II.10Разработка и эксплуатация AI/ML-систем

tf_efficientnetv2_b3.in21k — модель классификации изображений семейства EfficientNetV2, обученная авторами статьи на ImageNet-21k в TensorFlow и перенесённая в PyTorch Россом Уайтменом. Она может использоваться как готовый классификатор или как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 46,4 млн параметров и около 2,0 GMACs. Размер изображения при обучении — 240 × 240 пикселей, рекомендуемый размер при тестировании — 300 × 300. Репозиторий предоставляет веса PyTorch в формате safetensors; библиотека для работы — timm. Модель предназначена для классификации по классам ImageNet-21k и может служить основой для задач компьютерного зрения. Лицензия — Apache-2.0. Качество классификации зависит от соответствия входных изображений обучающим данным; карточка не описывает отдельную специализацию на конкретной предметной области.

Это модель классификации изображений на архитектуре EfficientNetV2-B3 из библиотеки timm. Её обучили авторы статьи на ImageNet-21k, затем дообучили на ImageNet-1k в TensorFlow; веса перенёс в PyTorch Росс Уайтман. Модель содержит 14,4 млн параметров и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Для обучения использовались изображения размером 240 × 240 пикселей, для оценки — 300 × 300. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Модель ориентирована на распознавание категорий из ImageNet и может быть менее подходящей для изображений, заметно отличающихся от обучающих данных.

timm/tf_efficientnetv2_xl.in21k — сверточная модель семейства EfficientNetV2 для классификации изображений и извлечения признаков. Её обучили авторы статьи на ImageNet-21k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. Модель содержит около 234,8 млн параметров. Указанный размер изображения при обучении — 384 × 384 пикселя, при тестировании — 512 × 512. Её можно применять для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Модель предназначена для задач компьютерного зрения общего назначения; языковой ввод и генерация текста не поддерживаются. Лицензия — Apache-2.0.

ThinkPRM-14B — генеративная модель оценки процесса рассуждений (PRM), разработанная авторами репозитория launch и дообученная на архитектуре R1-Distill-Qwen-14B. Она проверяет решения по шагам: формирует текстовые пояснения и суждения о правильности каждого шага, а также может оценивать решение в целом. Модель предназначена для проверки математических и научных рассуждений, верификации кода и отбора кандидатов в системах Best-of-N или при поиске по дереву рассуждений. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 14 млрд параметров, принимает текст и выдаёт текстовые проверки и оценки; заявленная длина контекста — 131 072 токена. По карточке, она дообучена на небольшом наборе синтетических цепочек проверки и оценивалась на задачах математики, научных вопросов и программирования. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. К ограничениям относятся склонность выдавать чрезмерно уверенные оценки, влияние ранней ошибочной оценки на последующие шаги и чувствительность к формату решения и промпту. Модель предназначена для проверки рассуждений; её оценки не следует трактовать как безошибочное подтверждение корректности.

Это предобученные веса EfficientNet-B0 с обучением по методу Noisy Student, опубликованные в репозитории smp-hub и предназначенные для использования в качестве энкодера библиотеки segmentation-models-pytorch. Веса можно применять как основу для моделей сегментации изображений, а также для классификации изображений. Модель принимает изображения и выдаёт признаки, пригодные для классификации или передачи в декодер сегментации. Карточка не сообщает размер набора классов, разрешение входных изображений или показатели качества. Репозиторий предоставляет веса в формате Safetensors; лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

unsloth/tinyllama-bnb-4bit — 4-битно-квантованная языковая модель TinyLlama, подготовленная Unsloth и распространяемая для использования с Transformers и bitsandbytes. Модель ориентирована на дообучение и запуск в условиях ограниченных вычислительных ресурсов, включая бесплатные GPU-среды вроде Google Colab и Kaggle. Модель предназначена для задач генерации и продолжения текста, а также диалогового дообучения на собственных наборах данных. В README указана поддержка последовательностей длиной до 4096 токенов в соответствующем ноутбуке с RoPE Scaling. Заявлены английский язык, библиотека Transformers и возможность последующего экспорта в GGUF или использования с vLLM. Конкретные архитектурные параметры и число параметров TinyLlama в README не указаны. Ключевые преимущества — 4-битное квантование через bitsandbytes, снижение потребления памяти и ускорение дообучения: для TinyLlama заявлены ускорение до 3,9 раза и сокращение использования памяти до 74% относительно базового сценария. Эти показатели зависят от конфигурации и среды выполнения. Ограничения включают зависимость от квантованного формата и отсутствие подробных данных о качестве, мультимодальности, языковом покрытии помимо английского и других характеристиках модели. Лицензия Apache-2.0.

Toto-2.0-1B — модель из семейства Toto, разработанного Datadog для прогнозирования многомерных временных рядов. Чекпойнт содержит 1,2 млрд параметров; семейство обучено по единому рецепту и предназначено для прогнозов в задачах наблюдаемости и общего назначения. Лицензия — Apache-2.0. Модель использует декодерный трансформер с патчами и чередующимися слоями внимания по временной оси и по переменным. Она поддерживает прогнозирование без дообучения на конкретном ряде, переменные горизонты и контексты, а также выдаёт точечные прогнозы и оценки неопределённости через квантильную выходную голову. В README заявлены высокие результаты на бенчмарках BOOM, GIFT-Eval и TIME. Для инференса доступен пакет toto-models; веса опубликованы в формате safetensors. Модель рассчитана на числовые временные ряды, а не на текстовые запросы; для практического применения нужны подготовленные данные рядов и совместимый код инференса.

classifiedshadow/Trying — языковая модель для генерации текста и программного кода, опубликованная пользователем classifiedshadow. Она основана на Qwen2.5-Coder-3B-Instruct и предназначена для диалогового взаимодействия и решения задач, связанных с кодом.

laion/tt-x1_lr-lr8e6-60-30B — чекпойнт шага 60, созданный LAION в рамках эксперимента TaskTrove X1 по подбору скорости обучения. Это дообучение инструктивной модели Qwen/Qwen3-Coder-30B-A3B-Instruct с архитектурой Qwen3 MoE, выполненное методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2. Модель предназначена для генерации текста в диалоговом формате, в частности для задач программирования и работы с несколькими файлами. Для выбора чекпойнта использовали скользящую экспоненциальную среднюю награды за последние пять шагов; шаг 60 показал наивысшее значение среди сохранённых вариантов. Обучение остановили на шаге 71 из 80 из-за роста энтропии, поэтому результат не отражает завершённый цикл обучения. Контекст модели составляет 262 144 токена; в метаданных указано 2,6 млрд параметров. Лицензия — Apache-2.0.

TY-ecomm-siglip2-turkish-v1 — мультимодальная модель Trendyol для получения эмбеддингов изображений товаров и их названий. Она дообучена на базе Google SigLIP 2 Large (ViT-L/16, входное разрешение 384×384) примерно на 4,1 млн пар «первое изображение товара — название». Модель создаёт совместимые 1024-мерные векторы текста и изображения; это эмбеддер, а не готовый классификатор или генеративная VLM. Модель предназначена для понимания и модерации товарных каталогов: эмбеддинги можно использовать для поиска по изображениям и тексту, поиска похожих товаров, ранжирования и рекомендаций, а также как признаки для обучаемых классификаторов категорий и запрещённых или откровенных товаров. Основной язык названий — турецкий; в данных также встречаются английские и смешанные названия. Репозиторий распространяется по лицензии CC BY 4.0. Модель лучше подходит для турецких каталогов и товарных фотографий. Длинные запросы могут обрезаться до 64 токенов, а растягивание изображений до 384×384 может искажать фото с необычными пропорциями. Эмбеддинги сами по себе не выдают метки и не заменяют отдельный классификатор или проверку человеком при принятии решений по безопасности.

vit_base_patch14_reg1_tipsv2.webli — визуальный энкодер на основе Vision Transformer (ViT), опубликованный в библиотеке timm. Модель содержит 86,3 млн параметров и обрабатывает изображения размером 448 × 448 пикселей. Она дистиллирована от учительской модели ViT-g/14 TIPSv2 с помощью сопоставления признаков патчей на отфильтрованной подвыборке WebLI из 116 млн изображений. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также карт признаков для последующих задач компьютерного зрения. В архитектуре используется дополнительный register-токен. Лицензия — Apache-2.0. Карточка не приводит специальных ограничений по качеству или сценариям применения.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследования в JAX на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm. Модель содержит 88,2 млн параметров, использует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,4 GMACs. Она подходит для классификации изображений по классам ImageNet-1k, а также как визуальный backbone для получения эмбеддингов и построения других компьютерно-зрительных систем. Веса распространяются по лицензии Apache-2.0. Качество модели ориентировано на классы ImageNet-1k; карточка не описывает отдельную оптимизацию для других доменов или типов изображений.

Это крупная модель классификации изображений на основе Vision Transformer (ViT), опубликованная командой timm. Она предварительно обучена на парах изображение—текст LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 632 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и построения эмбеддингов. Подходит для распознавания объектов и категорий в изображениях, а также для задач компьютерного зрения, где нужны представления изображений. Репозиторий распространяется в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Это визуальный энкодер timm на архитектуре Vision Transformer Huge с патчами 16×16 из семейства DINOv3. Модель содержит около 840,5 млн параметров, принимает изображения размером 256×256 и извлекает визуальные признаки и эмбеддинги для последующих задач компьютерного зрения. Модель дистиллирована на наборе LVD-1689M из DINOv3 ViT-7B. Её можно использовать для извлечения карт признаков и эмбеддингов, а также как основу для классификации изображений, сегментации и анализа сцен. В README приведены результаты оценок моделей DINOv3, однако отдельные показатели именно этой конфигурации не приведены. README отмечает особенности реализации RoPE и отключённые смещения QKV; возможны небольшие численные расхождения с оригинальной реализацией. В метаданных указана лицензия `other`, а README называет лицензию DINOv3, поэтому перед использованием следует проверить её условия.

belfner/vit_large_patch16_lingbot.robbyant — визуальный энкодер LingBot-Vision на базе ViT-Large/16, подготовленный авторами статьи и преобразованный для реализации Eva/DINOv3 в timm. Модель содержит 303,1 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Она выдаёт признаки CLS, четырёх register-токенов и патчей; конфигурация по умолчанию усредняет признаки патчей, а режим global_pool='token' позволяет получить представление CLS. Энкодер предназначен для извлечения признаков и эмбеддингов изображений, в том числе для классификации и получения карт признаков. Он дистиллирован из ViT-Giant/16, предварительно обученного с masked-boundary objective, на корпусе из 161 млн отобранных веб-изображений. В README заявлено точное совпадение выходов fp32 с эталонной реализацией на двух проверенных разрешениях. Лицензия — Apache 2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом в библиотеке timm. Вариант vit_little_patch16_reg1_gap_256 использует патчи 16×16, один register-токен и глобальное усреднение признаков; модель содержит 22,5 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для присвоения изображениям меток классов, а также может использоваться как энкодер признаков для извлечения карт признаков и эмбеддингов изображений. Весовые файлы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

vit_medium_patch16_reg4_gap_256.sbb_in1k — модель Vision Transformer для классификации изображений и извлечения визуальных признаков из семейства timm. Она обучена на ImageNet-1k; в архитектуре используются патчи 16×16, четыре регистра и глобальное усреднение признаков. Размер модели составляет 38,9 млн параметров, расчётный размер входного изображения — 256×256 пикселей. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведены результаты сравнения с близкими вариантами семейства, но конкретные метрики для этой версии не указаны. Репозиторий предоставляет веса PyTorch в формате safetensors; библиотека для работы — timm. Лицензия Apache-2.0.

timm/vit_so400m_patch14_siglip_378.webli_ft_in1k — модель на основе Vision Transformer (ViT), разработанная для библиотеки timm. Энкодер предварительно обучен контрастивным методом SigLIP на наборе WebLI и дообучен для классификации изображений на ImageNet-1k. Веса распространяются в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Она содержит около 429,4 млн параметров и рассчитана на входные изображения размером 378 × 378 пикселей. Большой размер модели и вычислительная нагрузка могут ограничивать её применение на устройствах с малым объёмом памяти или без ускорителя.

Модель oliverguhr/wav2vec2-base-german-cv9 — акустическая модель распознавания немецкой речи, разработанная на основе facebook/wav2vec2-base и дообученная на немецкой части набора Mozilla Common Voice 9.0. Это архитектура Wav2Vec2 с CTC-декодированием, содержащая 113,3 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для преобразования аудиозаписей немецкой речи в текст. На оценочной выборке указаны loss 0,1742 и WER 0,1209. Лицензия — MIT. Карточка не описывает условия записи аудио и возможные различия качества для акцентов, шумных записей и других условий, поэтому результаты могут отличаться на данных вне обучающего набора.

WaveCoder Ultra 1.1 6.7B — это языковая модель для генерации и обработки программного кода, разработанная Microsoft. Представленная версия — GGUF-квантизации оригинальной модели microsoft/wavecoder-ultra-6.7b, подготовленные пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для выполнения инструкций, связанных с программированием, включая генерацию кода и задачи, оцениваемые на наборе HumanEval. Модель имеет около 6,7 млрд параметров, работает в формате GGUF и поддерживает англоязычные сценарии. Для взаимодействия рекомендуется шаблон инструкций с секциями «Instruction» и «Response». Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и качеством: Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S обозначены как рекомендуемые, а Q8_0 обеспечивает максимально доступное качество при большем размере. Основное преимущество этой версии — возможность локального запуска с выбором компромисса между качеством и требованиями к памяти; наиболее компактные варианты занимают менее 2 ГБ, тогда как Q8_0 — около 7,16 ГБ. Более низкие уровни квантизации снижают качество и могут быть пригодны только при ограниченных ресурсах. Архитектура, размер контекста, поддерживаемые языки программирования и мультимодальные возможности в README не указаны. Распространение заявлено по лицензии MIT.

Wide ResNet-101-2 — сверточная модель классификации изображений и извлечения визуальных признаков из семейства Wide Residual Networks, опубликованная в timm. Модель содержит 126,9 млн параметров; в карточке указаны активации ReLU, начальная свёртка 7×7 с пулингом и проекции 1×1 в обходных соединениях. Она обучена на ImageNet-1k в torchvision с рецептами обучения версии 2. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Размер изображения при обучении — 176×176, при тестировании — 224×224; вычислительная сложность составляет 14,3 GMACs. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — BSD-3-Clause.

timm/wide_resnet50_2.tv2_in1k — модель классификации изображений семейства Wide-ResNet, опубликованная разработчиками timm. Она обучена на ImageNet-1k с рецептами обучения torchvision v2 и может использоваться как классификатор или как сверточная основа для извлечения карт признаков и эмбеддингов. Архитектура использует активации ReLU, начальную свёртку 7×7 с pooling и проекции 1×1 в shortcut-соединениях; модель содержит 68,9 млн параметров и требует изображения 224×224 для оценки. Для обучения указано разрешение 176×176. Модель предназначена для распознавания объектов на изображениях общего назначения и получения визуальных признаков для последующих задач. В README приведены варианты использования для классификации, извлечения карт признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD-3-Clause.

WizardCoder-33B-V1.1 — языковая модель для генерации кода, опубликованная под именем WizardCoder и представленная в этом репозитории как зеркало. Модель содержит 33,1 млрд параметров, использует плотную архитектуру Llama и загружается через Transformers; доступные веса сохранены в формате safetensors. Контекст — до 16 384 токенов. Модель дообучена на базе deepseek-ai/deepseek-coder-33b-base с использованием подхода Evol-Instruct. Она предназначена для генерации программ по инструкциям и решения задач программирования; в карточке приведены результаты на HumanEval, HumanEval-Plus, MBPP и MBPP-Plus. README задаёт формат запроса с секциями Instruction и Response и предупреждает, что для воспроизведения результатов важно использовать рекомендованный системный промпт. Лицензия указана в метаданных как WTFPL. Результаты бенчмарков не гарантируют корректность кода в реальных задачах; сгенерированные программы требуют проверки. README отдельно не гарантирует точность количественно сжатых версий.

timm/xception65.ra3_in1k — модель классификации изображений и визуальный backbone из библиотеки timm, подготовленная Россом Уайтманом. Это Aligned Xception, предварительно обученная на ImageNet-1k с рецептом RandAugment RA3; архитектура использует глубинные свёртки. Веса доступны в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Она содержит 39,9 млн параметров; рекомендуемый размер входного изображения — 299 × 299 пикселей. Карточка не приводит подробностей о составе классов, качестве на отдельных наборах данных или поддержке иных задач.

XCiT Nano 12/8 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит около 3 млн параметров, требует 2,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

XtremeDistil-L6-H384-Uncased — компактная дистиллированная модель семейства BERT, разработанная Microsoft в рамках проекта XtremeDistilTransformers. Это универсальный энкодер, предназначенный для переноса знаний между задачами; в каталоге модель отнесена к классификации текста. Чекпойнт содержит 6 слоёв, размер скрытого представления 384 и 12 голов внимания; в README указано 22 млн параметров, а в метаданных — 25,9 млн. Контекст составляет до 512 токенов. Модель ориентирована на англоязычный текст и может применяться для классификации, а также как компактная основа для адаптации к разным NLP-задачам. В README приведены оценки на GLUE и SQuAD v2 и заявлено ускорение в 5,3 раза относительно BERT-base. Доступны веса PyTorch, TensorFlow и Flax. Лицензия — MIT. Поскольку это базовый энкодер, для конкретной классификации обычно требуется соответствующая задача или дообучение.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_langid — классификатор аудио для определения языка речи. Её создал пользователь anton-l, дообучив facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S — FLEURS.ALL. Архитектура основана на Wav2Vec2ForSequenceClassification; размер модели — около 402,7 млн параметров. Модель принимает аудиозапись и предсказывает один из языковых классов, представленных в FLEURS. На оценочной выборке из 77 960 примеров общая точность составила 0,7271. Результаты существенно различаются по языкам: например, точность для русского — 0,9794, а для некоторых других языков она низкая. Лицензия — Apache-2.0. README не содержит дополнительных рекомендаций по использованию или подробного описания ограничений.

xVerify-0.5B-I — компактная модель для проверки ответов, представленная в статье «xVerify: Efficient Answer Verifier for Reasoning Model Evaluations». Она дообучена на Qwen/Qwen2.5-0.5B-Instruct и содержит около 494 млн параметров; модель использует плотную архитектуру Qwen2 и запускается через Transformers. Её задача — извлекать окончательный ответ из длинного рассуждения и проверять его эквивалентность эталонному ответу в вопросах с одним правильным ответом. Модель подходит для оценки ответов на математические задачи, вопросы с выбором варианта, задания на классификацию и короткие вопросы. Она сопоставляет ответы с учётом регистра, преобразований греческих букв, математической записи и смысла естественно-языковой формулировки, а варианты выбора сравнивает по содержанию, а не только по обозначению. Заявлена поддержка китайского и английского языков, а также совместимость с другими языками; контекст составляет до 32 768 токенов. Модель ориентирована на объективные задания с единственным правильным ответом и не предназначена для открытой оценки ответов, где допустимы разные субъективные решения. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных версий.

xVerify-8B-I — языковая модель для автоматической проверки ответов на объективные вопросы с единственным правильным ответом. Она дообучена на базе Meta Llama 3.1 8B Instruct и представлена в работе «xVerify: Efficient Answer Verifier for Reasoning Model Evaluations». Модель извлекает итоговый ответ из длинного рассуждения и оценивает, эквивалентен ли он эталонному ответу. Модель предназначена для оценки решений математических задач, ответов на вопросы с выбором варианта, классификаций и коротких ответов. Она сопоставляет варианты ответа по смыслу, распознаёт эквивалентные математические записи, включая LaTeX, дроби и научную нотацию, а также учитывает семантическую эквивалентность формулировок. Поддерживает китайский и английский языки; README также отмечает совместимость с другими языками. Использует архитектуру Llama с 7,5 млрд параметров, принимает до 131 072 токенов контекста и работает через Transformers. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Модель ориентирована на вопросы с одним объективно проверяемым ответом; её пригодность для открытых вопросов и иных задач оценки в карточке не заявлена.

Zoobot Encoder ConvNeXt Large — модель зрения, опубликованная mwalmsley и предназначенная для использования в качестве визуального энкодера и дообучения под задачи классификации изображений. Она построена на архитектуре ConvNeXt Large и доступна через библиотеку timm; карточка предлагает загружать её как энкодер без классификационной головы. Модель подходит для извлечения признаков из изображений и последующей адаптации к классификации. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README отсылает к документации Zoobot за инструкциями по загрузке и дообучению.