чередованием локального и полного внимания, rotary embeddings и другими механизмами семейства. Модель предназначена для англоязычной генерации текста и сравнительных измерений качества при разных бюджетах предобучения; опубликованы обучающие ревизии, включая annealed-чекпойнты и их предшествующие версии. Модель не настроена на диалоговое следование инструкциям и не проходила обучение безопасности, поэтому её ответы могут быть непредсказуемыми и содержать нежелательный контент. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

DA3-GIANT — флагманская модель семейства Depth Anything 3 от команды ByteDance Seed для оценки визуальной геометрии по изображениям. Это Vision Transformer с единым представлением depth-ray и 1,15 млрд параметров; модель поддерживает оценку относительной глубины, оценку позы камеры, обусловливание по позе и оценку 3D Gaussian. В карточке Hugging Face указаны библиотека Depth Anything 3, формат safetensors и задача depth-estimation. Модель предназначена для оценки глубины по одному или нескольким изображениям, восстановления позы камеры и получения 3D-представления сцен. README сообщает, что она превосходит Depth Anything 2 в монокулярной оценке глубины и VGGT в многовидовой оценке глубины и позы; подробные результаты отсылаются к статье. Обучение проводилось на открытых академических датасетах. Качество может снижаться на специализированных изображениях и зависеть от качества снимков, освещения и сложности сцены. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

ku-nlp/deberta-v2-tiny-japanese-char-wwm — компактная модель DeBERTa V2 от группы KU NLP, предварительно обученная на японской Википедии, японских частях CC-100 и OSCAR. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling. Модель имеет около 6 млн параметров и контекстное окно 512 токенов. Текст разбивается на символьные токены с помощью SentencePiece; при обучении использовалось маскирование целых слов. Модель работает с японским языком и доступна в форматах PyTorch и Safetensors через библиотеку Transformers. Лицензия — CC BY-SA 4.0. Модель специализирована на восстановлении замаскированных фрагментов японского текста; карточка не сообщает об оценках качества или ограничениях сверх этой специализации.

Depth Anything V2 Metric Indoor Base — модель оценки метрической глубины изображений для внутренних помещений, разработанная авторами Depth Anything V2 и дообученная на синтетическом наборе Hypersim. Она предназначена для получения карты глубины с абсолютными оценками расстояния по изображению комнаты или другого внутреннего пространства; поддерживает сценарии компьютерного зрения, где важна геометрия сцены, а не только относительный порядок глубин. Модель использует архитектуру DPT с backbone DINOv2 и содержит около 97,5 млн параметров. Это версия семейства Depth Anything V2, обученного на синтетических размеченных изображениях и реальных неразмеченных изображениях; данный чекпойнт настроен для метрической оценки глубины в помещениях. Он совместим с библиотекой Transformers и распространяется в формате safetensors. В README не приведены ограничения точности или условия лицензии для этого чекпойнта, поэтому их нельзя уточнить по имеющимся данным. Качество метрических оценок может зависеть от соответствия входной сцены обучающим данным Hypersim; применение ориентировано на интерьеры, а не на уличные сцены.