II.10Разработка и эксплуатация AI/ML-систем

metarank/ce-esci-MiniLM-L12-v2 — модель Sentence-Transformers, разработанная Roman Grebennikov и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; в метаданных указано около 40 млн параметров и контекст до 512 токенов. Модель подходит для семантического поиска и сравнения запросов с товарами или другими текстами. В README название базовой модели указано как cross-encoder/ms-marco-MiniLM-L-6-v2, тогда как идентификатор репозитория и метаданные указывают на MiniLM-L12-v2; поэтому точная связь версии в названии с описанным обучением требует осторожной трактовки. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Условия лицензии в предоставленных данных не описаны.

Это GGUF-квантизованная версия модели Qwen3-Coder-REAP-25B-A3B, разработанной командой Cerebras. Репозиторий с квантизациями подготовлен bartowski с использованием llama.cpp и imatrix-калибровки. Модель относится к категории text-generation и предназначена для генерации текста, включая сценарии программирования, однако подробные сведения о специализации исходной модели в представленном README отсутствуют. Доступны варианты от исходных BF16-весов размером 49,76 ГБ до низкобитных форматов размером примерно 11,5–26,5 ГБ. Представлены форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, IQ4 и IQ3; некоторые варианты оптимизированы по качеству, размеру или производительности на ARM и Apple Silicon. Модель можно запускать через LM Studio, llama.cpp и другие проекты на его основе. Архитектура, число параметров и активных параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Для модели не задан chat template, поэтому используется шаблон по умолчанию, который может быть некорректным. Сильной стороной является широкий выбор уровней квантизации: варианты Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество, а Q4_K_M — как компромиссный вариант для большинства сценариев. Более компактные варианты позволяют работать при ограниченном объёме оперативной памяти, но сопровождаются снижением качества. Лицензия в представленном README не указана.

coatnet_rmlp_1_rw_224.sw_in1k — модель классификации изображений из библиотеки timm, обученная Ross Wightman на ImageNet-1k. Это вариант CoAtNet с блоками свёртки MBConv на ранних этапах и блоками self-attention на более поздних; в нём также используется MLP Log-CPB — смещение относительных позиций, основанное на логарифмических координатах и мотивированное Swin Transformer V2. Версия с суффиксом rw содержит настройки timm, рассчитанные на работу в PyTorch. Модель принимает изображения размером 224 × 224 и относит их к классам ImageNet-1k. Её также можно использовать как основу для извлечения признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и safetensors; число параметров — 41,7 млн, вычислительная сложность — 7,8 GMACs. Модель распространяется по лицензии Apache-2.0. Модель предназначена для классификации изображений общего назначения и может служить визуальным backbone для систем компьютерного зрения. Её классы и качество связаны с ImageNet-1k, поэтому для задач с другой предметной областью может потребоваться адаптация; приведённые характеристики не гарантируют качество на произвольных данных.

CoDA-v0-Instruct — инструкциялық диалог пен код генерациясына арналған Salesforce AI Research әзірлеген 1,7 млрд параметрлі CoDA тобының диффузиялық тілдік моделі. Ол код жазу және толықтыру кезінде сол және оң жақтағы контексті бірдей ескеретін екібағытты дискретті диффузияны қолданады. Модель код генерациясы мен аяқтауына оңтайландырылған, сондай-ақ чат және құралдарды шақыру интерфейсін қолдайды. Карточкада HumanEval, MBPP және EvalPlus сияқты код тапсырмаларындағы нәтижелері келтірілген; сенімділікке негізделген іріктеу сапа мен жылдамдықты теңестіруге арналған. Модель өлшемі 1,7 млрд параметр, контекст ұзындығы 40 960 токен, Transformers кітапханасындағы safetensors пішімінде жарияланған. Негізгі қолданылуы — код жазуға көмекші ретінде жұмыс істеу: функциялар құру, берілген кодты толықтыру және бағдарламалау сұрақтарына жауап беру. Карточкада ағылшын тілі көрсетілген. Лицензиясы CC BY-NC 4.0, сондықтан коммерциялық қолдануға арналмаған; нақты өнімге енгізер алдында лицензия шарттарын тексеру қажет.

code-daemon-embed-v1 — модель эмбеддингов кода от автора репозитория faxenoff, предназначенная для быстрого индексирования исходного кода и семантического поиска по нему. Это компактный четырёхслойный энкодер размером 46,8 млн параметров, который формирует 768-мерные векторы; mean pooling и L2-нормализация встроены в вычислительный граф. Модель получена слиянием нескольких базовых моделей, а ранжирование 4B cross-encoder было перенесено в bi-encoder дистилляцией при обучении. Доступны варианты ONNX, Core ML и safetensors; для INT8 применено обучение с учётом квантования. Модель кодирует одинаковым способом короткие фрагменты кода и запросы на английском языке: имена символов, сигнатуры, docstring, краткие описания и ключевые слова. Она рассчитана на гибридный поиск по коду вместе с лексическим поиском BM25, особенно когда важна скорость переиндексации. В README заявлена пропускная способность до 3 457 текстов в секунду в тесте ONNX Runtime CUDA FP32, а специализированный daemon с TensorRT INT8 показал более высокие скорости на отдельных репозиториях. Жёсткий предел входа — 128 токенов; для более длинных текстов README предлагает оконную обработку. Модель не предназначена для многоязычного поиска или общей прозы: качество поиска на русском низкое, поэтому для русскоязычных запросов рекомендуется multilingual-e5-base. Лицензия — MIT.

CodeGemma 2B — компактная предварительно обученная модель для работы с кодом, разработанная Google на основе Gemma. Это декодерная текстовая модель с 2 млрд параметров, рассчитанная прежде всего на быстрое автодополнение кода, включая заполнение пропусков между заданным префиксом и суффиксом (fill-in-the-middle) в редакторе. Она принимает фрагменты кода и контекст, а также текстовые подсказки, и генерирует продолжение кода или текст. Модель подходит для встраивания в IDE и сценариев помощи при написании кода. При обучении использовались преимущественно англоязычные данные из открытых репозиториев кода, математические наборы данных и синтетически созданный код. Карточка указывает лицензию Gemma; использование регулируется условиями Google Gemma. Это предварительно обученная модель, не предназначенная для диалогового взаимодействия: возможности чата и следования инструкциям в карточке отнесены к варианту CodeGemma 7B IT. Как и другие большие языковые модели, она может выдавать ошибочный код; карточка отсылает к ограничениям Gemma.

Salesforce CodeGen-Multi 6B — авторегрессионная плотная языковая модель для синтеза программного кода. Чекпойнт содержит 6 млрд обучаемых параметров и относится к семейству CodeGen; в метаданных указана архитектура CodeGenForCausalLM. Модель принимает текстовые подсказки на естественном языке или незавершённый код и генерирует продолжение. Она предназначена прежде всего для генерации исполняемого кода по комментариям на английском языке и дополнения фрагментов программ. Модель первоначально основана на CodeGen-NL 6B, затем дополнительно предобучена на наборе BigQuery из 119,2 млрд токенов кода из репозиториев GitHub. Данные охватывают C, C++, Go, Java, JavaScript и Python. Нативный контекст составляет 2048 токенов. В README упомянуты оценки на HumanEval и MTPB, но результаты здесь не приведены. Лицензия — BSD-3-Clause. Разработчик рекомендует оценивать точность и безопасность перед внедрением; выпуск предназначен для исследований и поддержки академической работы.

Salesforce CodeGen-NL 6B — авторегрессионная языковая модель для синтеза программного кода. Это вариант семейства CodeGen с плотной архитектурой CodeGenForCausalLM и примерно 6 млрд обучаемых параметров; модель опубликована Salesforce в рамках исследования о диалоговом подходе к синтезу программ. Она предварительно обучена на корпусе The Pile, содержащем в том числе данные с кодом, и принимает текстовые запросы с инструкциями на естественном языке или незавершённый код. Основное применение — генерация исполняемого кода по англоязычному описанию, желательно оформленному как комментарий, а также продолжение фрагментов программы. Контекст составляет 2048 токенов. Модель может извлекать признаки из текста на естественном языке и языках программирования и оценивать их правдоподобие; качество и безопасность результата необходимо проверять перед использованием. Модель выпущена для исследовательских целей и не оценивалась для всех практических сценариев. Лицензия — BSD 3-Clause.

DannePanne/coderank-transformersjs — экспорт модели эмбеддингов кода CodeRankEmbed от nomic-ai в формате ONNX, совместимый с Transformers.js. Репозиторий предназначен для экспериментов с эмбеддингами в Cortex и использует задачу извлечения признаков. Для запросов следует добавлять префикс «Represent this query for searching relevant code: ». Векторы получают CLS-пулингом, нормализуют и формируют размерностью 768; заявленная длина контекста — 8192 токена. Экспорт включает единый файл ONNX без отдельного внешнего файла данных. Лицензия в предоставленных сведениях не указана.

ClaudioItaly/CoderQ — языковая модель для генерации кода и диалогового взаимодействия, опубликованная пользователем ClaudioItaly. Репозиторий описывает её как слияние моделей методом TIES через mergekit на базе Qwen/Qwen2.5-Coder-7B-Instruct; в конфигурации трижды указана одна и та же базовая модель. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для генерации и исправления кода, а также для ответов на инструкции в чате. Карточка не описывает отдельные тесты качества или специализированные области применения. Условия лицензии в предоставленных данных не приведены.

Denilah/CoMA-7B — дообученная языковая модель для генерации кода и выполнения инструкций. По карточке, модель обучена в июне 2023 года на наборе из 77 тысяч примеров для восьми задач. В метаданных указаны архитектура Llama с плотной causal language model, 6,6 млрд параметров, контекст до 16 384 токенов и формат PyTorch. Модель предназначена для генерации кода и выполнения разнообразных инструкций. Данных недостаточно, чтобы перечислить все восемь задач или указать конкретные языки программирования и естественные языки. Лицензия в предоставленных источниках не указана.

Это модель ConvNeXt Base для классификации изображений и извлечения визуальных признаков, подготовленная Россом Уайтманом в библиотеке timm. Её визуальный энкодер CLIP предварительно обучен в OpenCLIP на данных LAION-2B, а затем дообучен на ImageNet-12k и ImageNet-1k. Модель содержит 88,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и визуальных эмбеддингов, а также как визуальная основа для пользовательских компьютерно-зрительных систем. В README приведены результаты классификации на ImageNet-1k и сравнительные показатели вычислительной нагрузки; для запуска предусмотрены PyTorch и timm. Лицензия репозитория — Apache-2.0. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Она не предназначена для генерации текста или понимания изображений в диалоге; качество зависит от предметной области и размера входного изображения.

timm/convnext_base.fb_in22k — сверточная модель семейства ConvNeXt для классификации изображений, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная через библиотеку timm. Модель предварительно обучена на ImageNet-22k; в карточке указано около 110 млн параметров и рекомендуемый размер входного изображения 224 × 224 пикселя. Модель предсказывает классы изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Это позволяет применять её для классификации и как визуальный компонент более крупных систем компьютерного зрения. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache-2.0. Модель работает с изображениями и выдаёт метки классов либо признаки и эмбеддинги. Карточка не описывает поддержку естественного языка, поэтому она подходит для визуальных задач общего назначения, а не для текстовых или мультимодальных сценариев.

ConvNeXt-Base — модель компьютерного зрения для классификации изображений, разработанная авторами статьи «A ConvNet for the 2020s» и опубликованная в экосистеме timm. Она предварительно обучена на ImageNet-22k, а затем дообучена авторами на ImageNet-1k. Модель содержит около 88,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для определения объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. Её можно применять как готовый классификатор или как backbone для других компьютерно-зрительных систем. В README приведены результаты классификации ImageNet и показатели вычислительной нагрузки. Для работы с моделью используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обрабатывает изображения и выдаёт классы или признаки; сведения о поддержке естественных языков к ней не применимы.

convnext_tiny.dinov3_lvd1689m — модель извлечения признаков изображений из семейства ConvNeXt, опубликованная в timm. Она предварительно обучена на наборе LVD-1689M методом самообучения DINOv3 и дистиллирована из DINOv3 ViT-7B. Модель содержит 27,8 млн параметров, рассчитана на изображения размером 224 × 224 и выполняет 4,5 GMACs. Модель предназначена для получения карт признаков и эмбеддингов изображений, а также может использоваться как основа для классификации изображений. Её можно применять в визуальном поиске, группировке изображений и как визуальный backbone в компьютерном зрении. Для работы доступны веса PyTorch и safetensors через библиотеку timm. В карточке указана лицензия DINOv3; конкретные условия её применения следует сверять с лицензией проекта DINOv3. Модель обрабатывает изображения и сама по себе не предназначена для диалогового или текстового ввода.

ConvNeXt-Tiny — сверточная модель классификации изображений из семейства ConvNeXt, опубликованная в timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит 28,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений по категориям и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Она подходит для построения систем распознавания объектов на изображениях и для визуального поиска или кластеризации на основе признаков. Модель принимает изображения и выдаёт оценки классов либо признаки изображения. В карточке приведены результаты на ImageNet, но они не гарантируют такого же качества на данных из других областей. Лицензия — Apache-2.0.

crane-30b-i1-GGUF — это квантованная версия модели crane-30b, разработанной пользователем или организацией zmzfpc и опубликованной в формате GGUF пользователем mradermacher. По метаданным, модель связана с объединением моделей, семейством Qwen3, архитектурой MoE и задачами генерации кода и рассуждений. Указан английский язык. Точное число активных и общих параметров, размер контекста, поддерживаемые модальности и подробности исходного обучения в README не приведены. Модель предназначена для локального запуска через совместимые инструменты, поддерживающие формат GGUF, включая различные варианты квантования с разным компромиссом между размером, скоростью и качеством. Доступны файлы размером примерно от 6,5 до 25,2 ГБ; среди рекомендуемых вариантов отмечен i1-Q4_K_M как быстрый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать в качестве, тогда как i1-Q6_K заявлен как практически сопоставимый со статическим Q6_K. В репозитории также доступен imatrix-файл для самостоятельного создания квантованных версий. Лицензия модели указана как Apache-2.0. README не содержит результатов бенчмарков, подробной документации по применению, системного промпта или ограничений исходной модели, поэтому качество на конкретных задачах и точные требования к аппаратным ресурсам следует оценивать отдельно.

NVIDIA CUDA Autocomplete — дообученная NVIDIA модель для автодополнения программного кода, в первую очередь CUDA, в расширении Nsight Copilot для VS Code и Cursor. Она основана на Qwen/Qwen2.5-Coder-7B: трансформер Qwen2 с 7,1 млрд параметров, который генерирует продолжение кода по контексту до и после курсора в формате fill-in-the-middle. Длина контекста — 32 768 токенов. Модель предназначена для вставки одной или нескольких строк кода в месте курсора. Обучающие данные включают открытый исходный код из The Stack v2 и синтетический CUDA-код; проверка проводилась также на внутренних примерах CUDA и HPC-кода NVIDIA. Модель принимает и генерирует текстовый код, преимущественно с англоязычными идентификаторами и комментариями. Карточка заявляет готовность к коммерческому и некоммерческому использованию; лицензия в метаданных обозначена как other, поэтому перед распространением следует проверить применимые условия NVIDIA. Модель ориентирована на запуск на NVIDIA GPU, а карточка указывает vLLM и поддержку H100 и DGX Spark под Linux. Предсказания автодополнения могут содержать ошибки и требуют проверки, особенно для внутренних библиотек, API и критичного к корректности кода применения.

d9 — дообученная модель для генерации кода, созданная на основе deepseek-ai/deepseek-coder-1.3b-base и обученная на датасете generator. Она построена на архитектуре Llama, содержит 1,3 млрд параметров и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации и продолжения кода по текстовому запросу. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных сведениях не указана. README не содержит описания конкретных сценариев применения, оценок качества или известных ограничений.

facebook/data2vec-vision-base — базовая модель компьютерного зрения от команды Facebook, представленная в работе data2vec. Это BEiT-подобный Transformer с 119,5 млн параметров, предварительно обученный без учителя на ImageNet-1k: по замаскированному представлению изображения модель учится предсказывать контекстные скрытые представления всего изображения. В исходном обучении использовались RGB-изображения разрешением 224×224. Модель предназначена для классификации изображений и может служить отправной точкой для последующего дообучения под конкретные классы и наборы данных. Обучение на ImageNet-1k охватывает 1000 классов; для дообучения наилучшие результаты в карточке связываются с использованием большего разрешения. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

DeepSeek-V4.1-Flash-4bit-paged — квантизированная 4-битная версия модели DeepSeek-V4.1-Flash, разработанная GreenBitAI на базе сборки pipenetwork для MLX и Apple Silicon. Это языковая модель для генерации текста, включая работу с кодом, агентские сценарии и диалоги; поддерживает потоковую загрузку экспертных весов с диска и опциональное speculative decoding с помощью встроенной DSpark multi-token prediction head. Модель использует архитектуру mixture-of-experts с маршрутизируемыми экспертами и expert paging: резидентные веса занимают 10,48 GiB, а полный набор данных модели — около 406,10 GiB, включая experts.bin, engram-таблицы и черновую голову. Точные размеры исходной архитектуры, поддерживаемые языки и максимальная длина контекста в README не указаны. Доступна через библиотеку gbx-lm; при наличии достаточного объёма памяти может работать на штатном пути, а при нехватке ресурсов подгружает необходимые веса с диска. К сильным сторонам относятся сохранение логитов исходной модели при проверках, возможность работы с большими наборами весов на совместимых системах и ускорение генерации до 2,3 раза при включённой draft head, особенно на предсказуемом коде и длинном контексте. Ограничения включают очень высокие требования к дисковому пространству и памяти, зависимость от MLX, Apple Silicon и gbx-lm, а также то, что ускорение speculative decoding зависит от сценария. Лицензия — MIT; в README также указано, что лицензия исходной модели DeepSeek сохраняется.

DeepSeek V4 Flash 0731 for one DGX Spark — это квантованная сборка модели DeepSeek-V4-Flash-0731, разработанной командой DeepSeek и упакованная пользователем 0xSero. Модель предназначена для генерации текста и программного кода, структурированного вывода и работы через OpenAI-совместимый API. В README указана архитектура mixture-of-experts; сборка использует REAP pruning, формат EXL3/Trellis и точность около 3,0 bpw. Модель рассчитана на развёртывание на одном NVIDIA DGX Spark с GPU GB10/SM121 и 128 ГБ унифицированной памяти. Заявленный предел контекста составляет 262 144 токена. Для запуска требуется специализированный ARM64-совместимый runtime SparkInfer и опубликованный Docker-образ; стандартные vLLM, ExLlamaV3 и простой запуск с tensor parallelism 1 не поддерживаются для этого rank-sliced артефакта. Поставляемый runtime выполняет преобразование TP4-чекпойнта в TP1 и поддерживает CUDA Graphs и speculative decoding. К сильным сторонам относятся возможность локального запуска крупной MoE-модели на одном DGX Spark, проверенная генерация текста и кода, поддержка строгих JSON-схем и длинного контекста. Ограничения — жёсткая зависимость от конкретного оборудования и закреплённого runtime, значительный объём загрузки и дискового пространства, а также не полностью достигнутый целевой порог стабильной скорости декодирования: в одном из пяти измерений получено 34,30 токена в секунду. Лицензия модели указана как MIT.

DeepSeek-V4-Flash-Vision-Exp — экспериментальная мультимодальная модель семейства DeepSeek-V4, созданная разработчиками DeepSeek на основе DeepSeek-V4-Flash с добавлением визуальных модулей и дополнительным обучением. Она предназначена для понимания изображений и работы с мультимодальными агентными задачами, сохраняя сопоставимые возможности базовой версии в текстовых агентных сценариях. В карточке приведены результаты на отдельных текстовых агентных тестах, включая Terminal Bench 2.1 и NL2Repo. Модель имеет плотную архитектуру DeepseekV4ForCausalLM, содержит 10,7 млрд параметров и принимает изображения вместе с текстом, выдавая текст. Заявленная длина контекста — 1 048 576 токенов. Репозиторий включает веса safetensors в формате FP8, токенизатор и минимальную реализацию инференса; в README также описано использование с vLLM и SGLang. Лицензия — MIT.

Это визуальный энкодер семейства Vision Transformer, выделенный из DeepSeek-V4.1-Flash и преобразованный в формат timm без дополнительного обучения. Модель содержит около 485,3 млн параметров и предназначена для извлечения признаков изображения; языковых весов и обученной классификационной головы в ней нет. Энкодер использует патчи 14×14, SwiGLU, RMSNorm и двумерное осевое RoPE. В варианте _enc сохранены пространственный выравниватель 3×3 и проекция токенов в ширину 5120; доступны также промежуточные карты признаков. Поддерживаются RGB-изображения, в том числе прямоугольные, с типовым размером обработки 546×546. Для корректной работы размеры входа по умолчанию должны делиться на 14; timm-преобразования отличаются от исходной адаптивной предобработки DeepSeek. Модель подходит для получения визуальных признаков и токенных представлений изображений в мультимодальных системах. Распространяется по лицензии MIT.

DeiT-Base с дистилляционным токеном — модель классификации изображений и визуальная основа для извлечения признаков. Она обучена авторами статьи на ImageNet-1k и доступна в библиотеке timm. Модель принимает изображения размером 224 × 224 и содержит 87,3 млн параметров. Модель предназначена для отнесения изображений к классам ImageNet-1k, а также может использоваться для извлечения визуальных эмбеддингов и как backbone в компьютерном зрении. Архитектура использует трансформер DeiT с дистилляцией через attention. В репозитории представлены веса PyTorch и Safetensors. Лицензия — Apache-2.0.

DiariZen — модель сегментации активности говорящих для развёртывания на устройстве AX650, подготовленная AXERA-TECH на основе BUT-FIT/diarizen-wavlm-large-s80-md. Она сочетает обрезанный WavLM-Large и Conformer и размечает аудио по кадрам на 11 классов активности говорящих. На вход подаётся монофоническое аудио 16 кГц; обработка разделена между AX650 NPU и CPU с ONNX Runtime: на NPU выполняется свёрточный извлекатель признаков, а трансформерная часть, Conformer и классификатор — на CPU. Модель обрабатывает окна длиной 4 секунды; для более длинных записей требуется скользящее окно и объединение сегментов. По данным карточки, гибридный конвейер достигает 14,9-кратной скорости реального времени на указанной конфигурации AX650. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Streaming Sortformer Diarizer 4spk v2 — модель NVIDIA для потоковой диаризации речи, то есть определения, кто и когда говорит в аудиозаписи. Она предназначена для онлайн-обработки разговоров и может использоваться в голосовых агентах и сценариях анализа встреч. Модель доступна в NVIDIA NeMo для инференса и дообучения; архитектура сочетает 17-слойный энкодер NEST на базе Fast-Conformer, 18-слойный Transformer и кэш акустических представлений уже встречавшихся говорящих. Для каждого кадра формируются четыре сигмоидальных выхода. Репозиторий содержит вариант GGUF с квантизацией Q8_0. Модель принимает аудио и размечает речь по говорящим в потоковом режиме. Она рассчитана максимум на четырёх говорящих. Обучение проводилось преимущественно на публичных англоязычных наборах данных, включая Fisher English, LibriSpeech и AMI Meeting Corpus. Лицензия — CC BY 4.0.

facebook/dinov2-large — большая модель Vision Transformer (ViT), обученная командой DINOv2 методом самообучения на коллекции изображений. Модель содержит около 402,7 млн параметров и представляет собой трансформерный энкодер: изображение разбивается на фиксированные патчи, которые преобразуются в последовательность токенов для обработки. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель предназначена для извлечения признаков из изображений и построения на их основе решений для последующих задач. Полученные представления можно использовать, например, для обучения классификатора на размеченном наборе данных. В самой модели нет дообученных голов для конкретных задач, поэтому для классификации или других прикладных сценариев потребуется отдельная голова или дополнительное обучение.

facebook/dinov2-small — небольшая модель Vision Transformer, обученная командой DINOv2 методом самообучения на большом наборе изображений. Это энкодер изображений с архитектурой ViT и примерно 28,3 млн параметров; специализированных дообученных классификационных голов в модели нет. Модель предназначена для извлечения визуальных признаков и получения представления изображения для последующих задач. Эти признаки можно использовать, например, как вход для отдельного классификатора, обученного на размеченных изображениях. Модель принимает изображения и выдаёт векторные представления; для работы предусмотрены PyTorch и safetensors. Модель опубликована под лицензией Apache-2.0. Она не решает конкретную задачу классификации без дополнительной обученной головы, а качество на прикладных задачах зависит от последующего классификатора и данных.