II.10Разработка и эксплуатация AI/ML-систем

Veritone/siglip2-base-patch32-256-text — текстовая башня модели SigLIP 2 Base, основанной на архитектуре SigLIP и разработанной Google. Это сокращённая копия google/siglip2-base-patch32-256, содержащая только текстовый энкодер: она преобразует текстовые запросы в общее пространство эмбеддингов и предназначена для отдельной загрузки на этапе поиска. Парная зрительная башня находится в Veritone/siglip2-base-patch32-256-vision. Модель используют для сопоставления текстовых запросов с изображениями, поиска по изображениям и как текстовый энкодер в мультимодальных системах. В составе полной модели SigLIP 2 поддерживает классификацию изображений без примеров по заданным текстовым меткам. Указанная длина контекста — 64 токена; модель доступна в формате safetensors и предназначена для библиотеки Transformers. Лицензия — Apache-2.0. Этот репозиторий содержит только текстовую башню, поэтому сам по себе не кодирует изображения и не выполняет классификацию изображений без парной зрительной башни. README не приводит сведений о поддерживаемых естественных языках.

ThakiCloud/SKILLRET-Embedding-8B — текстовая модель эмбеддингов на архитектуре Qwen3, разработанная ThakiCloud и дообученная на обучающей части бенчмарка SkillRet контрастивным обучением. Она предназначена для поиска подходящих навыков AI-агентов по запросу пользователя на естественном языке в большой библиотеке навыков. Модель содержит 7,6 млрд параметров, использует Sentence Transformers и принимает текст, возвращая эмбеддинги для семантического сопоставления запросов с описаниями навыков. Длина контекста составляет 40 960 токенов. В тесте SkillRet на 4 392 запросах и 6 006 навыках указаны NDCG@10 0,8644 и Recall@10 0,9325. Модель оптимизирована для англоязычных запросов и навыков AI-агентов; качество на данных за пределами распределения SkillRet может отличаться. Она находит навыки, но не исполняет их. Лицензия — Apache-2.0.

Self-instruct-starcoder — модель генерации кода, созданная дообучением StarCoder на наборе инструкций Self-instruct-starcoder. Она рассчитана на ответы на запросы в формате «Question: … Answer: …» и на выполнение заданий по программированию. Модель построена на архитектуре GPTBigCode, использует причинную генерацию текста и поддерживает контекст до 8192 токенов. Модель подходит для генерации и дополнения кода по инструкциям. В карточке указана библиотека Transformers и формат весов PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

NVIDIA FastConformer-Hybrid Large (kk-ru) — модель распознавания речи, разработанная NVIDIA для транскрибации казахской и русской речи. Она принимает монофонический аудиосигнал WAV с частотой 16 кГц и возвращает текстовую строку в нижнем регистре. Модель построена на архитектуре FastConformer и содержит около 115 млн параметров. Это гибридная модель с декодерами Transducer и CTC, обученная на обоих типах функций потерь; по умолчанию используется Transducer. Для обучения использовались открытые корпуса казахской речи общим объёмом около 1550 часов и русской речи объёмом около 850 часов. Модель работает через NVIDIA NeMo и доступна как предварительно обученный чекпойнт для распознавания или дообучения. Модель не поддерживает потоковую обработку и не добавляет в результат заглавные буквы и пунктуацию. Качество может снижаться на технической лексике и разговорных вариантах речи, недостаточно представленных в обучающих данных. Лицензия — CC BY 4.0.

princeton-nlp/sup-simcse-bert-large-uncased — модель извлечения признаков и получения эмбеддингов предложений, разработанная группой Princeton NLP. Это вариант BERT Large, обученный методом supervised SimCSE на объединённых наборах MNLI и SNLI (около 314 тысяч примеров); модель содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Её можно применять для представления предложений в виде векторов, в том числе для оценки семантического сходства и переноса признаков в последующие NLP-задачи. Модель предназначена для англоязычного текста. В README указаны риски предвзятых ассоциаций и стереотипов в представлениях; результаты следует оценивать с учётом контекста и возможного вреда. Форматы репозитория включают PyTorch и Flax. В карточке не приведены сведения о лицензии, поэтому условия использования следует уточнить у разработчика перед применением.

Swin Small Patch4 Window7 224, распространяемая проектом timm, — модель классификации изображений на основе иерархического Vision Transformer с механизмом сдвинутых окон. Авторы статьи Swin Transformer предварительно обучили её на ImageNet-22k; в карточке указаны 65,6 млн параметров и входной размер 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Она подходит для построения систем распознавания изображений и визуального поиска. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

TabPFNMix Regressor — регрессионная модель для табличных данных, разработанная AutoGluon. Это табличная foundation-модель на основе 12-слойного Transformer encoder-decoder с 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных регрессоров, и использует обучение в контексте, подобное TabPFN и TabForestPFN. Модель предназначена для предсказания числовых значений по признакам таблицы. Её можно применять для табличной регрессии; README указывает на использование через AutoGluon. Модель распространяется в формате safetensors по лицензии Apache-2.0.

utahnlp/tevatron-elastic-bert-retriever-plain — плотный текстовый ретривер на базе google-bert/bert-base-uncased, обученный с помощью Tevatron-Elastic. Модель преобразует запросы и фрагменты документов в признаки для поиска; при обучении использовались префиксы query: и passage:, а максимальная длина последовательности составляет 512 токенов. Число параметров — 136,7 млн. Это базовая полноразмерная точка из семейства эластичных чекпойнтов, предназначенного для выбора рабочих точек по осям глубины, ширины и сжатия токенов. В README указана метрика BEIR-15 nDCG@10 0,461 для полноразмерной конфигурации. Модель выпущена как ресурс для воспроизводимости результатов статьи Tevatron-Elastic, а не как заявление о превосходстве над современными системами. Для работы требуется framework Tevatron-Elastic; репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель унаследовала англоязычную основу BERT и обучалась на данных rlhn/rlhn-680K; заявленная длина контекста — 512 токенов.

shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

timm/tf_efficientnetv2_m.in21k — модель EfficientNetV2-M для классификации изображений и извлечения признаков. Её обучили авторы оригинальной статьи на ImageNet-21k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и safetensors. Модель предназначена для присвоения изображениям классов, извлечения карт признаков и получения эмбеддингов изображений. В ней около 80,8 млн параметров; размер изображения при обучении составлял 384×384 пикселя, при тестировании — 480×480. Это визуальная модель без обработки естественного языка. Распространяется по лицензии Apache-2.0.

TigerBot-70B-Base-v1 — базовая языковая модель семейства Llama, разработанная TigerResearch. Это плотная авторегрессионная модель на 69 млрд параметров для генерации текста и использования в качестве основы для собственных решений на базе LLM. В карточке приведены результаты Open LLM Leaderboard, включая средние 62,1 балла, ARC и HellaSwag. Модель поддерживает китайский и английский языки, принимает текст и генерирует текст. Её нативный контекст составляет 2048 токенов. Веса доступны в формате PyTorch, а для использования README предлагает запуск через Transformers и код TigerBot. Модель распространяется по лицензии Apache-2.0.

Truss Python — специализированная дообученная модель Truss AI для генерации и объяснения кода на Python. Она основана на Qwen/Qwen3-4B-Instruct-2507 и использует архитектуру Qwen3ForCausalLM; карточка указывает 4 млрд параметров и контекст до 262 144 токенов. Модель распространяется в формате GGUF с квантизацией Q4_K_M и адаптацией LoRA, рассчитана на локальный запуск, в том числе через Ollama. Модель предназначена для генерации аккуратно структурированного кода, решения алгоритмических задач и помощи с асинхронным программированием, стандартной библиотекой Python и структурами данных. Она ориентирована на аннотации типов, документацию в стиле Google, обработку ошибок и синтаксис Python 3.10+. Лицензия — Apache 2.0. Карточка описывает поддержку английского языка; качество кода и корректность результатов следует проверять, особенно для сложных задач и кода, используемого в production.

Typhoon-0130 — инструктивная языковая модель команды SCB10X AI Team, предназначенная для диалогов и выполнения пользовательских инструкций на тайском и английском языках. Модель содержит 7,1 млрд параметров, использует плотную decoder-only архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для общения применяется шаблон ChatML. Модель подходит для создания чат-ботов и сервисов ответов на запросы, в том числе при развёртывании через vLLM. Она настроена следовать инструкциям и обучалась с использованием методов и данных, сходных с ORCA и OpenChat. Системные промпты не поддерживаются; модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому её следует оценивать с учётом сценария использования. Лицензия — Apache-2.0.

vectorizer-v1-S-en — англоязычный векторизатор Sinequa на архитектуре BERT-Small, содержащий около 32,4 млн параметров. Он преобразует запросы и фрагменты текста в векторы размерностью 256 для семантического поиска: векторы фрагментов хранятся в векторном индексе, а вектор запроса используется для поиска релевантных фрагментов. Модель нечувствительна к регистру и диакритическим знакам, принимает последовательности длиной до 512 токенов. Модель обучали на парах «запрос — фрагмент» с внутрипакетными негативными примерами, затем дообучали на триплетах с негативными примерами, найденными предыдущей версией. Данные основаны на Natural Questions, адаптированном Sinequa; качество оценивали на 14 англоязычных наборах BEIR. Средний Recall@100 составил 0,456. По README, для использования требуется Sinequa версии 11.10.0 или новее; указаны требования к CUDA для запуска на GPU. Модель предназначена для поиска по англоязычным текстам. Лицензия в предоставленных данных не указана.

Vedika-Code-Pro-v1 — языковая модель Veda Labs, предназначенная для программирования и задач рассуждения. В метаданных Hugging Face указаны архитектура VedikaCodeProV1ForCausalLM, плотный тип архитектуры, 44,9 млрд параметров, библиотека Transformers и формат Safetensors. README приводит другие характеристики размера: 1,6 трлн общих параметров и 49 млрд активируемых; это расхождение не позволяет однозначно установить фактический размер модели. Заявлена длина контекста около 1 млн токенов. Модель принимает текст и генерирует текст; README указывает на форматирование сообщений, совместимое с OpenAI, и отдельные скрипты кодирования, поскольку в выпуске нет шаблона чата Jinja. Она рассчитана на помощь в написании кода и рассуждениях, в том числе в сценариях разработки. Язык программирования и поддерживаемые естественные языки в доступных данных не перечислены. Лицензия — MIT.

Модель ViT-Base/16 от timm — визуальный трансформер для классификации изображений и извлечения признаков. Её предварительно обучили на парах изображение–текст LAION-2B с помощью OpenCLIP, затем дообучили на ImageNet-12k и ImageNet-1k. Модель содержит 86,6 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и подходит для классификации объектов, а также получения визуальных эмбеддингов для последующего поиска или анализа. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), подготовленная Россом Уайтманом в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; размер входного изображения — 256×256 пикселей. Модель содержит 67,3 млн параметров и обучена на ImageNet-12k. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. Она подходит для визуального поиска и построения компьютерно-зрительных конвейеров. Распространяется по лицензии Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), опубликованная в библиотеке timm. Веса предварительно обучены OpenAI с помощью CLIP на парах изображение–текст WIT-400M, а затем дообучены в timm на ImageNet-12k и ImageNet-1k. Модель содержит около 304,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и эмбеддингов изображений. Её можно применять для распознавания объектов и категорий на фотографиях, а также для построения систем поиска и анализа изображений на основе визуальных представлений. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт классы или признаки; языковая генерация и обработка текста не являются её задачами.

timm/vit_small_patch16_224.dino — модель извлечения признаков изображений на основе Vision Transformer (ViT), разработанная командой timm. Она обучена методом самообучения DINO на ImageNet-1k и может использоваться как визуальный backbone для получения эмбеддингов и как основа для классификации изображений. Архитектура ViT-Small обрабатывает изображения размером 224 × 224 пикселя; модель содержит около 21,7 млн параметров и требует 4,3 GMACs на проход. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и задач классификации с отдельной классификационной головой. Репозиторий содержит веса PyTorch и SafeTensors; доступна библиотека timm. Лицензия — Apache-2.0. Модель работает с изображениями и сама по себе не предназначена для понимания или генерации текста.

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с аугментациями и регуляризацией; Росс Уайтман перенёс веса в PyTorch для библиотеки timm. Модель принимает изображения размером 224 × 224 и может классифицировать их либо получать эмбеддинги изображений для последующего использования. В ней 36,4 млн параметров; вычислительная сложность составляет 3,5 GMACs. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации объектов общего назначения и как визуальная основа в компьютерном зрении. Она обучена на ImageNet, поэтому её классы и поведение ориентированы на эту задачу; применение к специализированным изображениям может потребовать дополнительной адаптации. Лицензия — Apache-2.0.

VultronRetrieverFlash-Qwen3.5-0.8B — мультимодальный ретривер документов от Vultr Cloud, созданный на базе Qwen/Qwen3.5-0.8B и обученный для поиска по изображениям страниц. Модель использует архитектуру ColQwen3_5 с поздним взаимодействием: строит многовекторные представления размерностью 320 и оценивает совпадение запросов и страниц методом MaxSim. Размер модели — 0,8 млрд параметров; генеративная голова удалена. Модель предназначена для поиска по PDF, сканам, презентациям и отчётам, в том числе по страницам со сложной вёрсткой, таблицами, диаграммами и иллюстрациями. Принимает изображения страниц и/или текстовые запросы, формирует векторы для последующего ранжирования и может использоваться в мультимодальных RAG-системах. Поддерживает английский, французский, немецкий, испанский, итальянский и португальский языки; страницы обрабатываются до 1792 визуальных токенов. По заявлению карточки, модель лидирует среди моделей менее 2 млрд параметров на ViDoRe V3. Многовекторный индекс и вычисление MaxSim требуют больше памяти и вычислений, чем поиск по одиночным векторам; для обычного текстового семантического поиска модель не предназначена и сама по себе не генерирует ответы. Другие языки находятся вне обучающего распределения. Для работы с гибридной архитектурой требуются causal-conv1d и flash-linear-attention; рекомендуется SDPA. Лицензия — Apache-2.0.

watt-tool-70B — языковая модель на 69,5 млрд параметров, дообученная watt-ai на базе meta-llama/Llama-3.3-70B-Instruct. Она предназначена для диалоговых ассистентов и AI-агентов, которым нужно выбирать инструменты и вызывать функции, в том числе в многошаговых сценариях автоматизации рабочих процессов. Модель поддерживает контекст до 131 072 токенов и принимает текст, выдавая текст и структурированные вызовы инструментов. В README заявлена высокая производительность на Berkeley Function-Calling Leaderboard и описано обучение с учителем на специализированных данных, а также применение подходов CoT и DMPO. Модель рассчитана прежде всего на английский язык; базовая модель мультиязычна, но отдельный список поддерживаемых языков для watt-tool-70B не приведён. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

Jonatas Grosman подготовил модель распознавания испанской речи, дообучив facebook/wav2vec2-xls-r-1b на обучающих и проверочных выборках Common Voice 8.0, MediaSpeech, Multilingual TEDx, Multilingual LibriSpeech и VoxPopuli. Это плотная модель Wav2Vec2ForCTC на 1,3 млрд параметров для автоматического преобразования речи в текст; она принимает аудио, записанное с частотой дискретизации 16 кГц, и предназначена для испанского языка. Модель подойдёт для транскрибации испанской речи в аудиозаписях и оценки систем распознавания речи. Для работы нужны веса PyTorch; модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов оценки качества.

French Medium Whisper — дообученная модель распознавания речи из семейства Whisper, созданная на основе openai/whisper-medium и обученная на наборе данных Common Voice 11.0. Она преобразует французскую речь в текст и подходит для транскрибации аудио и оценки систем распознавания французской речи. В карточке приведены результаты на тестовой выборке: WER 15,8969 без нормализации и 11,1406 с нормализацией. Модель содержит 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Лицензия — Apache-2.0. Результаты сравнения с Whisper Medium приведены для тестовых наборов разных версий Common Voice, поэтому они не гарантируют превосходство на других аудио и сценариях.

X-ASR-zh-en — модель распознавания речи на китайском и английском языках, разработанная в рамках серии X-ASR на базе icefall. Это Zipformer transducer, обученный примерно на 1 млн часов открытых и собранных речевых данных и поставляемый в формате ONNX для запуска через sherpa-onnx. Модель поддерживает потоковое распознавание с вариантами размера чанка 160, 480, 960 и 1920 мс, а также офлайн-декодирование; в распознанном тексте поддерживаются пунктуация и регистр. Модель предназначена для транскрибации китайской и английской речи, в том числе в сценариях с низкой задержкой, а также для офлайн-распознавания. Её можно использовать в исследованиях, оценке качества, демонстрациях и экспериментах по развёртыванию. Фактическая задержка зависит от оборудования, параллельной нагрузки, разбиения аудио на чанки, настройки определения конца высказывания и конфигурации сервера. Технический отчёт с подробностями обучения и оценки ещё не опубликован. Лицензия — Apache-2.0.

Модель cartesinus/xlm-r-base-amazon-massive-slot — дообученная cartesinus модель XLM-RoBERTa-base для разметки слотов в текстах. Она обучена на наборе данных MASSIVE 1.1 и использует архитектуру XLMRobertaForTokenClassification. Модель принимает текст и присваивает метки отдельным токенам, помогая извлекать из пользовательских высказываний значения, относящиеся к слотам в сценариях понимания естественного языка. На тестовой выборке указаны F1 0,8405, точность 0,8144, полнота 0,8683 и accuracy 0,9333. Параметры модели сохранены в форматах PyTorch и Safetensors; размер составляет около 305,2 млн параметров, длина контекста — 514 токенов. Карточка помечена языком en, но XLM-RoBERTa — многоязычная базовая модель, поэтому явно подтверждённая поддержка отдельных языков для этой версии ограничена сведениями карточки. Лицензия — MIT.

XLM-RoBERTa large — мультиязычная языковая модель семейства RoBERTa, разработанная командой Facebook AI и впервые опубликованная в репозитории Hugging Face. Модель с архитектурой XLM-RoBERTa содержит 658,7 млн параметров и обучена на 2,5 ТБ очищенных данных CommonCrawl на 100 языках с целью masked language modeling: по контексту предсказывает скрытые токены. Длина контекста — 514 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, ответы на вопросы и другие задачи понимания текста. Она формирует двунаправленные представления предложений на многих языках, что позволяет использовать её для извлечения признаков и кросс-языковых сценариев. Для свободной генерации текста модель не предназначена. Распространяется по лицензии MIT.

XwinCoder-13B — инструкция-настроенная модель генерации кода от Xwin-LM, дообученная на базе CodeLLaMA. Она предназначена для создания кода по текстовым инструкциям и запросам; авторы публикуют веса и код оценки. В карточке приведены результаты XwinCoder-13B на HumanEval, MBPP и APPS-intro: pass@1/5 соответственно 68,8, 60,1 и 35,4. Модель имеет плотную архитектуру LlamaForCausalLM с 12,9 млрд параметров, принимает текст и генерирует текст, а заявленная длина контекста составляет 16 384 токена. В метаданных указан формат PyTorch и лицензия Llama 2. README описывает её как instruction fine-tune CodeLLaMA, поэтому для использования следует соблюдать условия лицензии Llama 2.

Это веса визуального энкодера AIM-v2 huge с патчами 14×14 и входным разрешением 224 пикселя, опубликованные в репозитории timm/aimv2_huge_patch14_224.apple_pt. Модель совместима с библиотекой timm и предназначена для извлечения признаков из изображений. Эти признаки можно использовать как вход для последующей классификации, поиска по сходству или других задач компьютерного зрения. В метаданных указаны форматы PyTorch и Safetensors и лицензия Apple ASCL. Сведения о конкретных ограничениях использования в карточке не приведены.

Карточка модели aiXcoder/aixcoder-7b на Hugging Face совпадает с карточкой aiXcoder/aixcoder-7b-base, поэтому описание составлено по ней. aiXcoder-7B Base — базовая большая языковая модель для кода, разработанная командой aiXcoder. Модель с архитектурой Llama содержит 7,2 млрд параметров и обучена на 1,2 трлн уникальных токенов. Она предназначена для автодополнения, понимания и генерации кода на нескольких языках программирования; контекстное окно составляет 32 768 токенов. Модель ориентирована на сценарии разработки и, по заявлению авторов, показывает сильные результаты в автодополнении кода и мультиязычном NL2Code среди моделей сопоставимого размера. Это базовая версия без специального instruction-тюнинга, поэтому она может хуже справляться с высокоуровневыми задачами вроде отладки и генерации тестов. Опубликованные веса доступны в форматах PyTorch и safetensors; лицензия в предоставленных данных не описана.