II.10Разработка и эксплуатация AI/ML-систем

Qwen-0.5B-Coder-El-Terminalo — компактная модель генерации команд оболочки, разработанная Albinab на основе Qwen2.5-Coder-0.5B-Instruct. Модель дообучена методом LoRA на 5 536 очищенных пар «запрос на естественном языке — команда» и предназначена для локального использования в El Terminalo, а также через Ollama или Transformers. Модель преобразует англоязычные запросы в одну shell-команду без объяснений, альтернатив и Markdown. Она ориентирована на Linux с bash и macOS с zsh и охватывает распространённые задачи Git, Docker, Kubernetes, работы с файлами, системного администрирования, сетевого взаимодействия, баз данных и управления пакетами. В обучении представлены 209 базовых команд. Размер модели — 0,5 млрд параметров; доступна квантованная версия Q8_0 в формате GGUF размером около 500 МБ, с потреблением 800 МБ–1 ГБ RAM при инференсе. Сильные стороны модели — малый размер, локальный запуск без API-ключей и передачи данных в облако, а также специализация на распространённых DevOps- и SRE-сценариях. Ограничения включают генерацию только одной команды за запрос, отсутствие поддержки многошаговых конвейеров и скриптов, возможные вымышленные флаги для редких команд и ограниченное покрытие нишевых инструментов. Механизм отказа для опасных команд обучен на небольшом числе примеров и не должен рассматриваться как надёжный механизм безопасности. Лицензия — Apache 2.0.

mlx-community/Qwen2.5-Coder-1.5B-bf16 — версия Qwen2.5-Coder-1.5B, преобразованная сообществом mlx-community в формат MLX с помощью mlx-lm 0.18.1. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и кода; она содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации и продолжения кода, а также для диалогового взаимодействия на английском языке. Лицензия — Apache 2.0. Карточка описывает преобразование формата, а метаданные связывают модель с Qwen/Qwen2.5-1.5B; README указывает исходный Qwen/Qwen2.5-Coder-1.5B. Поэтому точную базовую модель для преобразованных весов установить по этим данным нельзя.

Qwen3-0.6B-MYPTQ-w4g128 — производная модель на основе Qwen/Qwen3-0.6B, подготовленная методом квантования MYPTQ. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров для генерации текста и диалогов. Контекстное окно составляет 40 960 токенов; доступны файлы ONNX с узлом MatMulNBits и веса safetensors в пользовательской упаковке INT4. Квантование весов слоёв до 4 бит с группами размера 128 уменьшает их объём с 840 до 218 МБ, примерно в 3,85 раза; эмбеддинги оставлены в 16-битном формате. По приведённым в карточке результатам, качество зависит от метода и оценки: в одном сравнении MMLU снизился относительно базовой модели, а в итоговой сводке приведён рост; perplexity на C4 немного выросла. Для загрузки safetensors требуется специальный загрузчик, поскольку стандартный AutoModelForCausalLM не читает эту упаковку напрямую. Лицензия — Apache-2.0.

Tuwhy/Qwen3-4B-OPSA-Code — дообученная языковая модель для генерации кода, созданная на основе Qwen/Qwen3-4B с применением метода On-Policy Self-Adaptation (OPSA). Это плотная causal language model семейства Qwen3 с 3,7 млрд параметров; репозиторий содержит полные веса BF16 в Safetensors, конфигурацию и токенизатор. Модель предназначена для генерации кода в диалоговом формате и может использоваться через Transformers; заявленное окно контекста — 40 960 токенов. Контрольная точка соответствует шагу 259, после 260 обновлений оптимизатора, поэтому это ранний чекпойнт, а не свидетельство зрелого качества для практического развертывания. Базовая модель поддерживает многоязычные задачи, но карточка этого варианта указывает только кодовую специализацию, не уточняя языки программирования или конкретные языки запросов. Лицензия — Apache 2.0, как у базовой модели.

Qwen3.5-35B-A3B-APEX-GGUF — набор GGUF-квантований базовой модели Qwen3.5-35B-A3B, подготовленный командой LocalAI. Модель относится к семейству MoE: в исходной версии 35 млрд параметров, из которых около 3 млрд активируются для каждого токена; заявлены 256 экспертов в MoE-слое и выбор восьми экспертов вместе с общим экспертом. APEX распределяет точность квантования по слоям и типам тензоров, а варианты с индексом I используют калибровку imatrix для разных сценариев. В репозитории есть несколько конфигураций для баланса качества, размера и скорости, включая файлы около 12–24 ГБ, а также проектор зрения mmproj. Модель предназначена для локального диалога и генерации текста, в том числе для интерактивного использования и развёртывания через llama.cpp или LocalAI. README сообщает о сравнительных метриках квантований и заявляет, что некоторые варианты близки к Q8_0 и F16 по качеству при меньшем размере; эти результаты относятся к экспериментам авторов. Метаданные указывают поддержку чата и лицензию Apache-2.0. Хотя базовая модель описана как мультимодальная, карточка этой сборки определяет главную задачу как генерацию текста; наличие mmproj само по себе не уточняет поддерживаемый визуальный сценарий в данной конфигурации.

Qwen3.5-4B-QAD-W4A16 — это квантизированная версия модели Qwen3.5-4B, опубликованная nota-ai. Модель предназначена для генерации текста и эффективного инференса с использованием speculative decoding. Она разработана в рамках работы Jaeyeon Kim, Jewon Lee и Bo-Kyeong Kim и занимает третье место в Efficient Qwen Competition на ICML 2026. Модель использует INT4-квантизацию формата W4A16 и Quantization-Aware Distillation (QAD), чтобы уменьшить потерю качества по сравнению с обычной посттренировочной квантизацией. В процессе также применялись методы, согласующие квантизированную целевую модель с DFlash-drafter, а сама модель оптимизирована для запуска на одной NVIDIA A10G с 24 ГБ памяти. В README заявлено сохранение качества на тестах MMLU-Pro, IFEval и GPQA-Diamond. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности не указаны. Модель подходит для серверного текстового инференса, особенно когда важны снижение задержки и эффективное использование памяти. Для запуска через vLLM требуется поддержка quantization compressed-tensors и параметр trust-remote-code; для speculative decoding предусмотрена совместимая модель-drafter Qwen3.5-4B-DFlash-GPTQ-W4A16. Переобучение требует много GPU-памяти и минимум двух, предпочтительно восьми, GPU класса 80 ГБ, поэтому модель прежде всего ориентирована на готовое инференс-использование. Лицензия — Apache-2.0; модель производна от Qwen3.5-4B, а её дистилляционные данные происходят из закрытого по условиям доступа набора NVIDIA Nemotron-Post-Training-Dataset-v2.

Это компактный текстовый backbone Qwen3.5, подготовленный mp-juuuns для обучения классификаторов с пользовательской выходной головой. Он получен из Qwen/Qwen3.5-0.8B: глубина сокращена с 24 до 4 слоёв в три этапа дистилляции, а словарь уменьшен примерно с 248 тысяч до 39 866 английских и корейских токенов. В README указано 120,6 млн параметров, тогда как метаданные каталога приводят 95,3 млн. Модель использует архитектуру Qwen3_5TextModel, доступна в Safetensors и GGUF Q8_0, имеет контекстное окно 262 144 токена и распространяется по лицензии Apache-2.0. Backbone предназначен для дообучения классификаторов под собственные метки, в том числе для многоцелевой классификации документов. В эксперименте на английских новостях SemEval-2020 Task 11 классификаторы на его основе показали результаты, близкие к лучшим среди 65 моделей, а сокращение числа слоёв заметно ускорило классификацию в измерениях авторов. Сам backbone не содержит классификационной головы и сам по себе не выдаёт готовые метки: для применения нужно добавить и обучить голову. Несмотря на тег conversational и наличие возможности chat в метаданных, README описывает его как headless-классификационный backbone, а не как готовую диалоговую модель. Оценка качества ограничена небольшой выборкой английских новостей и одним прикладным заданием; часть оценок получена на данных, использованных для выбора порога, а независимая тестовая оценка единична. Для корейского измерялись только токенизация и скорость, качество не оценивалось. Длинноконтекстное поведение, калибровка вероятностей, устойчивость, справедливость и безопасность для производства не установлены; модель не рекомендуется использовать как проверяющую факты, фильтр безопасности или автономный механизм принятия решений.

Это текстовый вариант весов Qwen3.6-27B, подготовленный exolabs для запуска через vLLM. Веса получены из GGUF-квантизации Q4_0 модели unsloth/Qwen3.6-27B-GGUF: тензоры деквантованы, преобразованы в формат Hugging Face и сохранены в BF16. Конфигурация и токенизатор взяты из Qwen/Qwen3.6-27B. Модель предназначена для генерации текста и диалогового использования; карточка также указывает интерфейс вызова инструментов. Несмотря на тег image-text-to-text и наличие визуальных возможностей в метаданных, в этом репозитории отсутствует визуальная башня, поэтому автор рекомендует запускать модель только в текстовом режиме. Проверена загрузка и краткая генерация в Transformers и vLLM; в README приведена конфигурация с контекстом до 4096 токенов. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

Authereon разработал Qwen3.6-35B-A3B-Fable-5-Distill-heretic — текстовую диалоговую модель на архитектуре Qwen3.6 MoE, полученную из armand0e/Qwen3.6-35B-A3B-Fable-5-Distill. Исходная модель была дообучена на сессиях Claude Fable 5; эта версия прошла LoRA-DPO с 4 559 примерами и предназначена для снижения податливости к инструкциям, внедрённым в контекст агента, при сохранении сниженного уровня отказов. Модель рассчитана на диалоговые и агентные сценарии, включая ответы на запросы и работу с инструментами при наличии явно заданных схем. В README приведены результаты тестов защиты от нескольких типов prompt injection; улучшение зависит от типа атаки и не гарантирует защиту от новых атак. Для ограничения утечки данных через аргументы инструментов автор требует внешнюю фильтрацию исходящих аргументов. Модель основана на Qwen3.6-35B-A3B, но размер активируемых параметров в метаданных не указан. Репозиторий содержит веса safetensors и опубликован под лицензией Apache-2.0.

Это преобразованная в формат GGUF модель Qwen3.6-35B-A3B NVFP4 от mudler, предназначенная для генерации текста и диалогов при локальном запуске через llama.cpp и LocalAI. В основе — смесь экспертов с примерно 3 млрд активных параметров на токен; файл размером около 23,9 ГБ сохраняет тензоры в нативном NVFP4 без повторной квантизации в целочисленный формат. Модель ориентирована на обслуживание запросов с низким расходом памяти и высокой пропускной способностью, особенно на видеокартах NVIDIA Blackwell. На другом оборудовании она также может запускаться с деквантизацией NVFP4, но медленнее; на Apple Metal FP4-умножения могут выполняться на CPU. Карточка приводит замеры для GB10 / DGX Spark с конфигурацией LocalAI и сообщает о производительности декодирования около 86% от vLLM при конкуренции 128 запросов. Лицензия указана как other, поэтому условия использования следует уточнить в исходной карточке базовой модели и репозитория. Контекстное окно и поддерживаемые естественные языки в предоставленных данных не описаны.

Это конвертированная версия Qwen3.6-35B-A3B, подготовленная exolabs для запуска через vLLM. Исходные веса взяты из GGUF-файла Q8_0 модели unsloth/Qwen3.6-35B-A3B, деквантованы и сохранены в формате safetensors с точностью BF16. Архитектура — Qwen3.5 MoE; репозиторий содержит около 69,3 ГБ весов в 21 шарде. Модель предназначена для диалоговой генерации текста и сценариев, связанных с Qwen3.6-35B-A3B. Хотя карточка указывает задачу image-text-to-text, визуальные веса здесь отсутствуют: автор рекомендует использовать модель в текстовом режиме с параметром --language-model-only. README сообщает об успешных проверках загрузки и генерации в Transformers и vLLM. Лицензия обозначена как other; условия её использования следует сверить с базовой моделью и лицензией исходного репозитория.

Это пакет слоёв GGUF модели Qwen3.6-35B-A3B-UD-Q4_K_XL, подготовленный для распределённого запуска в Mesh LLM. Он создан на основе unsloth/Qwen3.6-35B-A3B-MTP-GGUF и сохраняет исходное распределение GGUF по отдельным артефактам слоёв; семейство модели — Qwen3, вариант квантования — UD-Q4_K_XL. Пакет предназначен для локального приватного чат-инференса, в том числе на нескольких машинах, когда полный файл модели трудно разместить на одном хосте. Через локальный API Mesh LLM его можно использовать в сценариях, совместимых с OpenAI Chat Completions. Метаданные указывают задачу генерации текста и библиотеку mesh-llm. README не приводит число параметров, длину контекста, поддерживаемые языки, подробности архитектуры или лицензию самого исходного чекпойнта; за ними он отсылает к карточке базовой модели. Возможности и качество зависят от исходной модели и настроек Mesh LLM. Для запуска требуется Mesh LLM и совместимый локальный или распределённый вычислительный кластер.

Qwen-3.8-27B-Uncensored — мультимодальная модель семейства Qwen, разработанная автором репозитория на основе Qwen/Qwen3.8-27B. Это контрольный чекпойнт в формате bf16 примерно на 27,8 млрд параметров: автор применил прямое изменение весов, удалив ранговую проекцию направления отказов из части residual-writing весов. Обучение, адаптеры и дополнительные затраты во время инференса не используются; модель загружается как стандартный чекпойнт Transformers. Модель предназначена прежде всего для контролируемого red teaming, оценки защитных фильтров и классификаторов, проверки устойчивости к prompt injection и исследования механизмов отказа. Она принимает текст и изображения и выдаёт текст; унаследованная мультимодальная архитектура поддерживает работу с изображениями и видео. Метаданные также указывают диалоговый режим и интерфейс вызова инструментов. Унаследованные от базовой модели возможности не означают, что все они отдельно проверены для этого чекпойнта. Изменение весов снижает склонность к отказам, но не гарантирует их полного отсутствия и не добавляет знаний или точности. Автор сообщает о возможных небольших регрессиях и отсутствии независимых сравнительных бенчмарков; при использовании следует сравнивать результаты с базовой моделью. Защитное поведение намеренно удалено, поэтому для развёртывания необходим независимый уровень модерации. Лицензия — Apache 2.0.

Это пакет слоёв GGUF-модели Qwen3-Next-80B-A3B-Thinking-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет основан на unsloth/Qwen3-Next-80B-A3B-Thinking-GGUF и сохраняет её веса, разбитые на артефакты по слоям для запуска на кластере из нескольких локальных машин. Указанный вариант квантования — UD-Q4_K_XL. Модель предназначена для локального приватного чата и генерации текста, в том числе через совместимый с OpenAI интерфейс Mesh LLM. Распределение слоёв позволяет объединять память и вычисления нескольких машин, когда полной модели не помещается на одном узле. Пакет требует Mesh LLM; описание архитектуры, языков, контекста и лицензии отсылает к карточке исходной модели и не приводит эти сведения для данного пакета.

arthurcollet/Qwen3-VL-Embedding-2B-mlx — конвертированная в формат MLX мультимодальная модель эмбеддингов на основе Qwen3-VL-Embedding-2B. README указывает, что конверсия выполнена с помощью mlx-vlm версии 0.3.11; метаданные связывают модель с Qwen/Qwen3-VL-2B-Instruct и относят её к семейству Qwen3-VL. Модель предназначена для извлечения признаков из мультимодальных данных. Формат MLX рассчитан на запуск в экосистеме Apple MLX. Репозиторий распространяется по лицензии Apache-2.0. README отсылает к карточке исходной модели за подробностями; конкретные языки и ограничения в предоставленных данных не описаны.

DavidAU/Qwen3-Zero-Coder-Reasoning-V2-0.8B — объединённая модель для генерации кода и рассуждений на основе семейства Qwen3. В README автор описывает её как универсального помощника по программированию: она создаёт черновики кода, помогает обсуждать идеи и решать сложные многошаговые задачи. Метаданные указывают архитектуру Qwen3ForCausalLM, около 684 млн параметров, контекст до 40 960 токенов и поддержку диалогового режима и интерфейса вызова инструментов. Модель принимает текстовые запросы и генерирует текст, включая код и поясняющие рассуждения. Карточка указывает английский язык; специальная область применения — программирование. В репозитории представлены веса Safetensors, а README также описывает варианты GGUF с разными уровнями квантования и обработкой imatrix. По словам автора, скорость и качество зависят от формата и квантизации; иногда модель повторяет блоки кода или рассуждений и может отвлекаться от задачи. Лицензия — Apache-2.0.

Railz-Micro — компактная статическая multilabel-модель безопасности от разработчика bfuzzy1. Она классифицирует англоязычные пользовательские запросы: определяет вредоносный контент, присваивает ему категории из девяти групп и выявляет jailbreak-попытки. Модель содержит 67 млн параметров; при инференсе использует токенизацию, поиск статических векторов, их усреднение и классификационную голову без трансформера. По описанию автора, она работает за доли миллисекунды на CPU и не требует GPU или PyTorch для инференса. Модель предназначена для быстрой фильтрации запросов на устройстве или в серверном конвейере модерации. Её единая multilabel-голова выдаёт метки harmful, jailbreak и категории безопасности. В README приведены результаты на нескольких наборах данных и способы менять порог классификации: стандартный порог ориентирован на точность, снижение порога повышает полноту. К ограничениям относятся слабые результаты на неформальных чат-сообщениях, умеренная полнота обнаружения jailbreak и трудности с тонко сформулированными вредоносными запросами. Статическое представление ограничивает анализ отрицаний, сарказма и многофразового контекста; модель оценивает запросы, а не ответы, и не предназначена для неанглоязычного или смешанного текста. Лицензия — MIT.

Raptor 0.6.1 preview — дообученная OsaurusAI версия языковой модели XHToken/Spark-X2.5-4B, рассчитанная на работу в агентной среде Osaurus. Она помогает решать, когда отвечать без инструментов, когда вызывать инструмент, какой инструмент выбрать, как обработать ошибку и когда запросить уточнение или передать работу субагенту. Модель поддерживает диалог, рассуждения и вызов инструментов; её архитектура — плотная авторегрессионная Spark2_5ForCausalLM с 3,8 млрд параметров и контекстом до 1 048 576 токенов. В репозитории размещены веса safetensors, подготовленные в формате JANG_6M: внимание и связанные эмбеддинги представлены в 8 бит, MLP — в 6 бит, с калибровкой AWQ, GPTQ и imatrix для запуска на Apple Silicon через Osaurus. Модель обучена методом LoRA SFT на примерах решений из Osaurus и отличается от Raptor 0.6 дообучением как внимания, так и MLP. В тестах авторов она показала улучшение относительно Raptor 0.6 на наборе сценариев Osaurus, а проверка квантования измеряла близость к исходным весам bf16 на англоязычных сценариях, коде и вызовах инструментов. Это предварительная версия для тестирования, которая может заменить Raptor 0.6; для запуска требуется Osaurus 0.25.14 или новее. Указана лицензия Apache-2.0.

RegNetX-4GF — модель классификации изображений из семейства RegNetX, представленная авторами статьи Designing Network Design Spaces и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и содержит 22,1 млн параметров; для классификации использует изображения размером 224 × 224 пикселя. Модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для присвоения изображениям меток классов из набора ImageNet-1k и для получения визуальных признаков в компьютерном зрении. Реализация timm включает стохастическую глубину, градиентный чекпойнтинг и настраиваемые слои активации и нормализации. Репозиторий распространяется по лицензии MIT.

RegNetX-6.4GF — сверточная модель классификации изображений из семейства RegNetX, созданная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Модель предварительно обучена на ImageNet-1k и предназначена для определения содержимого изображений, а также может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Модель содержит 26,2 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 6,5 GMACs вычислений. В реализации timm доступны дополнительные настройки архитектуры и обучения, включая stochastic depth, gradient checkpointing и настраиваемый output stride. Для применения нужны входные изображения; результат классификации — метки классов. Лицензия репозитория — MIT.

RegNetY-4GF — модель классификации изображений и извлечения визуальных признаков, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов на изображениях, использования в качестве визуального backbone и извлечения карт признаков или эмбеддингов. Модель содержит 20,6 млн параметров и требует около 4,0 GMACs на изображение. Для обучения использовался размер изображения 224×224, для тестирования — 288×288. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг и настройку выходного stride, активаций и нормализационных слоёв. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

RegNetY-16GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная в репозитории timm. Веса предварительно обучены участниками проекта torchvision на ImageNet-1k. Модель содержит 83,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 16 GMACs на проход; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации объектов на изображениях, извлечения визуальных признаков и построения эмбеддингов для последующего поиска или анализа. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных карт признаков, функций активации и нормализации. Лицензия — BSD 3-Clause.

Replit Code v1.5 3B — языковая модель Replit для автодополнения кода. Это плотная авторегрессионная модель семейства MPT с 3,3 млрд параметров, обученная генерировать продолжения кода. Модель распространяется в формате PyTorch и использует токенизатор GPTNeoX с настроенным словарём из 32 768 токенов; размер контекста — 4096 токенов. Обучение проводилось на корпусе примерно из 1 трлн токенов, включая код на 30 языках программирования, технические тексты в Markdown и reStructuredText, а также материалы Stack Exchange для разработчиков. Модель подходит для подсказок и продолжения кода в редакторах и для последующей настройки под конкретные задачи разработки. Она не заявлена как универсальный чат-ассистент или средство проверки корректности кода. Лицензия Apache-2.0 допускает коммерческое использование. Обучающие данные могли содержать оскорбительный или неподходящий контент, который может проявляться в генерациях; перед использованием в продуктивных системах результаты следует проверять.

teknium/Replit-v1-CodeInstruct-3B — языковая модель для генерации кода и выполнения инструкций, разработанная Teknium на основе Replit Code v1. Это плотная авторегрессионная модель семейства MPT с архитектурой MPTForCausalLM, дообученная на наборах CodeAlpaca и GPTeacher Code-Instruct примерно на 25 тысячах пар «инструкция — ответ» в формате Alpaca. Модель принимает текстовые инструкции и выдаёт текст, в том числе код. Карточка описывает сценарии работы с инструкциями по программированию; сведения о поддерживаемых языках программирования и длине контекста не приведены. Модель подходит для генерации фрагментов кода по запросу и ответов на вопросы о программировании. Для загрузки README указывает необходимость trust_remote_code=True и предупреждает о проблемах с device="auto". Репозиторий содержит веса PyTorch. Лицензия — CC BY-SA 4.0.

RepVGG B1 — сверточная модель классификации изображений, опубликованная авторами статьи RepVGG и обученная на ImageNet-1k. В каталоге timm она реализована через BYOBNet и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 57,4 млн параметров, имеет вычислительную сложность 13,2 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Она принимает изображения и выдаёт классы ImageNet-1k; характеристики контекстного окна и языков к ней неприменимы. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

Res2Net-50 26w 4s — модель классификации изображений и извлечения визуальных признаков семейства Res2Net, опубликованная авторами статьи и обученная на ImageNet-1k. Она реализована для библиотеки timm; в карточке указано около 25,7 млн параметров и расчёт для изображений размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Архитектура Res2Net использует многомасштабные признаки внутри остаточных блоков, что делает её пригодной как визуальная основа для компьютерного зрения. Карточка указывает форматы PyTorch и safetensors. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования по этой карточке установить нельзя.

ResNet-S — сверточная модель классификации изображений и извлечения признаков из семейства ResNet, опубликованная проектом timm. Она обучена на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Архитектура использует активации ReLU, расширенный трехслойный блок сверток 3×3 в начале сети, пулинг и переходы между блоками через свертки 1×1. Модель содержит 44,7 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Чекпойнт доступен в форматах PyTorch и safetensors. Лицензия — Apache-2.0. README не приводит отдельной оценки качества именно этой модели; производительность зависит от разрешения входного изображения и вычислительной среды.

В репозитории smp-hub/resnet152.imagenet размещены предварительно обученные на ImageNet веса ResNet-152 для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Это сверточная модель классификации изображений; веса представлены в формате safetensors. Их можно использовать как основу для задач компьютерного зрения, в частности при построении моделей сегментации с энкодером ResNet-152. Модель подходит для классификации изображений и как компонент систем семантической сегментации. В карточке указана лицензия other, поэтому перед использованием следует проверить условия лицензии репозитория и исходных весов ImageNet.

ResNet-S — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Архитектура использует активации ReLU, трёхслойный начальный блок из свёрток 3×3 с увеличенной шириной и пулингом, а также обходные соединения с понижающей выборку свёрткой 1×1. Модель содержит 60,3 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для определения классов на изображениях и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не сообщает метрики качества именно этой модели.

ResNet18.a2_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Это ResNet с активациями ReLU, начальной свёрткой 7×7 и пулингом, а также shortcut-свёртками 1×1 для изменения размерности. Модель содержит 11,7 млн параметров и обучена на ImageNet-1k по рецепту ResNet Strikes Back A2 с оптимизатором LAMB, функцией потерь BCE и косинусным расписанием скорости обучения с разогревом. Модель предназначена для классификации изображений на набор классов ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Размер изображения при обучении — 224×224, при тестировании — 288×288. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на изображения общего назначения; её классификация ограничена классами, на которых она обучена, и качество может снижаться на данных, отличающихся от ImageNet-1k.