II.10Разработка и эксплуатация AI/ML-систем

X-VLA-Pt — модель семейства X-VLA, опубликованная 2toINF для управления роботами по визуальным и языковым входам. Это дообученная версия Florence-2-large с архитектурой XVLA и примерно 0,9 млрд параметров. В основе — визуально-языковой энкодер Florence-2 и Transformer с поточным сопоставлением, который предсказывает действия; отдельные обучаемые soft prompt-векторы адаптируют модель к разным типам роботов. Модель обучалась на Bridge Data и предназначена для переноса навыков между роботизированными платформами и выполнения манипуляционных задач в симуляции и на реальных роботах. Модель принимает визуальные и текстовые наблюдения и выдаёт действия робота. В README указан режим действий ee6d, а также оценка на шести симуляторах и трёх реальных роботах. Репозиторий содержит веса safetensors; лицензия — Apache 2.0. Результаты и совместимость зависят от воплощения робота, пространства действий и соответствующей пред- и постобработки; готовые гарантии для произвольных платформ не заявлены.

lerobot/xvla-widowx — чекпойнт модели X-VLA, реализованный для LeRobot и разработанный на основе оригинальной реализации X-VLA. Это vision-language-action-модель на базе Transformer с мягкими промптами, предназначенная для управления роботами разных конфигураций и переноса навыков между задачами и средами. Чекпойнт дообучен на BridgeData для экспериментов по захвату и перемещению предметов на компактных платформах WidowX. Он принимает изображения с нескольких камер, данные о состоянии робота и, опционально, текстовую инструкцию, а выдаёт непрерывные управляющие действия. Обучение использует flow matching; модель предлагается как основа для дальнейшей настройки под конкретную задачу. Для запуска предусмотрена интеграция с библиотекой LeRobot. Модель распространяется по лицензии Apache-2.0. Указанные возможности относятся к манипуляциям WidowX; для других роботов и сценариев может потребоваться дообучение.

sonspeed/yolo11m-cad-obb — детектор ориентированных ограничивающих рамок для поиска символов на электрических схемах и CAD-чертежах. Модель основана на архитектуре YOLO11m-OBB и использует библиотеку Ultralytics; она распознаёт 27 типов символов. Для обучения применялись синтетические тайлы SAHI размером 640×640 с разделением обучающей и проверочной выборок по файлам. Модель предназначена для обнаружения символов и определения их положения и ориентации на изображениях фрагментов чертежей. В карточке приведены результаты проверки: mAP50 0,9122 и mAP50-95 0,8667. Для обработки изображения его нужно подать детектору, например, с размером изображения 640 пикселей. Лицензия в предоставленных данных не указана.

zenz-v2.5-medium — разработанная Keita Miwa условная языковая модель на архитектуре GPT-2, дообученная для преобразования японской каны в кандзи. Она предназначена для использования в нейронной системе ввода Zenzai (AzooKeyKanaKanjiConverter) и учитывает контекст при выборе преобразования. Модель использует токенизатор, сочетающий посимвольную токенизацию и byte-level BPE; размер версии medium — 310 млн параметров, длина контекста — 1024 токена. Модель обучена на наборе Miwa-Keita/zenz-v2.5-dataset и основана на ku-nlp/gpt2-medium-japanese-char. Опубликована в формате safetensors по лицензии CC-BY-SA 4.0. Заявлено высокое качество преобразования каны в кандзи с учетом контекста; данных о количественных оценках качества в карточке нет. Модель ориентирована на японский язык и узкую задачу ввода, а не на универсальную генерацию текста.

Модель Raghav-Singhal/1pp-1.7b-ua-base — экспериментальная базовая языковая модель проекта One Persona Pretraining (1PP), созданного исследовательской группой EPFL DLAB. Это плотная Llama-подобная авторегрессионная архитектура на 1,66 млрд параметров: 24 слоя, скрытая размерность 2048 и словарь SmolLM2 на 49 152 токена. Модель обучена предсказывать текст переписанных диалогов, причём функция потерь применялась и к пользовательским, и к ассистентским репликам. Модель предназначена для исследований влияния формата данных и маскирования функции потерь на предварительное обучение языковых моделей, а также для экспериментов с генерацией текста в формате диалога. Обучение выполнено за один проход по 47,8 млн исходных документов; контекст составляет 4096 токенов. Карточка описывает формат ChatML без системной реплики и отмечает, что модель не предназначена для использования как универсальный ассистент. Доступны веса в формате safetensors, библиотека Transformers; лицензия — Apache-2.0.

Это политика управления роботом на основе ACT (Action Chunking Transformer), опубликованная пользователем aakashv100 для манипулятора SO-101 follower. Она обучена под задачу взять кубик и положить его в миску; для управления использует изображения с камеры на захвате и верхней камеры, а также положения шести суставов и захвата, и предсказывает последовательности действий. Чекпойнт обучен на 50 эпизодах телеоперации с частотой 30 кадров в секунду в течение 60 тысяч шагов; размер блока действий составляет 100 шагов. Модель предназначена для запуска через LeRobot на совместимом роботе SO-101. В README описана оценка в 50 испытаниях с фиксированным и 50 испытаниях со случайным положением кубика в пределах зоны 10×10 см. Все обучающие эпизоды использовали одно фиксированное начальное положение, поэтому испытания со случайными позициями проверяют обобщение за пределами обучающих данных. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Это дообученная версия VLA-модели π₀.₅ (Pi05) от Physical Intelligence, опубликованная DreamMachines. Модель предназначена для управления роботом по изображениям, состоянию робота и языковой инструкции; чекпойнт обучен на наборе DreamMachines/actuator_unboxing_20h_345 с использованием LeDream, форка LeRobot. README указывает 210 000 шагов обучения, размер пакета 32 и оптимизатор AdamW с learning rate 5e-5. Модель рассчитана на выполнение задачи распаковки актуатора на роботе DK1. Она наследует базовую модель lerobot/pi05_base, ориентированную на обобщение в открытом мире. Файлы опубликованы в формате safetensors и доступны под лицензией Apache-2.0. Метаданные относят модель к robotics; сведения о конкретных языках и длине контекста для этой версии не приводятся.

Agent-G2 ALFWorld 1.5B — языковой агент для текстовой среды ALFWorld, разработанный на базе Qwen2.5-1.5B-Instruct и дообученный методом Agent-G2 с подкреплением и адаптивным экспертным префиксом. Это плотная авторегрессионная модель Qwen2 с 1,5 млрд параметров, представленная в BF16 Safetensors и рассчитанная на контекст до 32 768 токенов; в опубликованном рецепте обучения использовались запросы до 4 096 и ответы до 512 токенов. Модель предназначена для выбора допустимых действий по заданию, текстовому наблюдению, истории и списку действий среды, а также для исследований долгосрочных языковых агентов и обучения с подкреплением. README приводит результаты ALFWorld по группам заданий, но они не были независимо воспроизведены, а разброс результатов не сообщается. Модель может выдавать некорректные или недопустимые действия и не предназначена для общего диалога, других симуляторов или управления физическими роботами; для работы нужны взаимодействующий цикл среды и проверка действий. Лицензия — Apache-2.0.

Agent-G2 WebShop 1.5B — специализированный языковой агент от проекта Agent-G2, дообученный на базе Qwen2.5-1.5B-Instruct методом постобучения с подкреплением. Это плотная причинная модель Qwen2ForCausalLM размером 1,5 млрд параметров в формате BF16 Safetensors; она работает с текстом и имеет контекстное окно 32 768 токенов. Рецепт обучения использует до 4 096 токенов запроса и до 512 токенов ответа. Модель предназначена для взаимодействия с текстовым симулятором WebShop: она получает цель покупки, наблюдение среды, историю и допустимые действия, а затем генерирует рассуждение и одно действие на английском языке. Проект сообщает результат WebShop 92,3 балла и успешное завершение покупки в 78,9% случаев, однако результаты не были независимо воспроизведены в карточке модели. Чекпойнт рассчитан на исследование языковых агентов и обучения с подкреплением, а не на общий чат или реальные покупки. Для работы требуется совместимый WebShop-симулятор, шаблон запроса, парсер действий и цикл взаимодействия; некорректные или недопустимые действия необходимо проверять на стороне среды. Модель чувствительна к формату запроса, истории, настройкам генерации и конфигурации среды и может плохо переноситься на другие сайты. Базовая модель лицензирована Apache-2.0; для этого чекпойнта метаданные не содержат отдельной информации о лицензии, поэтому условия использования самого чекпойнта следует сверить с его карточкой и репозиторием проекта.

AhıskaAI-110M-Experimental-v0.1-Base — компактная языковая модель на 109,5 млн параметров, разработанная независимой инициативой AhıskaAI и обученная с нуля. Это плотная причинно-языковая модель архитектуры Llama (`LlamaForCausalLM`) для генерации текста; она принимает текстовые последовательности и предсказывает продолжение. Модель предназначена для экспериментального изучения сходимости обучения и поведения на задачах рассуждения на синтетических турецких данных: математических текстах, материалах из веба и рассказах. В карточке указано 0,3 эпохи предобучения на корпусе около 3,5 ГБ. Контекст составляет 1024 токена; модель имеет 12 слоёв, 12 голов внимания и словарь из 32 000 токенов. Она ориентирована на турецкий язык и может служить компактной основой для экспериментов с генерацией текста. Из-за короткого обучения и экспериментального статуса не следует ожидать надёжного качества в сложных задачах или широких прикладных сценариях. Лицензия — Apache-2.0.

AhıskaAI-Experimental-v0.2-235M-IT — экспериментальная модель для генерации текста, разработанная независимой инициативой AhıskaAI. Это дообученная методом SFT примерно 235-миллионная плотная LlamaForCausalLM, предназначенная для изучения влияния инструкционного дообучения на небольшую языковую модель и её поведения в диалогах, ответах на вопросы и математических запросах. Модель обучалась прежде всего на турецком языке; контекст составляет 2048 токенов. Разработчики сообщают, что модель не достигла требований к качеству основной серии AhıskaAI и не рекомендуется для производственного применения. Она может выдавать ошибочные факты и вычисления, повторяться, терять связь с запросом или не выполнять простые инструкции. Модель опубликована в формате safetensors по лицензии Apache-2.0.

RobotsMali разработала Bambara VITS — pseudo-IPA FinTech adaptation как исследовательскую адаптацию модели RobotsMali/bam-vits-pseudo-ipa для синтеза речи на бамбаре. Модель дообучена на 800 прочитанных предложениях о финансах, банковском деле и финтехе из одноголосого набора FinBamSpeech; архитектура VITS, размер — 3,5 млн параметров, частота аудио — 22,05 кГц. Чекпойнт в формате safetensors предназначен только для инференса, дискриминатор удалён. Для ввода требуется применять точный обучающий cleaner, преобразующий текст в псевдо-IPA: токенизатор сам не обрабатывает обычную орфографию бамбара. Адаптация фактически одноголосая и безусловная; при инференсе следует опустить speaker_id. Модель подходит для экспериментов с низкоресурсным синтезом речи, представлением текста и адаптацией к финансовой тематике, но не для производственного применения или озвучивания финансовых рекомендаций. Обучение было коротким, формальной оценки качества нет; возможны шум, ошибки в числах и терминах, запоминание обучающих примеров и сбои на текстах вне домена или с переключением языков. Лицензия — CC BY 4.0.

bert_base_lda_100 — модель на архитектуре DistilBERT, дообученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Репозиторий содержит веса в формате safetensors; заявленная длина контекста — 512 токенов. README сообщает результаты оценки: loss 7,7637 и accuracy 0,1571. В названии и классе архитектуры указана LDA, однако карточка не описывает назначение модели, её пользовательские сценарии или конкретные возможности. Лицензия в предоставленных данных не указана.

epwalsh/bert-xsmall-dummy — небольшая модель семейства BERT, опубликованная пользователем epwalsh на Hugging Face; профиль пользователя указывает имя Evan Pete Walsh. В каталоге Hugging Face модель отмечена как предназначенная для feature extraction, то есть получения векторных представлений текста, а не как готовая специализированная модель классификации или генерации. По доступным данным, модель относится к текстовым, использует архитектурную линию BERT и имеет размерность xsmall; точные параметры архитектуры, число параметров, поддерживаемые языки и максимальная длина контекста надежно не указаны. Название dummy указывает на тестовый или демонстрационный характер, поэтому модель не следует считать полноценным решением для прикладных NLP-задач и использовать без дополнительной проверки качества. Сильной стороной является компактность и пригодность для тестирования пайплайнов извлечения признаков при небольших вычислительных затратах. Ограничения — отсутствие подтвержденных сведений о качестве, обучающих данных, языковом охвате, точных характеристиках и лицензии; условия использования по доступным результатам поиска не установлены.

Bird-MAE-Base — аудиомодель исследовательской группы DBD, основанная на подходе Masked Autoencoder и архитектуре BirdMAEModel. Она предназначена для классификации звуков птиц, в том числе многометочной, и получения представлений аудио для последующей классификации с небольшим количеством размеченных примеров. Модель обучалась и оценивалась на биоакустическом наборе BirdSet. В README сообщается о результатах на уровне state of the art для многометочной классификации BirdSet и о преимуществе прототипического пробирования замороженных представлений перед линейным пробированием. Репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель принимает аудио и выдаёт предсказания классов или аудиопредставления — в зависимости от выбранного сценария работы. Язык человеческой речи для этой задачи не является основным. Результаты и область применения ориентированы на звуки птиц и BirdSet, поэтому их нельзя автоматически переносить на другие аудиодомены. Лицензия в предоставленных данных не описана.

khtsly/c — промежуточный чекпойнт модели Kimi K3 mini, опубликованный во время обучения на шаге 200 для сохранения и сравнения весов. Это плотная авторегрессионная языковая модель с архитектурой KimiLinearForCausalLM, размером 1,1 млрд параметров и контекстом до 1 048 576 токенов. Модель предназначена для генерации текста, однако её веса промежуточные и не представляют завершённую модель. Репозиторий содержит веса в формате Safetensors; используется библиотека Transformers. В метаданных указан английский язык. Чекпойнт экспериментальный и не рассчитан на надёжное практическое применение. Сведения о лицензии отсутствуют в предоставленных источниках.

Efe2898 выпустила экспериментальную языковую модель ÇABA v2 — причинную плотную модель генерации текста примерно с 45,6 млн параметров по метаданным. Она продолжает обучение модели Efe2898/caba-kumru-50m и использует токенизатор Kumru-2B-Base. Модель не дообучалась для следования инструкциям и не является готовым чат-ассистентом. Архитектура ÇABA не использует self-attention: блоки сочетают причинную depthwise-свёртку с тремя рекуррентными ассоциативными матричными банками. В конфигурации обучения указаны 8 блоков, скрытая размерность 512 и часы продвижения на 8 и 64 токена. Модель предназначена для экспериментальной автодополняющей генерации текста; README приводит пример продолжения текста на турецком языке. Размер словаря токенизатора — 50 176 токенов. Это исследовательский прототип без гарантий качества или скорости. В обучении использовались не включённые в манифест фрагменты данных, а репозиторий датасета не указывает лицензию на распространение; перед публикацией производных материалов следует проверить права на данные. Для загрузки пользовательского кода Transformers требуется trust_remote_code=True, поэтому автор рекомендует сначала проверить код. Лицензия модели в предоставленных данных не указана.

alg166/checkpoints — дообученная модель на архитектуре Whisper tiny от OpenAI для классификации аудио. В метаданных указаны Transformers, формат safetensors и входная модальность audio. Датасет для дообучения не описан; в README приведены результаты оценки: F1 0,0444 и accuracy 0,1538, что указывает на низкие показатели в указанной оценке. Модель распространяется по лицензии Apache-2.0.

CID-v1-0.4B — компактный исследовательский чекпойнт Continuous Interaction Diffusion от fwerkor, дообученный на базе LiquidAI/LFM2.5-Encoder-350M-Diffusion. Он содержит около 398,8 млн параметров: диффузионную языковую основу, модули CID и замороженный семантический энкодер. Модель предназначена для изучения постоянного когнитивного состояния, асинхронного взаимодействия с инструментами и пересматриваемой генерации в цикле CID. Основные сценарии — разработка и воспроизведение CID-runtime, исследование поведения когнитивного состояния и проверка механизмов сходимости, жизненного цикла когнитивных ячеек и выбора источника. В README сообщается о высокой точности на 512 примерах проверки нейронного контракта; общие задачи диалога, программирования и академические бенчмарки не были целью обучения и ограничены размером модели. Это не самостоятельная авторегрессионная чат-модель: для вывода необходим CID-runtime, обеспечивающий семантику обновления состояния. Репозиторий содержит веса safetensors без квантизации и файлы удалённого кода для интеграции с Transformers. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

CinnabarLM-4M-Base — компактная языковая модель, опубликованная MihaiPopa. Это плотная Llama-совместимая модель для генерации продолжения текста с 3,4 млн параметров и контекстом до 2048 токенов. В карточке указаны токенизатор Llama 3 и размер словаря 4096 токенов; модель обучалась около 36 минут на GPU T4 на 80 млн токенов англоязычного набора FineWeb. Модель предназначена для экспериментов с небольшими языковыми моделями и автодополнения английского текста. Она не проходила инструкционное дообучение и рассчитана на продолжение текста, а не на выполнение команд или диалог в формате ассистента. Автор указывает, что версия стабильнее предыдущего прототипа и не склонна к бессвязной генерации. Модель распространяется по лицензии Apache-2.0. Из-за очень малого размера и ограниченного объёма обучения её знания и качество генерации существенно уступают крупным языковым моделям; поддерживается только английский язык.

luqh/ClinicalT5-base — текстовая модель семейства T5 для генерации текста по текстовому запросу. В карточке приведён пример загрузки через Transformers из Flax-чекпойнта с помощью AutoTokenizer и T5ForConditionalGeneration. Модель содержит 123,8 млн параметров, её контекст составляет 1024 токена. Название указывает на клиническую направленность, однако README не описывает обучение, клинические задачи или проверенные сценарии применения. Поэтому её можно рассматривать как основу для экспериментов с преобразованием медицинских текстов, но пригодность для конкретных клинических задач по имеющимся сведениям подтвердить нельзя. Лицензия и результаты оценки в предоставленных данных не указаны.

CogACT-Small — модель Vision-Language-Action, разработанная исследователями Microsoft Research Asia в рамках проекта CogACT. Она объединяет визуальные энкодеры DINOv2 ViT-L/14 и SigLIP ViT-So400M/14, языковую модель Llama-2 и специализированный модуль действий DiT-Small, обусловленный выходом VLM. Модель принимает инструкцию на естественном языке и одно RGB-изображение сцены, затем предсказывает последовательность из 16 нормализованных действий робота. Каждое действие задаёт смещения 7-DoF концевого эффектора: x, y, z, roll, pitch, yaw и положение захвата. CogACT-Small предназначена для манипуляций роботом: её можно применять для управления в сценариях, представленных в смеси предобучения Open X-Embodiment, а также дообучать на новых задачах и конфигурациях роботов по небольшому числу демонстраций. Для управления требуется денормализовать предсказания с использованием статистик соответствующего набора данных; опционально можно применять Adaptive Action Ensemble. Веса и код распространяются по лицензии MIT. Карточка не приводит размер модели или длину контекста.

commaVQ-GPT2M — модель семейства GPT-2, разработанная comma.ai и обученная на расширенной версии набора данных commaVQ. Она генерирует видео поездок без текстового запроса, создавая воображаемые дорожные сцены; README приводит пример пяти секунд сгенерированного видео. Модель представлена в форматах PyTorch и ONNX, использует контекст длиной 2580 токенов и распространяется по лицензии MIT. README не уточняет разрешение, частоту кадров и условия управления содержанием видео.

Cosmos-H2R-0918 — это дообученная модель генерации видео на основе nvidia/Cosmos3-Nano, опубликованная пользователем rooty2020 в формате Cosmos с весами safetensors. Модель предназначена для моделирования взаимодействия робота с объектами: она генерирует видеопоследовательность манипуляции по изображению или видеоконтексту и описанию подзадачи, а также выдаёт траектории отслеживаемых 3D-точек по кадрам. Генерацию можно обусловить потоком поз камеры. Модель использует архитектуру cosmos3_omni на базе Qwen3-VL-8B MoT и diffusion expert; указано около 15,2 млрд параметров плюс визуальная башня Qwen3-VL. Финальный этап обучения использовал эпизоды DROID, нарезанные на клипы с текстовыми описаниями подзадач, и включал потери генерации видео, отслеживания 3D-точек и межвидовой согласованности. Указаны видео 480p, два ракурса и контекст до 17 кадров; основное назначение — роботизированные манипуляции, а не универсальная генерация видео. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

DariBERT — экспериментальная дообученная версия ParsBERT, разработанная для изучения адаптации персидской BERT-модели к лексике и употреблению языка дари. Модель использует архитектуру BERT в режиме masked language modeling: принимает текст с маской и предсказывает вероятные замены токена. Она предназначена для экспериментов с NLP на дари, исследования лексических различий между дари и иранским персидским, а также для дальнейшего дообучения под прикладные задачи. Модель содержит 190 млн параметров, использует токенизатор ParsBERT и поддерживает контекст до 512 токенов. При адаптации использован вручную собранный набор из 211 словарных записей; это не полноценное покрытие языка и не большой корпус для предобучения. Оценка ограничена качественными проверками без формальных метрик и независимого тестового набора. DariBERT не предназначена для машинного перевода или авторегрессионной генерации длинных текстов. Базовая модель — HooshvareLab/bert-base-parsbert-uncased; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

sowsow/ddpm-celebahq-finetuned-butterflies-2epochs — модель диффузии для безусловной генерации изображений, опубликованная пользователем sowsow. Карточка называет её примером дообученной модели для учебного модуля по диффузионным моделям; по идентификатору и названию карточки модель дообучена на изображениях бабочек в течение двух эпох на базе CelebA-HQ. Модель использует DDPMPipeline из библиотеки Diffusers и генерирует изображение без текстового запроса. Лицензия — MIT. README не приводит сведений о размере модели, разрешении изображений или качестве результатов.

Decision Transformer от сообщества Hugging Face, обученный на траекториях medium-replay из среды Gym Walker2d. Модель на основе архитектуры Decision Transformer содержит около 786,6 тыс. параметров и принимает последовательности состояний и целевых наград, чтобы предсказывать действия для управления симуляцией Walker2d. Модель предназначена для экспериментов и задач обучения с подкреплением в непрерывном управлении: её можно использовать для выбора действий агента в Walker2d на основе накопленных траекторий. При использовании требуются указанные в карточке средние значения и стандартные отклонения для нормализации наблюдений. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

DeepSeek-V2-Lite-Dense-3B-DO-ACP-K6 — плотная языковая модель примерно на 2,5 млрд параметров, созданная jhyuckkim для воспроизведения экспериментов по прореживанию и дистилляции MoE-моделей в плотные языковые модели. Она получена из DeepSeek-V2-Lite с помощью отбора экспертов и дистилляции на 0,3 млрд токенов FineWeb-Edu; в работе представлена как лучший вариант DeepSeek среди исследованных методов отбора. Модель поддерживает генерацию текста и диалог, принимает текст и выдаёт текст, использует архитектуру DeepSeek V2 и контекст до 163 840 токенов. Модель предназначена для изучения и воспроизведения экспериментов, а не для повседневного использования как ассистент. На ней не выполнялась настройка на инструкции или выравнивание, а качество существенно уступает исходной модели и другим предварительно обученным моделям сопоставимого размера. В README указана лицензия `other`; конкретные условия использования следует сверять с лицензией репозитория.

Diffusion Policy / PushT (keypoints) — политика управления роботом, опубликованная проектом LeRobot и обученная для среды PushT из gym-pusht. Модель использует наблюдения в виде ключевых точек вместе с положением агента; их кодирование подаётся как глобальное условие в U-Net, который выполняет денойзинг последовательности действий. Модель предназначена для управления агентом при толкании объекта T-образной формы к целевой области в симуляции. В README указаны среднее максимальное перекрытие с целью 0,97 и успешность 71% по 500 эпизодам; успех означает достижение перекрытия не менее 95%. Для использования указана оценка в среде PushT через скрипт LeRobot. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

gokulsrinivasagan/distilbert_lda_20_v1 — дообученная модель на базе DistilBERT, обученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-20. В метаданных указан класс DistilBertForLDAMaskedLM и формат весов safetensors; модель работает с контекстом до 512 токенов. README приводит значения loss 4.7631 и accuracy 0.5784 на оценочном наборе, но не объясняет назначение компонента LDA, схему разметки или пользовательский сценарий. Лицензия и базовая модель не указаны, поэтому условия использования и исходный репозиторий базовой модели определить нельзя.