II.10Разработка и эксплуатация AI/ML-систем

ResNet18.a3_in1k — модель классификации изображений на архитектуре ResNet, предоставленная проектом timm. Она обучена на ImageNet-1k с рецептом ResNet Strikes Back A3; в модели около 11,7 млн параметров, вычислительная сложность — 0,9 GMAC. Используются ReLU, свёртка 7×7 с пулингом и остаточные связи с проекцией 1×1 для уменьшения размерности. Размер изображения при обучении составлял 160×160, при тестировании — 224×224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Форматы весов в репозитории — PyTorch и safetensors. Лицензия — Apache-2.0. Качество может снижаться на изображениях и категориях, существенно отличающихся от ImageNet-1k; для других доменов потребуется отдельная проверка или адаптация.

ResNet50D.a3_in1k — сверточная модель классификации изображений семейства ResNet-D, опубликованная разработчиками timm. Она обучена на ImageNet-1k по рецепту A3 из работы «ResNet Strikes Back» и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов. Архитектура использует активации ReLU, начальный блок из трёх свёрток 3×3 с пулингом и shortcut downsample с усредняющим пулингом 2×2 и свёрткой 1×1. В модели 25,6 млн параметров и около 2,2 GMACs. Размер изображения при обучении составлял 160×160, при тестировании — 224×224. Доступны веса PyTorch и safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Модель предназначена для изображений и не обрабатывает текст или другие модальности.

timm/resnetblur50.bt_in1k — сверточная модель ResNet-B с треугольным размытием при понижении разрешения (Triangle-3 Blur Pooling), предназначенная для классификации изображений и использования в качестве основы для извлечения признаков. Модель разработана в экосистеме timm и обучена на ImageNet-1k по рецепту Bag-of-Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Архитектура включает активации ReLU, начальную свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1. В модели 25,6 млн параметров; для обучения использовались изображения 224×224, для оценки — 288×288. Размытие при уменьшении разрешения предназначено для повышения сдвиговой инвариантности свёрточной сети. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги в зависимости от используемого интерфейса. Лицензия — Apache-2.0.

ResNetV2-101x1-BiT — сверточная модель классификации изображений из библиотеки timm, основанная на архитектуре ResNet-V2 с предварительной активацией. Авторы статьи Big Transfer предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. В модели около 44,5 млн параметров; указан размер изображения 448 × 448 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вместо Batch Normalization применяются Group Normalization и Weight Standardization. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNetV2-101x3 BiT — сверточная модель семейства ResNet-V2-BiT для классификации изображений и извлечения визуальных признаков. Модель обучена авторами статьи Big Transfer на ImageNet-21k и распространяется в репозитории timm. В модели около 516 млн параметров; для классификации используется размер изображения 224 × 224. Вместо Batch Normalization применяются Group Normalization и Weight Standardization. Модель также подходит как визуальная основа для извлечения карт признаков и эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Обучение на ImageNet-21k задаёт основное назначение модели; README не описывает языковую обработку или иные модальности.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-21k. Архитектура основана на предактивационной ResNet с Group Normalization и Weight Standardization вместо Batch Normalization; число параметров — около 321,7 млн, стандартный размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Обучение на ImageNet-21k даёт ей широкое представление объектов общего назначения. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

ResNetV2-18d — сверточная модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 11,7 млн параметров и требует около 2,1 GMACs. Обучение проводилось на изображениях 224 × 224 пикселя; для оценки указано разрешение 288 × 288. В карточке приведены результаты на ImageNet-1k, но таблица метрик обрезана, поэтому конкретные показатели этой модели определить нельзя. Модель принимает изображения и выдаёт классовые оценки; для задач извлечения признаков или эмбеддингов выход зависит от выбранного интерфейса. Лицензия — Apache-2.0. Карточка не указывает русскоязычные подписи классов или обучение на других наборах данных.

ResNetV2-34d — сверточная модель для классификации изображений и извлечения признаков, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Вариант ra4_e3600_r384_in1k содержит 21,8 млн параметров; обучение проводилось на изображениях 384 × 384, а для оценки использовались изображения 448 × 448. Модель доступна в форматах PyTorch и safetensors. Модель определяет объекты на изображении по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений в задачах компьютерного зрения. Для работы нужны изображения; языковой ввод и текстовая генерация не поддерживаются. Распространяется по лицензии Apache-2.0.

ResNetV2-50x1-BiT — модель классификации изображений из библиотеки timm, основанная на предактивационной архитектуре ResNet и разработанная авторами работы Big Transfer. Модель предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k. Она содержит около 25,5 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Вместо Batch Normalization модель использует Group Normalization и Weight Standardization. Её можно применять для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Весы доступны в форматах PyTorch и safetensors; библиотека для работы — timm. Лицензия — Apache-2.0. Модель обучалась на ImageNet, поэтому её качество и классы ориентированы на распознавание объектов этого набора данных. В карточке не приведены сведения о поддержке конкретных языков или оценках производительности на других наборах данных.

ResNeXt-101 32x4d — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная в библиотеке timm. Авторы предварительно обучили её на подмножестве YFCC100M методом полуобучения, а затем дообучили на ImageNet-1k. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и shortcut-соединения с проекцией 1×1. Модель содержит 44,2 млн параметров, требует 8,0 GMACs и рассчитана на изображения размером 224×224. Помимо предсказания классов, её можно применять как основу для получения карт признаков и эмбеддингов изображений. Модель подходит для стандартных задач классификации изображений и построения визуальных признаков. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; при использовании необходимо соблюдать её условия.

ResNeXt-101 64×4d — сверточная модель классификации изображений из библиотеки timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, остаточные блоки с групповыми свёртками 3×3 и проекциями 1×1 в коротких связях. Модель содержит 83,5 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель подходит для классификации изображений и как визуальный backbone для извлечения карт признаков и эмбеддингов. Она принимает изображение и выдаёт классовые оценки; применение за пределами классификации требует соответствующей дополнительной обработки. Лицензия — BSD-3-Clause.

ResNeXt-50 32x4d — модель классификации изображений и извлечения визуальных признаков из семейства ResNeXt, опубликованная авторами в библиотеке timm. Она использует остаточные блоки с групповыми свёртками 3×3, свёртки 1×1 для понижения размерности и ReLU. Модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предварительно обучена на части YFCC100M методом полунадзираемого обучения, затем дообучена на ImageNet-1k. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов, в том числе как визуальный backbone для компьютерного зрения. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

Selene-1-Mini-Llama-3.1-8B-Q4_K_M-GGUF — это квантизированная версия языковой модели AtlaAI/Selene-1-Mini-Llama-3.1-8B, разработанной AtlaAI и преобразованной в формат GGUF с использованием llama.cpp и GGUF-my-repo. Модель предназначена для генерации текста, диалоговых сценариев и задач оценки ответов языковых моделей в формате LLM-as-a-judge. Модель основана на архитектуре Llama 3.1 и содержит 8 миллиардов параметров. Она работает с текстом и заявлена для английского, немецкого, французского, итальянского, португальского и испанского языков. Квантизация Q4_K_M снижает требования к памяти и делает модель подходящей для локального запуска через llama.cpp на совместимом CPU или GPU. В README приведены примеры запуска с контекстом 2048 токенов, однако максимальный размер контекста явно не указан. К сильным сторонам относятся компактность, возможность локального развертывания и совместимость с экосистемой llama.cpp. Ограничения включают потерю части точности по сравнению с полноразмерной моделью из-за квантизации, а также отсутствие в представленном README подробных результатов бенчмарков, данных об обучении и гарантированных характеристик качества. Лицензия указана как llama3.1; условия исходной модели следует учитывать при использовании этого производного файла.

SemCoder S 1030 — языковая модель для генерации кода, представленная проектом SemCoder из лаборатории ARiSE. Она предназначена для сценариев, где требуется создавать код с учётом семантики и рассуждений о программе. Модель основана на архитектуре Llama, содержит 6,6 млрд параметров и поддерживает контекст до 16 384 токенов; доступна в формате safetensors для библиотеки Transformers и имеет возможность диалогового взаимодействия. Модель обучалась на синтетических данных, созданных моделями OpenAI. README отсылает за подробным описанием к репозиторию проекта; конкретные поддерживаемые языки программирования и результаты оценки здесь не приведены. В метаданных указана лицензия other, поэтому перед использованием следует проверить условия лицензии и учитывать условия OpenAI, относящиеся к синтетическим данным и наборам данных.

SiEBERT — модель анализа тональности английского текста, разработанная как дообученный чекпойнт RoBERTa-large. Она классифицирует текст по двум меткам: положительная и отрицательная тональность. Модель обучали и оценивали на 15 наборах данных из разных источников, включая отзывы и твиты, чтобы повысить качество на текстах, отличающихся от обучающих примеров. Модель предназначена для классификации отзывов, публикаций и других англоязычных текстов, а также может служить отправной точкой для дальнейшего дообучения на пользовательских данных. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Доступны версии для PyTorch, TensorFlow и Flax. В описанных оценках модель показала более высокую точность на разнородных наборах данных, чем модель DistilBERT, дообученная только на SST-2. Точность на конкретных данных может отличаться; README рекомендует проверить качество на вручную размеченной выборке для целевого сценария. Лицензия в предоставленных данных не указана.

Veritone подготовила текстовую башню SigLIP 2 Base Patch16-224 — отдельную часть модели google/siglip2-base-patch16-224 для кодирования текстовых запросов в общее пространство эмбеддингов с изображениями. Её используют вместе с соответствующей башней изображений Veritone/siglip2-base-patch16-224-vision: текстовую башню можно загружать отдельно на этапе поиска, экономя память и время загрузки. Модель рассчитана на поиск по тексту и изображениям, включая классификацию изображений с нулевым обучением в связке с визуальной башней. Она основана на архитектуре SigLIP 2 и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. README описывает обучение полной модели на WebLI; размер текстовой башни отдельно не приводится.

Это текстовая башня SigLIP 2 Base, подготовленная Veritone как облегчённая копия модели google/siglip2-base-patch16-512. Она преобразует текстовые запросы в общее пространство эмбеддингов с визуальной башней, позволяя загружать текстовую часть отдельно для поиска и сопоставления изображений с текстом. Парная визуальная башня опубликована отдельно в Veritone/siglip2-base-patch16-512-vision. Модель предназначена для нулевой классификации изображений по текстовым меткам и поиска изображений по текстовому запросу; также её можно использовать как текстовый энкодер в системах на базе визуально-языковых моделей. Контекст составляет 64 токена. Данные README указывают на предобучение SigLIP 2 на WebLI; в репозитории доступны веса Safetensors для Transformers. Лицензия — Apache-2.0. Для работы с изображениями необходима совместимая визуальная башня; одна эта текстовая часть изображения не принимает.

Veritone публикует текстовую башню SigLIP 2 So400m — отдельную копию текстового энкодера модели google/siglip2-so400m-patch16-512. Она преобразует текстовые запросы в общее пространство эмбеддингов с изображениями и предназначена для использования при поиске, отдельно от башни зрения; разделение позволяет загружать только нужную часть модели. В паре с соответствующей башней зрения её можно применять для классификации изображений по кандидатным текстовым меткам без дообучения и для поиска изображений по тексту. Архитектура — SigLIP, библиотека Transformers, веса в формате safetensors; контекст составляет 64 токена. Модель обучена в составе SigLIP 2 на датасете WebLI. Карточка указывает лицензию Apache-2.0. Сам текстовый энкодер не принимает изображения, поэтому для полного сценария поиска или классификации требуется совместимая башня зрения, например Veritone/siglip2-so400m-patch16-512-vision.

SkillRet-Embedding-0.6B — модель эмбеддингов на базе Qwen3, дообученная с помощью contrastive learning на обучающей части бенчмарка SkillRet. Она сопоставляет запросы на естественном языке с подходящими навыками AI-агентов и предназначена для поиска навыков в библиотеке. Модель содержит 507,6 млн параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В тесте SkillRet на 4 392 запросах и 6 006 навыках показатель Recall@10 составил 0,8774, а NDCG@10 — 0,8112. Модель оптимизирована для запросов на английском языке и может хуже работать за пределами распределения данных бенчмарка; она находит навыки, но не выполняет их. Лицензия — Apache-2.0.

SKILLRET-Reranker-0.6B — реранкер для поиска навыков AI-агентов по запросу на естественном языке. Модель разработана авторами репозитория anonymous-ed-benchmark и дообучена на обучающей части SkillRet benchmark от Qwen/Qwen3-Reranker-0.6B. Она оценивает релевантность пары «запрос — навык» и предназначена для второго этапа поиска: пересортировки кандидатов, полученных от первичного ретривера. Это плотная модель семейства Qwen3 на 507,6 млн параметров с интерфейсом оценки релевантности Qwen3-Reranker. Обучение использовало бинарную кросс-энтропию по вероятностям токенов «yes» и «no». Модель принимает текст запроса и описание навыка, включая его название и тело SKILL.md; контекст составляет до 40 960 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель оптимизирована для английских запросов и описаний навыков; в оценке она повысила NDCG@5 с 0,8458 до 0,8610 при пересортировке 20 кандидатов. Основное применение — поиск навыков для AI-агентов в двухэтапной системе retrieval и reranking. Пересортировка медленнее первичного поиска: обработка 20 кандидатов занимала около 0,8 секунды на запрос на B200, поэтому задержка может быть существенной для чувствительных к latency сценариев. Лицензия — Apache-2.0.

Карточка модели StartupOS/st-codesearch-distilroberta-base на Hugging Face совпадает с карточкой codecompletedeployment/st-codesearch-distilroberta-base, поэтому описание составлено по ней. st-codesearch-distilroberta-base — модель Sentence-Transformers на базе DistilRoBERTa-base, опубликованная в репозитории codecompletedeployment/st-codesearch-distilroberta-base. Она преобразует текстовые запросы и описания векторов предложений в плотные эмбеддинги размерности 768 и предназначена прежде всего для семантического поиска по программному коду на основе текстового запроса. Модель обучалась на датасете CodeSearchNet в течение 10 тысяч шагов с MultipleNegativesRankingLoss; архитектура — RoBERTa, размер — 95,2 млн параметров, максимальный контекст — 514 токенов. Её можно применять для поиска фрагментов кода по естественно-языковому описанию, ранжирования кандидатов по сходству, а также кластеризации текстовых представлений кода. README характеризует модель как предварительную: качество и обучение не были тщательно проверены, поэтому результаты следует оценивать на целевых данных. Лицензия в предоставленных данных не указана.

srikantp/svara-tts-v1-fp8 — FP8-квантизированная версия Svara TTS v1, разработанной Kenpath. Это многоязычная модель преобразования текста в речь на базе архитектуры Llama с 3,3 млрд параметров; репозиторий указывает контекст 131 072 токена. Она предназначена для синтеза речи на 12 индийских языках и английском: поддерживает мужские и женские голоса, выбираемые идентификатором вида «код_языка_пол». FP8 снижает потребление видеопамяти примерно до 6–8 ГБ; заявлен интерфейс, совместимый с OpenAI Audio Speech API. Для запуска README указывает NVIDIA GPU с 8 ГБ или более видеопамяти, CUDA, Transformers и PyTorch. Модель основана на kenpath/svara-tts-v1 и распространяется по лицензии Apache-2.0.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи и предобученная на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура Swin Transformer обрабатывает изображение иерархически с помощью окон внимания со сдвигом. Модель содержит 87,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность составляет 15,5 GMACs. Репозиторий содержит веса PyTorch и Safetensors и рассчитан на использование через библиотеку timm. Модель обучена на ImageNet-1k, поэтому хорошо подходит для классификации изображений в пределах близкого набора категорий и для переноса признаков в компьютерном зрении. Она не является универсальным распознавателем объектов или генеративной моделью; качество на других предметных областях зависит от данных и адаптации. Лицензия — MIT.

Swin Base Patch4 Window7 224 — модель компьютерного зрения для классификации изображений из семейства Swin Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k; содержит около 87,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Иерархическая архитектура Vision Transformer обрабатывает изображение с помощью сдвинутых окон. Модель также может служить основой для извлечения карт признаков и эмбеддингов изображений. Основной сценарий применения — определение классов объектов на изображениях. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не описывает языковые возможности, поскольку модель принимает изображения и выдаёт предсказания классов или признаки.

Swin Large Patch4 Window7 224 — модель классификации изображений на архитектуре Swin Transformer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Модель обрабатывает изображения размером 224 × 224 пикселя и содержит около 228,6 млн параметров. Иерархическая архитектура Swin Transformer использует сдвигаемые оконные механизмы внимания для анализа изображения на разных масштабах. Чекпойнт распространяется в форматах PyTorch и Safetensors. Лицензия — MIT. Карточка не приводит ограничений применения или отдельных доменных специализаций.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи Swin Transformer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k. Модель содержит около 49,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображению метки класса, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура Swin Transformer строит иерархическое представление изображения с помощью окон внимания и их сдвига. Репозиторий содержит веса PyTorch и SafeTensors; лицензия — MIT.

tf_efficientnet_lite1.in1k — сверточная модель семейства EfficientNet-Lite для классификации изображений и извлечения признаков. Её обучили авторы оригинальной работы на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется в формате PyTorch/SafeTensors через библиотеку timm. В ней около 5,4 млн параметров, расчётный размер входного изображения — 240 × 240 пикселей. Модель подходит для определения объектов и сцен на изображениях из 1000 классов ImageNet-1k, а также как компактная основа для извлечения карт признаков и эмбеддингов изображений. Она рассчитана на задачи компьютерного зрения и не предназначена для понимания текста или генерации изображений. Лицензия — Apache-2.0.

TinyViT-21M-224 — модель классификации изображений из семейства TinyViT, опубликованная авторами статьи TinyViT и доступная через timm. Она предварительно обучена на ImageNet-22k с дистилляцией, а затем дообучена на ImageNet-1k. Модель содержит 21,2 млн параметров, рассчитана на изображения размером 224 × 224 и может использоваться как классификатор или визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения признаковых представлений в компьютерном зрении. В карточке указана лицензия Apache-2.0. Данные подтверждают работу с изображениями и классификацию; другие возможности зависят от последующей обработки признаков.

ToolWeave Stage 3 — это разговорная модель для многошагового вызова инструментов, разработанная в рамках проекта ToolWeave на основе Qwen3-4B-Instruct. Она предназначена для агентных сценариев, где нужно выбирать инструменты, формировать вызовы и продолжать взаимодействие в несколько ходов. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. В README описано обучение с подкреплением на синтезируемых онлайн-данных, проверкой выполнения и семантической валидацией, динамическим повтором примеров и учётом вклада отдельных вызовов инструментов. На сбалансированном наборе BFCL Multi-Turn из 400 примеров указана точность завершения всей записи 48,5%; это результат конкретной оценки, а не гарантия качества в других сценариях. Модель загружается через Transformers в формате safetensors. Лицензия в доступных сведениях не указана.

Trendyol DinoV2.1 — модель Trendyol для поиска похожих изображений товаров и визуального поиска в электронной коммерции. Она дообучена на основе DinoV2 ViT-B/14 и использует GeM pooling и линейную проекцию, обученную с ArcFace, для получения эмбеддингов размерности 256. Входное изображение нужно предварительно привести к размеру 224×224 с сохранением пропорций, дополнением до квадрата и нормализацией ImageNet. Модель предназначена для поиска товаров по изображению, визуальных рекомендаций, извлечения признаков и обнаружения дубликатов в каталогах электронной торговли. Экспорт содержит эмбеддинги; классификационные головы, использовавшиеся при обучении, отсутствуют. Для загрузки через Transformers требуется trust_remote_code=True. Модель распространяется по лицензии CC BY-SA 4.0.