II.10Разработка и эксплуатация AI/ML-систем

tf_efficientnet_b3.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы исходной работы на ImageNet-1k с методом AdvProp, использующим состязательные примеры; Ross Wightman перенёс веса в PyTorch. Модель содержит около 12,2 млн параметров и рассчитана на изображения размером 300 × 300 пикселей. Модель определяет объекты и сцены, относя их к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. По метаданным репозитория доступны веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

tf_efficientnet_lite0.in1k — сверточная модель классификации изображений семейства EfficientNet-Lite. Её обучили авторы статьи EfficientNet на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 4,7 млн параметров, расчётный размер изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Компактный размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для сравнительно лёгких сценариев компьютерного зрения. Лицензия — Apache-2.0.

tf_efficientnetv2_b1.in1k — модель классификации изображений из семейства EfficientNetV2. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 8,1 млн параметров, вычислительная сложность — 0,8 GMACs. Размер изображения для обучения — 192 × 192 пикселя, для оценки — 240 × 240. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как основа для извлечения признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт предсказания классов; вычислительно компактна по сравнению с крупными визуальными моделями. Лицензия репозитория — Apache-2.0.

tf_mobilenetv3_large_075.in1k — модель MobileNetV3 для классификации изображений. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Это компактная модель примерно с 4 млн параметров, рассчитанная на изображения размером 224 × 224. Она классифицирует изображения по категориям ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. По данным карточки, вычислительная сложность составляет около 0,2 GMACs. Модель подходит для классификации изображений и компактных компьютерно-зрительных конвейеров. Её обучение ограничено классами ImageNet-1k; карточка не сообщает о поддержке других наборов классов или языковых возможностей.

tf_mobilenetv3_small_100.in1k — компактная модель семейства MobileNetV3 для классификации изображений и извлечения признаков. Её обучили авторы статьи Searching for MobileNetV3 на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна в формате PyTorch и safetensors и использует библиотеку timm. Модель рассчитана на изображения размером 224 × 224 пикселя и содержит около 2,5 млн параметров. Её можно применять для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Небольшой размер и вычислительная стоимость около 0,1 GMAC делают её подходящей для компактных систем компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные категории и качество за пределами этого набора данных могут не соответствовать конкретной прикладной задаче; для такой задачи может понадобиться адаптация.

maywell/TinyWand-kiqu — модель генерации текста, разработанная автором репозитория на базе TinyWand-SFT и дообученная на наборе данных kiqu-samples в течение трёх эпох. Модель создавалась для использования в speculative decoding. Это плотная причинно-языковая модель семейства Llama с 1,6 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — CC BY-SA 4.0. Разработка получила поддержку GPU-ресурсами от Sionic AI.

VideoGuard-Qwen3.5-9B-Safety-RL-Uncensored — экспериментальная мультимодальная модель prithivMLmods для анализа видео и классификации потенциально небезопасного содержания. Она дообучена на базе Qwen/Qwen3.5-9B на смеси примерно из 10 тысяч примеров безопасности видео и рассуждений о сценах. Модель формирует описание видео, объяснение результата и структурированную классификацию по категориям C1–C6, включая сексуальный контент, травлю, угрозы и насилие, обман, регулируемую деятельность и экстремизм. Модель предназначена для фильтрации и модерации видео, оценки безопасности мультимодальных систем и тестирования guardrail-сценариев. Архитектура — плотная Qwen3.5 с 9 млрд параметров; она принимает видеоданные и текстовые инструкции и выдаёт текст с описанием и классификацией. В карточке указан английский язык. Лицензия — Apache-2.0. Классификации могут быть ошибочными или непоследовательными: возможны ложные срабатывания и пропуски, а результат зависит от визуального контекста и формулировки запроса. Вывод следует считать прогнозом модели, а не окончательным заключением о безопасности.

vit_base_patch14_reg4_dinov2.lvd142m — модель Vision Transformer (ViT) для извлечения признаков изображений, подготовленная в библиотеке timm. Модель содержит 86,6 млн параметров и предварительно обучена на наборе LVD-142M методом самообучения DINOv2; в архитектуре используются дополнительные регистровые токены. Рекомендуемый размер изображения — 518 × 518 пикселей. Модель предназначена для получения визуальных признаков и эмбеддингов, а также может служить основой для классификации изображений. Её можно применять как визуальный бэкбон в системах компьютерного зрения и для извлечения признаков из изображений. Карточка указывает лицензию Apache-2.0. Данные о поддерживаемых языках и ограничениях в карточке не приведены.

Модель vit_base_patch16_rpn_224.sw_in1k — вариант Vision Transformer из библиотеки timm для классификации изображений и извлечения признаковых представлений. Её обучили на ImageNet-1k; архитектура использует патчи 16 × 16 и блоки с residual post-normalization. Модель содержит около 86,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, а также для получения эмбеддингов в качестве признаков для последующих задач компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий.

vit_betwixt_patch16_reg4_gap_256.sbb_in1k — модель классификации изображений на базе Vision Transformer (ViT), подготовленная командой timm. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура использует патчи 16×16, четыре регистра и глобальное усреднение; модель рассчитана на изображения размером 256×256 и содержит около 60,4 млн параметров. Модель подходит для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. В сравнении, приведённом в карточке, точность top-1 на ImageNet-1k составляет 85,418%, а top-5 — 97,480%. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная в библиотеке timm. Её предварительно обучили с помощью CLIP на парах изображений и текстов из WIT-400M, а затем дообучили на ImageNet-1k. Модель насчитывает 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. Она подходит для распознавания объектов и категорий на изображениях, а также для экспериментов с переносом визуальных представлений. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Google ViT-Large/32-384 — модель классификации изображений на основе крупного трансформерного энкодера Vision Transformer. Весами из репозитория timm поделился Ross Wightman; модель прошла предварительное обучение на ImageNet-21k, а затем дообучение на ImageNet 2012 для распознавания 1000 классов. В модели около 402,7 млн параметров; изображения разбиваются на патчи 32×32, а классификатор использует представление токена CLS. Для дообучения указано разрешение 384×384 пикселя. Модель предназначена для классификации изображений по классам ImageNet и может служить энкодером признаков для последующей настройки на размеченных наборах данных. Доступны версии весов PyTorch, TensorFlow и Flax. Карточка не указывает языковые возможности: входом служит изображение, результатом — метки классов. Лицензия — Apache-2.0. Качество на прикладных наборах данных зависит от соответствия их классов ImageNet и предварительной обработки. Для изображений с нестандартными объектами или доменами может потребоваться отдельное дообучение.

TalTechNLP/voxlingua107-epaca-tdnn — модель распознавания языка устной речи, обученная с помощью SpeechBrain на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, разработанную для распознавания дикторов, и классифицирует аудиофрагмент по одному из 107 языков. Модель также можно применять для извлечения признаков на уровне высказывания и обучения собственной системы идентификации языка. Модель подходит для автоматического определения языка в коротких речевых записях и подготовки языковых эмбеддингов. На указанном в карточке наборе разработки частота ошибок составила 7%. Доступны веса PyTorch, лицензия — Apache-2.0. Данные VoxLingua107 автоматически извлечены из роликов YouTube и размечены по языку заголовка и описания, поэтому качество обучения и разметки неоднородно. Точность может быть ниже для малоресурсных языков, речи с иностранным акцентом, женской и детской речи, а также речи людей с нарушениями речи.

Wald-Q4B — плотная текстовая модель примерно на 3,4 млрд параметров, дообученная разработчиками Wald на Qwen/Qwen3.5-4B-Base. Она принимает описание состояния и набор вариантов, затем за один проход возвращает калиброванную вероятность для каждого варианта. Предусмотрены вопросы с именованными вариантами, выбор «да/нет» и оценка по упорядоченным уровням; модель предназначена для встраивания в агентные системы и конвейеры принятия решений. Основные сценарии — выбор инструмента, маршрутизация запросов, классификация входных данных и решение о необходимости уточнить запрос у пользователя. Модель также поддерживает необязательный режим рассуждения с регулируемым уровнем усилий; для версии v1.2 авторы рекомендуют одношаговый режим. Репозиторий предоставляет совместимый с Jev API, а веса распространяются в формате BF16; заявленная длина контекста в метаданных — 262 144 токена. Карточка сообщает о результатах на JevBench и JevAdvBench, включая более низкую долю смены ответов v1.2 под атаками и небольшое снижение точности на чистых вопросах относительно v1.1. Результаты зависят от версии и режима, поэтому их нельзя напрямую переносить на другие настройки. Модель поддерживает английский язык; базовая модель описана как мультимодальная, однако Wald-Q4B позиционируется как текстовая модель решений. Лицензия — Apache-2.0.

facebook/wav2vec2-conformer-rel-pos-large — предварительно обученная модель распознавания речевых признаков от исследовательской команды Meta, основанная на архитектуре Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель содержит 402,7 млн параметров и обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц. Чекпойнт предназначен для дальнейшей настройки на размеченных речевых данных. Сам по себе он не выполняет распознавание речи: в нём нет токенизатора, поэтому для получения транскрипции нужно создать токенизатор и дообучить модель на парах аудио и текста. Подходит как основа для экспериментов и разработки систем распознавания речи на английском языке. Модель принимает аудио с частотой 16 кГц и выдаёт речевые представления для последующей обработки; распознанный текст она непосредственно не генерирует. Распространяется по лицензии Apache-2.0.

Это конверсия модели Wespeaker ResNet34-LM в формат GGUF/GGML для использования как экстрактора эмбеддингов говорящих в диаризаторе CrispASR. Модель принимает аудио, вычисляет 80-мерные Kaldi fbank-признаки и выдаёт 256-мерный вектор для сравнения голосов. В основе — ResNet34 с TSTP-пулингом и линейным слоем; число параметров после удаления обучающей головы составляет около 6,6 млн. Репозиторий содержит вариант F32 и рекомендуемый вариант с F32-свёртками и F16-линейным слоем. Модель предназначена для извлечения признаков голоса, распознавания и сопоставления говорящих, в том числе как компонент диаризации аудиозаписей. Проверка конверсии показывает близкое совпадение эмбеддингов с исходной реализацией PyTorch. Однако совпадение с эталоном не означает высокой точности диаризации: в приведённой оценке на VoxConverse DER составил 33,1%, а число говорящих было определено точно в 18 из 40 файлов; результат зависит и от сегментации речи. Лицензия — CC BY 4.0, как у исходной модели.

Whisper Telugu Medium — модель распознавания речи, разработанная Vasista22 на основе Whisper Medium от OpenAI и дообученная на корпусах речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации записей и оценки систем ASR. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны веса PyTorch и Flax. В обучении использованы несколько публичных корпусов, включая CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus, Fleurs и Babel. Модель распространяется по лицензии Apache-2.0.

DeepPavlov/xlm-roberta-large-en-ru — версия XLM-RoBERTa, разработанная DeepPavlov, с уменьшенным до наиболее частотных токенов английского и русского языков словарём и соответствующими эмбеддингами. Это плотная модель на архитектуре XLM-RoBERTa с 438,5 млн параметров, предназначенная для извлечения признаков из текста и получения текстовых представлений на английском и русском языках. Контекст модели составляет до 514 токенов. Она подходит для построения признаковых представлений в многоязычных текстовых системах; в доступной карточке не описаны специализированные задачи или сравнительные результаты. Модель опубликована в формате PyTorch.

Многоязычный классификатор для определения языка коротких текстовых высказываний. Модель разработана Янисом Лабраком из NLP-команды Авиньонского университета и основана на XLM-RoBERTa; число параметров — 305,2 млн, максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY 4.0. Модель обучена на параллельном наборе MASSIVE, включающем более миллиона высказываний на 51 языке для сценариев голосового ассистента. Она предназначена для распознавания языка входного текста и выдачи метки класса, например для маршрутизации запросов по языковой версии сервиса. Заявлена поддержка 51 языка, включая русский, английский, китайский, арабский и хинди. Обучающие данные отражают короткие пользовательские запросы голосовому ассистенту, поэтому качество на длинных текстах, узкоспециализированных материалах и языковых вариантах вне списка может отличаться; численные результаты оценки в доступной карточке не приведены.

Aligner 7B v1.0 — модуль коррекции ответов, разработанный на основе Llama 2 Base с использованием стратегии residual correction. Он предназначен для подключения к различным открытым моделям и моделям, доступным через API, чтобы корректировать их ответы в сценариях выравнивания и безопасности. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров; контекст составляет 4096 токенов. В карточке указан датасет aligner/aligner-20K и поддержка английского языка. Модель распространяется по некоммерческой лицензии. Примеры в карточке могут содержать оскорбительный или вредоносный контент; это предупреждение не характеризует гарантированную фильтрацию или качество выходов модели.

lyeonii/bert-tiny — компактная англоязычная модель BERT, основанная на BERT-Tiny из семейства облегчённых моделей, выпущенных Google Research. В репозитории размещена конверсия исходных чекпойнтов TensorFlow в PyTorch; модель содержит 4,4 млн параметров и рассчитана на входную последовательность длиной до 512 токенов. Модель предназначена для извлечения признаков и построения текстовых представлений на английском языке. Её можно использовать как компактную основу для получения эмбеддингов или дальнейшей настройки под задачи обработки текста. По оценке на MRPC в карточке приведены F1 81,22 и accuracy 68,38 для варианта BERT-Tiny. Это uncased-модель: регистр букв не различается. Она поддерживает только английский язык, а её компактность сопровождается более скромными показателями на MRPC по сравнению с более крупными вариантами семейства. Лицензия — MIT.

Bielik-Minitron-7B-v3.0-DFlash — модель черновых предсказаний для ускорения генерации текста методом speculative decoding. Её разработали SpeakLeash и ACK Cyfronet AGH; обучение проводилось на том же наборе данных, что и для Bielik-Minitron-7B-v3.0-Instruct, с использованием реализации на базе фреймворка ALLaMo. Модель предназначена для совместной работы с Bielik-Minitron-7B-v3.0-Instruct через сервер инференса с поддержкой DFlash speculative decoding и не является самостоятельной языковой моделью. Она построена на архитектуре Qwen3, имеет около 1 млрд параметров и контекст длиной до 32 768 токенов. Заявлена поддержка 32 европейских языков с оптимизацией для польского; в метаданных перечислены коды языков, включая польский, английский и русский. Модель помогает ускорять генерацию, предлагая черновые продолжения для проверки целевой моделью. Для работы требуется совместимая целевая модель и сервер с поддержкой DFlash. Распространяется по лицензии Apache 2.0.

Tencent GameMate Chinese HuBERT Base — предобученная акустическая модель на архитектуре HuBERT, разработанная Tencent GameMate. Модель содержит 113,3 млн параметров и обучена на 10 тысячах часов аудиоданных из подмножества WenetSpeech L. Она предназначена для извлечения признаков из китайской речи и может служить акустической основой для последующего обучения систем распознавания речи. Модель принимает аудио и выдаёт речевые представления. Веса опубликованы в формате PyTorch; для работы автор указывает Transformers 4.16.2. Токенизатора в репозитории нет: для распознавания речи потребуется создать токенизатор и дообучить модель на размеченных текстовых данных. Лицензия — MIT.

CodeScaler-4B — модель вознаграждения для оценки решений задач программирования, разработанная LARK-Lab. Она обучена дообучением Skywork/Skywork-Reward-V2-Qwen3-4B на наборе предпочтений LARK-Lab/CodeScalerPair-51K и предназначена для масштабирования обучения с подкреплением и оценки решений во время генерации кода без запуска программ. Архитектура — плотная Qwen3 с классификационной головой; модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель извлекает код с учётом синтаксиса и использует формирование оценки, сохраняющее валидность кода, чтобы устойчиво оценивать и сравнивать варианты. Её можно применять для ранжирования решений, отбора кандидатов и подачи сигнала вознаграждения при обучении генераторов кода. Карточка приводит результаты RM-Bench, но таблица в README неполная, поэтому по ней нельзя восстановить полный сравнительный результат. Лицензия — MIT. Язык карточки и тегов — английский.

ConvNeXT Base — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» (Liu и соавторы). Она обучена на ImageNet-22k и дообучена для классификации изображений на ImageNet-1k при разрешении 224×224. Архитектура использует чистую сверточную сеть, дизайн которой основан на ResNet и модернизирован с учетом идей Swin Transformer. Модель предназначена для отнесения изображения к одному из классов ImageNet-1k и может служить основой для прикладных систем классификации изображений. Доступны веса в форматах PyTorch, SafeTensors и TensorFlow. Лицензия — Apache-2.0.

ConvNeXt Nano — сверточная модель классификации изображений из библиотеки timm, подготовленная Россом Уайтманом. Модель предварительно обучена на ImageNet-12k, а затем дообучена на ImageNet-1k; она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 15,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Она выдаёт оценки классов ImageNet-1k и подходит для классификации изображений и построения визуальных признаков в прикладных системах компьютерного зрения. В метаданных указаны форматы PyTorch и Safetensors и лицензия Apache-2.0.

cs3darknet_x.c2ns_in1k — сверточная модель семейства CS3-DarkNet для классификации изображений и извлечения признаков. Модель распространяется проектом timm и обучена на ImageNet-1k; архитектура использует подход Cross-Stage-Partial с тремя свёртками. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений, получения карт признаков и эмбеддингов, а также как визуальный backbone в компьютерном зрении. В ней около 35 млн параметров; при обучении использовался размер изображения 256×256, при тестировании — 288×288. Лицензия — Apache-2.0.

cs3edgenet_x.c2_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура CS3-EdgeNet сочетает частичные межстадийные связи, три свёртки и канальное внимание Squeeze-and-Excitation; блоки EdgeNet используют остаточную схему с свёртками 3×3 и 1×1. Модель также можно применять как основу для извлечения признаковых карт и эмбеддингов изображений. В модели 47,8 млн параметров и 11,5 GMACs. Для обучения использовались изображения размером 256×256, для оценки — 288×288. Модель принимает изображения и выдаёт метки классов; основные сценарии — классификация изображений и получение визуальных признаков для последующих систем. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

DeiT-III Base Patch16 384 — модель классификации изображений и визуальный backbone, разработанный авторами исследования DeiT III и обученный на ImageNet-1k. Она принимает изображения размером 384 × 384 пикселя и предсказывает класс объекта; также её можно использовать для извлечения визуальных признаков и эмбеддингов. Модель построена на архитектуре Vision Transformer с патчами 16 × 16 и содержит 86,9 млн параметров. Для инференса доступны веса PyTorch и Safetensors, а основная библиотека репозитория — timm. Модель подходит для классификации изображений общего назначения и как backbone в системах компьютерного зрения. Лицензия — Apache-2.0. Карточка не сообщает о специальных ограничениях; качество зависит от соответствия входных изображений данным ImageNet-1k и выбранной предобработки.

Qwen3-8B-DFlash-b16 — вспомогательная модель-черновик для ускорения генерации текста методом speculative decoding. Она разработана для работы вместе с целевой моделью Qwen/Qwen3-8B: DFlash использует лёгкую блочную диффузионную модель, чтобы параллельно предлагать продолжения, которые затем проверяет целевая модель. Это не самостоятельная чат-модель; её назначение — ускорять инференс целевой модели без потери точности. В README заявлено ускорение до 6,17 раза для Qwen3-8B, однако результат зависит от условий запуска и конфигурации. В репозитории указаны архитектура DFlashDraftModel семейства Qwen3, библиотека Transformers, формат safetensors и контекст 40 960 токенов. Для загрузки требуется включить trust_remote_code=True; также описана поддержка SGLang, а интеграция с vLLM на момент карточки находилась в разработке. Модель содержит 1,2 млрд параметров. Лицензия — MIT.