II.10Разработка и эксплуатация AI/ML-систем

Athene-V2-Agent — языковая модель Nexusflow для агентных сценариев и вызова функций, дообученная на Qwen2.5-72B-Instruct. Она планирует последовательности действий с несколькими вызовами инструментов, включая задачи со сложными зависимостями, и формирует вызовы функций, которые приложение может выполнить и вернуть модели для продолжения работы. Модель также поддерживает диалог и генерацию текста; заявленные в карточке результаты относятся к тестам вызова функций и агентных задач. Модель имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. README рекомендует запускать её через специальный Docker-образ Nexusflow с vLLM: формат промптов в нём настроен для извлечения исполняемых вызовов из планирования модели; стандартный шаблон чата Hugging Face может снизить качество агентной работы. Для предсказуемого поведения также рекомендуются отключённая случайная выборка и нулевая температура. Указана лицензия Nexusflow Research License; метаданные обозначают её как «other», поэтому условия следует сверять с текстом лицензии репозитория.

Это компактная модель классификации текста на базе BERT, разработанная Shahrukh Khan для маршрутизации поисковых запросов в Haystack. Она определяет, является ли запрос ключевым словосочетанием или вопросом/утверждением, чтобы направлять вопросы в ветку Reader и сокращать лишние вычисления при поиске.

Это компактная англоязычная модель BERT из набора BERT Miniatures, представленного авторами исследования «Well-Read Students Learn Better: On the Importance of Pre-training Compact Models». Вариант L-4_H-512 имеет 4 слоя и скрытый размер 512; всего в модели около 32,4 млн параметров. Это плотная трансформерная модель с регистронезависимой токенизацией WordPiece и контекстом до 512 токенов. Доступны форматы PyTorch и Flax; лицензия — Apache-2.0. Модель предназначена для задач понимания английского текста и дообучения под конкретные классификационные и другие задачи NLP. Компактный размер делает её подходящей для сред с ограниченными вычислительными ресурсами; авторы отмечают, что особенно эффективно применять её в дистилляции, используя метки от более крупной модели-учителя. В README приведены результаты оценки вариантов семейства на GLUE. По сравнению с более крупными BERT моделями этот вариант требует меньше ресурсов, но компактность может ограничивать качество на сложных задачах. Модель не заявлена как генеративная или мультимодальная; для прикладных сценариев её обычно дообучают под целевую задачу.

google/bert_uncased_L-8_H-256_A-4 — компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Это плотный Transformer-энкодер с 8 слоями, размерностью скрытого состояния 256 и 4 головами внимания; модель содержит 16,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и предназначена для задач понимания английского текста, в том числе для последующего дообучения по схеме BERT. Модель рассчитана на среды с ограниченными вычислительными ресурсами и может служить компактной основой для классификации текста, анализа тональности, оценки сходства и других задач обработки языка. Авторы отмечают, что особенно эффективна она при дистилляции, когда разметку для дообучения генерирует более крупная и точная модель. В карточке приведены реализации для PyTorch и Flax. Лицензия — Apache 2.0.

Canary-1B-v2 CTC aligner GGUF — это отдельная модель для автоматического распознавания речи и принудительного выравнивания аудио с готовой расшифровкой. Она разработана командой NVIDIA NeMo как вспомогательная CTC-модель, входящая в состав nvidia/canary-1b-v2, а затем извлечена и преобразована в формат GGUF проектом CrispStrobe для использования с инструментом nfa-align. Модель построена на архитектуре FastConformer с CTC-головой и содержит около 600 млн параметров. Она предназначена прежде всего для получения временных границ слов и сегментов в аудиозаписях, в том числе для текстов, созданных другими ASR-системами или введённых вручную. Также поддерживается автономное CTC-распознавание речи. Модель работает с аудио 16 кГц и поддерживает 25 европейских языков, включая английский, русский, немецкий, французский, испанский, итальянский, польский и украинский. Для токенизации используется единый SentencePiece-словарь Canary-1B-v2. Сильная сторона модели — точное принудительное выравнивание на уровне слов: заявленная средняя абсолютная ошибка на тестовом английском примере составила 78 мс, что существенно лучше выравнивания через cross-attention основной модели Canary. Ограничение заключается в использовании субсловной, а не посимвольной токенизации, поэтому точность может зависеть от языка и текста; сведения о максимальном контексте и полном наборе эксплуатационных требований не указаны. Доступны версии F16 и GGUF-квантизации Q8_0, Q5_0 и Q4_K, причём Q4_K заявлена как рекомендуемая и дающая идентичные результаты выравнивания относительно F16. Веса модели распространяются по лицензии CC-BY-4.0 с обязательной атрибуцией NVIDIA и команды NeMo. Код преобразования и среда ggml указаны как распространяемые по MIT, однако это не изменяет лицензию самих весов.

AmberYifan/capsd-marin-8b-base-code_qurating_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она содержит около 7,5 млрд параметров и предназначена для генерации и продолжения текста; карточка указывает на дообучение на наборе capsd_marin-8b-base-n80000-opc__mix_code_qurating_b10000_s0, название которого указывает на смесь данных с кодом и задачей question answering, но подробности обучения не приведены. Модель использует плотную архитектуру LlamaForCausalLM, библиотеку Transformers и формат safetensors, поддерживает чат и имеет контекст до 4096 токенов. Базовая Marin 8B Base описана как англоязычная модель для генерации и продолжения текста, поэтому английский — основной язык модели. Лицензия обозначена как other, без дополнительных условий в предоставленных данных; перед применением следует проверить лицензию репозитория. README не приводит оценок качества, поэтому пригодность для кода и ответов на вопросы стоит проверять на целевых примерах.

Carnice-9b — текстовая генеративная модель от kai-os, созданная на базе Qwen/Qwen3.5-9B и настроенная для работы с Hermes Agent. Это самостоятельный объединённый чекпойнт, который загружается без отдельного PEFT-адаптера; модель имеет плотную архитектуру Qwen3_5ForCausalLM и содержит 7,2 млрд параметров. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных сценариев в среде Hermes: вызова инструментов, выполнения команд в терминале, работы с файлами, использования браузера и многошагового выполнения задач. Обучение включало этап коррекции рассуждений и этап настройки на формат действий и трассы Hermes. Основной упор сделан на качество выполнения задач в этой среде, а не на общие чат-бенчмарки. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов для совместимого рантайма. Данные карточки не подтверждают поддержку русского или других конкретных естественных языков, поэтому языковая специализация не заявляется. Распространяется по лицензии Apache-2.0. Оценивание в основном проводится внутри Hermes Agent; карточка отмечает, что оценка качества ещё продолжается.

Мультиязычная модель sentence-transformers для сопоставления изображений с текстом в общем плотном векторном пространстве. Разработана командой sentence-transformers на основе OpenAI CLIP-ViT-B-32: текстовый энкодер DistilBERT обучен методом мультиязычной дистилляции, а энкодер изображений CLIP оставлен без изменений. Модель подходит для поиска изображений по текстовому запросу и мультиязычной классификации изображений без дообучения: названия классов задаются текстом. Текстовая часть рассчитана на 50+ языков; для русского это позволяет искать изображения и задавать текстовые метки на русском. Контекст составляет 512 токенов. Доступны реализации и веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Мультиязычная версия выравнивает текстовые представления с пространством оригинального CLIP, но качество может различаться между языками: README предупреждает, что на языках за пределами набора выравнивания результаты могут быть хуже. Лицензия — Apache-2.0.

timm/coat_tiny.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k; модель содержит 5,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и других классов ImageNet-1k на изображении, а также для получения эмбеддингов изображений в качестве признаков для последующих задач. Репозиторий содержит веса PyTorch, библиотека — timm. Лицензия Apache-2.0.

CodeGemma 1.1 7B IT — это инструкционно дообученная языковая модель для генерации и работы с программным кодом, разработанная Google. Данная версия опубликована в формате GGUF и квантизирована bartowski с использованием llama.cpp и метода imatrix. Размер исходной модели — 7 миллиардов параметров. Модель предназначена для сценариев, связанных с программированием, включая генерацию кода по описанию задачи; в README приведён пример создания функции на Python для вычисления числа Фибоначчи. Для работы требуется специальный формат prompt с маркерами ролей CodeGemma. Модель не поддерживает system prompt. Сведения о поддерживаемых языках программирования, естественных языках и размере контекстного окна в предоставленных данных отсутствуют. Доступно множество вариантов квантизации с разным соотношением качества и требований к памяти: от Q8_0 размером 9,07 ГБ до компактных вариантов семейства IQ и Q2. В README наиболее рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации; варианты с более низкой разрядностью экономят память, но могут заметно уступать по качеству. Модель распространяется по лицензии Gemma, условия которой указаны по ссылке Google.

Карточка модели unsloth/codegemma-7b на Hugging Face совпадает с карточкой unsloth/codegemma-7b-it, поэтому описание составлено по ней. unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

abacaj/codegen-16B-nl-sharded — размещённая в шардированном виде версия CodeGen-NL 16B, семейства авторегрессионных языковых моделей для синтеза программ, разработанного авторами статьи «A Conversational Paradigm for Program Synthesis». Модель содержит 16 млрд параметров, использует архитектуру CodeGenForCausalLM и распространяется в формате PyTorch с весами torch.float16. Контекст составляет 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по подсказкам на естественном языке, заданным в виде комментария, и для продолжения частично написанного кода. Она предварительно обучена на корпусе The Pile, включающем данные с кодом; в README описана оценка на HumanEval и MTPB. Карточка не уточняет, какие языки программирования охватываются, поэтому их перечень не приводится. Лицензия — BSD 3-Clause.

Это преобразованная версия CodeGen2-1B от Salesforce, подготовленная Майклом Файлем для FauxPilot. Веса CodeGen2 представлены в архитектуре GPT-J и доступны в форматах PyTorch и Safetensors; модель относится к семейству GPT-J с плотной архитектурой GPTJForCausalLM. Контекст составляет 2048 токенов. Модель предназначена для генерации кода по текстовым подсказкам и продолжения незавершённых фрагментов, включая заполнение пропусков внутри кода. README указывает поддержку C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Обучение проводилось на разрешающей подвыборке дедуплицированного Stack v1.1; для infilling используются специальные токены CodeGen2. Качество генерации и корректность кода требуют проверки; заявленное назначение — программный синтез, особенно по подсказкам на английском языке. Лицензия — Apache-2.0.

CodeGen2.5-7B-multi — авторегрессионная языковая модель для генерации программного кода из семейства CodeGen2.5, разработанная Эриком Найкампом, Хироки Хаяси, Инбо Чжоу и Цаймином Сюном. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает с контекстом до 2048 токенов. Она обучена на 1,4 трлн токенов из StarCoderData и поддерживает несколько языков программирования. Модель предназначена прежде всего для синтеза и автодополнения кода по текстовым запросам на английском языке, а также для заполнения пропусков внутри фрагментов кода в формате infilling. В README сообщается о сравнительных результатах с более крупной StarCoderBase-15.5B, но конкретные показатели здесь не приведены. Модель может воспроизводить фрагменты кода из обучающего набора, поэтому перед использованием сгенерированного кода следует проверять его корректность и лицензионные требования. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В README релиз обозначен как исследовательский; качество, безопасность и справедливость модели не оценены для всех вариантов практического применения.

Salesforce CodeGen-Mono 6B — авторегрессионная плотная языковая модель семейства CodeGen для синтеза программ. Вариант Mono сначала инициализирован из CodeGen-Multi 6B, затем дополнительно предобучен на датасете BigPython с 71,7 млрд токенов кода на Python. Модель содержит 6 млрд параметров и имеет контекст длиной 2048 токенов. Модель предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам, оформленным как комментарии, а также для продолжения частично написанного кода. Она принимает текст на естественном языке и код, выдаёт текст с продолжением или сгенерированным кодом; карточка описывает оценивание на HumanEval и MTPB. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Модель выпущена Salesforce для исследовательского использования. Лицензия — BSD 3-Clause. Генерируемый код может содержать ошибки; качество, безопасность и справедливость не оценивались для всех возможных сценариев применения.

Salesforce/codet5p-770m-py — модель CodeT5+, разработанная Salesforce Research для понимания и генерации программного кода. Это плотная модель семейства T5 с архитектурой encoder-decoder и 385,2 млн параметров; карточка описывает семейство как способное работать в режимах encoder-only, decoder-only и encoder-decoder. Модель загружает через T5ForConditionalGeneration и использует токенизатор исходного CodeT5. Контекст составляет 512 токенов. Чекпойнт предварительно обучен на разрешительном подмножестве GitHub Code и ориентирован на код на C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Он подходит для генерации кода по текстовому описанию, дополнения кода, поиска соответствия между текстом и кодом и других задач понимания кода. В zero-shot тесте HumanEval показал 15,5% pass@1. Лицензия — BSD-3-Clause. Разработчики позиционируют выпуск как исследовательский и рекомендуют проверять точность, безопасность и справедливость перед внедрением; качество для конкретных прикладных сценариев требует отдельной оценки.

ColBERT-Zero-6L-CodeSearch — компактная модель для семантического поиска по коду, созданная разработчиком ctrltokyo на основе lightonai/ColBERT-Zero. Она использует архитектуру ModernBERT с 6 слоями, 768 скрытыми измерениями и 12 головами внимания; число параметров — 68,8 млн, контекст — до 8192 токенов. Модель формирует много-векторные представления токенов размерности 128 и предназначена для поиска и ранжирования фрагментов кода по текстовому запросу. Модель получена дистилляцией: из 22-слойной модели ColBERT-Zero выбраны 6 слоёв, а обучение на 10 000 парах CodeSearchNet воспроизводило оценки релевантности учителя. В описанных тестах качество достигло 65,9% от учителя на корпусе jq на C, 85,6% на Rails и 98% на FastAPI; автор сообщает о примерно 13-кратном ускорении запросов. Модель поддерживает английский язык и может использоваться для поиска по коду, в том числе через PyLate и litembeddings. Лицензия — Apache-2.0. Ограничения: качество слабее на C-коде, обучение проведено на сравнительно небольшом наборе данных, а возможности модели наследуют языковые ограничения ColBERT-Zero. Вместо префиксов search_query:/search_document: используются [Q]/[D].

Context Aware Splitter — модель на базе архитектуры Llama, предназначенная для контекстно-зависимого разбиения текста на фрагменты для систем Retrieval-Augmented Generation (RAG). Она учитывает смысл и контекст исходного текста, чтобы формировать части, которые можно читать независимо; целевой размер фрагментов задаётся количеством слов. В ответе модель также возвращает тему текста. README сообщает об обучении на 12,3 тыс. датских текстов объёмом 13,4 млн токенов; метаданные указывают 6,6 млрд параметров и контекстное окно 8192 токена. Модель принимает текст и генерирует текстовый ответ в формате, совместимом с инструкцией Alpaca. Она предназначена для подготовки текстовых корпусов к индексации и поиску с дополнением контекста. Указана лицензия Apache-2.0. Карточка README называет модель версией 1B, что расходится с размером 6,6B в метаданных; фактический размер требует проверки. Обучение описано для датских текстов, поэтому качество для других языков не подтверждено.

convnext_base.dinov3_lvd1689m — модель извлечения признаков изображений из семейства ConvNeXt, опубликованная в библиотеке timm. Она предварительно обучена на наборе LVD-1689M методом самообучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 87,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для получения признаковых карт и эмбеддингов изображений, а также может использоваться как основа для классификации изображений и других задач компьютерного зрения. Эмбеддинги подходят для построения систем поиска по изображениям, кластеризации и последующего обучения классификаторов. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия указана как DINOv3, а в метаданных Hugging Face обозначена как other.

ConvNeXt Small — сверточная модель классификации изображений из семейства ConvNeXt, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и векторов изображений. Модель содержит около 50,2 млн параметров. Для обучения указано разрешение 224×224 пикселя, для проверки — 288×288. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0. Это модель общего назначения для визуальных задач, а не специализированная модель для отдельной предметной области.

timm/convnextv2_base.fcmae — модель извлечения признаков изображений из семейства ConvNeXt-V2, распространяемая проектом timm. Это визуальный backbone с 87,7 млн параметров, предварительно обученный на ImageNet-1k методом самоконтролируемого обучения FCMAE — полностью свёрточного masked autoencoder. Модель принимает изображения; штатный размер входа — 224 × 224 пикселя. У модели нет предварительно обученной классификационной головы, поэтому она предназначена для извлечения признаков и карт признаков или для дообучения под классификацию и другие задачи компьютерного зрения. Она может служить визуальным энкодером в прикладных системах, где признаки изображения передаются следующему этапу обработки. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование без отдельного разрешения. Сам чекпойнт не предназначен для классификации без добавления и обучения подходящей головы.

ConvNeXt-V2 Base — модель компьютерного зрения для классификации изображений и извлечения признаков, распространяемая в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-22k, затем на ImageNet-1k. Модель содержит 88,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель относит изображение к классам ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В README приведены результаты на ImageNet: точность top-1 — 86,8%, top-5 — 98,2%. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги, в зависимости от способа использования. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать условия лицензии.

tomaarsen/csr-mxbai-embed-large-v1-nq — англоязычный CSR sparse encoder, дообученный на Natural Questions на базе mixedbread-ai/mxbai-embed-large-v1 с использованием Sentence Transformers. Модель преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096; векторы могут содержать до 256 активных измерений. Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и разреженного поиска релевантных документов по запросу. Её обучали на 99 000 примерах Natural Questions; максимальная длина входной последовательности — 512 токенов. Карточка приводит результаты оценки поиска на наборах nq_eval с разным числом активных измерений. Это производная BERT-модели с 433,9 млн параметров, доступная в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Показатели в карточке получены на Natural Questions, поэтому они не гарантируют такое же качество на других предметных областях и поисковых коллекциях.

d4 — дообученная модель генерации кода на базе deepseek-ai/deepseek-coder-1.3b-base, созданная на датасете generator. Она предназначена для продолжения и автодополнения кода, а также заполнения пропусков в нём. Модель использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; максимальная длина контекста — 16 384 токена. Веса опубликованы в формате safetensors. Карточка не приводит результатов оценки или подробных сведений о качестве и ограничениях. Метаданные указывают лицензию other, поэтому перед использованием следует проверить условия лицензии в репозитории модели.

DeepMagiCoder-6.7B-DS-Base — языковая модель для генерации кода, созданная слиянием DeepSeek Coder 6.7B Instruct и Magicoder-DS-6.7B с помощью LazyMergekit. В README указано слияние методом SLERP; модель построена на плотной архитектуре семейства Llama и содержит около 6,6 млрд параметров. Модель предназначена для генерации и дополнения программного кода в диалоговом формате. Она принимает текстовые запросы и выдаёт текст, а нативный контекст составляет 16 384 токена. В метаданных указан формат Safetensors. В README и метаданных не указана лицензия, поэтому условия использования по этим источникам определить нельзя. Оценки качества и сведения о поддерживаемых языках программирования не приведены.

Intel опубликовала версию DeepSeek-Coder-1.3B-Base, преобразованную в формат OpenVINO IR и оптимизированную с помощью Optimum CLI с INT8-квантованием весов. Это плотная авторегрессионная модель семейства LLaMA с 1,3 млрд параметров и контекстом 16 384 токена, предназначенная для генерации и дополнения кода. Она обучена на корпусе кода уровня проектов и поддерживает заполнение пропусков в коде, завершение фрагментов и дополнение с учётом репозитория; в карточке указано применение для автодополнения кода в Visual Studio Code через расширение OpenVINO Code Completion. Основной язык — английский. Лицензия — MIT с дополнительными ограничениями использования, перечисленными в карточке исходной модели; перед внедрением следует свериться с LICENSE-MODEL.

Это пакет GGUF для распределённого запуска DeepSeek-R1-Distill-Qwen-14B в Mesh LLM. Разработчик Mesh LLM разделил вариант Q4_K_M на артефакты по слоям, чтобы модель можно было запускать на нескольких машинах локального кластера и предоставлять через локальный API, совместимый с OpenAI.

Deepthink-Reasoning-7B-GGUF — это набор GGUF-квантизаций 7-миллиардной текстовой генеративной модели Deepthink-Reasoning-7B, разработанной prithivMLmods и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи рассуждений, решения алгоритмических задач и генерации кода, включая Python. Заявлен английский язык; поддерживается только текстовый ввод и вывод. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Доступны варианты от F16 до низкобитных Q2 и IQ3, размером примерно от 3,35 до 15,24 ГБ. Более высокие уровни квантования сохраняют качество, но требуют больше памяти; Q6_K_L, Q6_K, Q5 и Q4_K_M указаны как рекомендуемые варианты для разных компромиссов между качеством и размером. Низкобитные варианты экономичнее по памяти, но могут заметно уступать в качестве. Контекстное окно и точные архитектурные характеристики в README не указаны. Модель предназначена для локального запуска через llama.cpp и LM Studio. Лицензия — CreativeML OpenRAIL-M.

DeiT-III medium patch16 224 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Она использует архитектуру Vision Transformer с патчами 16 × 16 и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 38,8 млн параметров и может выдавать классы изображений или эмбеддинги для последующей обработки. Модель подходит для классификации объектов на изображениях и как визуальная основа для задач, которым нужны признаки изображения. В README приведены примеры для классификации и извлечения эмбеддингов. Репозиторий распространяется по лицензии Apache-2.0.

facebook/dinov2-base — базовая по размеру модель Vision Transformer, обученная командой Meta с помощью метода DINOv2 на большом наборе изображений без разметки. Модель содержит около 113,2 млн параметров и предназначена для извлечения визуальных признаков; специализированных дообученных голов для классификации или других задач в ней нет. Изображение разбивается на последовательность патчей, которые обрабатывает трансформерный энкодер. Полученные представления можно использовать как входные признаки для обучения классификатора и других downstream-систем компьютерного зрения. Модель принимает изображения и выдаёт их векторные представления. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.