II.10Разработка и эксплуатация AI/ML-систем

CodeGen-Multi 350M — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 350 млн обучаемых параметров и построена на архитектуре CodeGenForCausalLM; доступна в формате PyTorch. Контекст модели — 2048 токенов. Модель дообучена в два этапа: сначала на CodeGen-NL 350M, затем предварительно обучена на массиве BigQuery с кодом из GitHub. Она предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам в виде комментариев и продолжения частично написанного кода. В обучающих данных представлены C, C++, Go, Java, JavaScript и Python; модель также обрабатывает текст на естественном языке. Salesforce выпустила модель для исследовательских целей в поддержку академической работы. Качество и безопасность для конкретных применений не гарантированы: ответы могут содержать ошибки, поэтому сгенерированный код следует проверять. Лицензия — BSD 3-Clause.

ainergy/CodeLlama-SDSAT_L7_13B — дообученная модель ainergy на базе CodeLlama-13B, представленная как 13-миллиардная модель для работы SDSAT (ускорения вывода LLM с помощью speculative decoding и semantic adaptive tokens). Она предназначена для генерации кода и сценариев, где применяется этот подход к ускорению вывода. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 12,9 млрд параметров и поддерживает контекст до 16 384 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0. Карточка указывает язык Code, поэтому естественный язык модели определить нельзя.

convnext_base.clip_laion2b_augreg_ft_in12k — визуальный энкодер семейства ConvNeXt, опубликованный Ross Wightman в библиотеке timm. Это image tower модели CLIP: веса предварительно обучены на LAION-2B в OpenCLIP, затем дообучены для классификации изображений на ImageNet-12k. Модель насчитывает около 99,7 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для классификации изображений, извлечения признаковых карт и получения векторных представлений изображений. Её можно применять как визуальный backbone в задачах компьютерного зрения и переноса обучения. Карточка приводит результаты классификации на наборе сравнения timm, но не описывает языковой ввод или текстовую генерацию. Модель распространяется по лицензии Apache-2.0. Качество и скорость зависят от оборудования и настроек инференса; приведённые в карточке показатели скорости измерялись на RTX 3090 с PyTorch 1.13 и AMP.

convnext_femto.d1_in1k — компактная сверточная модель классификации изображений из семейства ConvNeXt, обученная Россом Уайтманом с помощью библиотеки timm на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель содержит около 5,2 млн параметров и предназначена для классификации изображений, извлечения признаковых карт и получения эмбеддингов. Размер изображения при обучении составлял 224×224 пикселя, при тестировании — 288×288. Компактный размер и вычислительная стоимость около 0,8 GMAC делают её подходящей для сравнительно лёгких задач компьютерного зрения.

ConvNeXt Small — модель компьютерного зрения для классификации изображений, опубликованная в timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит около 50,2 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель относит изображение к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; модель предназначена для обработки изображений и не генерирует текст. Лицензия — Apache-2.0.

ConvNeXt-V2 Large — модель компьютерного зрения для классификации изображений и извлечения признаков. Модель опубликована в библиотеке timm; она предварительно обучена методом FCMAE и дообучена на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors. Модель содержит около 198 млн параметров. Для обучения указано разрешение 224 × 224 пикселя, для тестирования — 288 × 288. Её можно использовать для предсказания классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Модель предназначена для изображений; сведения о поддерживаемых текстовых языках не относятся к её задачам.

ConvNeXT-XLarge — сверточная модель компьютерного зрения, разработанная авторами работы «A ConvNet for the 2020s» и впервые опубликованная в этом репозитории. Она обучена на ImageNet-22k и принимает изображения размером 224×224 для классификации объектов по категориям ImageNet. Архитектура ConvNeXT представляет собой чистую сверточную сеть, дизайн которой основан на ResNet и обновлён с учётом идей Vision Transformer и Swin Transformer. Модель предназначена для классификации изображений; доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель подходит для распознавания объектов на фотографиях и как основа для прикладных версий, дообученных под другие задачи. В исходном виде она ограничена классификацией по категориям ImageNet и не предназначена для генерации описаний изображений или классификации по произвольным пользовательским меткам без адаптации.

C-RADIOv4-SO400M — модель извлечения визуальных признаков NVIDIA на базе Vision Transformer, предназначенная для получения эмбеддингов изображений. Вариант SO400M содержит около 431 млн параметров; веса опубликованы в формате safetensors и доступны для работы через Transformers. Модель принимает RGB-изображения с разрешением до 2048×2028 пикселей с шагом 16 и возвращает глобальное представление изображения и пространственные признаки в виде тензоров. Эмбеддинги рассчитаны на использование в последующих моделях и приложениях: для классификации и отбора изображений, семантической сегментации, оценки глубины и интеграции с моделями «зрение — язык». При обучении использовались модели-учителя SigLIP2-g, DINOv3-7B и SAM3; в карточке также приведены результаты оценки на ImageNet и данные об обучении на NV-CC-Img-Text-Dataset. Для ускорения NVIDIA рекомендует GPU, хотя конкретная производительность зависит от оборудования и сценария. Модель ориентирована на извлечение признаков, а не на самостоятельную классификацию или генерацию ответов: для прикладного результата требуется последующая модель. NVIDIA указывает готовность к коммерческому и некоммерческому использованию при соблюдении NVIDIA Open Model License Agreement.

CSATv2 21M — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработал Ross Wightman и обучил с помощью timm на ImageNet-1k. Чекпойнт содержит около 20,7 млн параметров и рассчитан на входные изображения размером 640 × 640 пикселей. Модель можно применять для определения объектов и сцен на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Она подходит как готовый классификатор ImageNet-1k и как визуальный энкодер для последующих задач машинного обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

fredstrey/deberta-v3-base-prompt-injection-v3 — дообученный классификатор на основе protectai/deberta-v3-base-prompt-injection-v2 для обнаружения prompt injection в текстах на бразильском португальском языке. Модель специализируется на материалах и сценариях домена SUFRAMA, включая запросы к чат-ботам. Модель использует архитектуру DeBERTa v3 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. При дообучении первые восемь из двенадцати слоёв энкодера были заморожены; обучались верхние четыре слоя и классификационная голова. Данные включали переведённые наборы примеров prompt injection и синтетические доменные образцы. Модель предназначена для защитной фильтрации пользовательских запросов и выявления попыток внедрения инструкций в приложениях на базе LLM. Лицензия MIT. README не приводит оценок качества, поэтому надёжность на новых типах атак и за пределами домена SUFRAMA по имеющимся сведениям определить нельзя.

decider-0.8b — дообученная модель Mapika на базе Qwen/Qwen3.5-0.8B-Base, предназначенная для классификации и принятия решений по заданному состоянию. Она принимает текст или значение JSON и набор типизированных вопросов, а за один проход возвращает вероятности вариантов Choice, уровней Score или ответа «да/нет» Noul. Модель не генерирует свободный текст и не требует декодирования или разбора ответа; заявленный контекст составляет 262144 токена, число параметров — 581,4 млн. Модель рассчитана на маршрутизацию запросов, классификацию, оценочные суждения и поиск по JSON-данным. На коротких состояниях её результаты по маршрутизации и простым суждениям близки к более крупной версии decider-2b, но она слабее на задачах, требующих широких знаний, тонких различий между метками или многошагового рассуждения. Обучение выполнено в один этап на смеси из 1,47 млн примеров; обучающие данные, составленные учителем Qwen3.5-27B, могут переносить его смещения. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0.

DeiT-Base Distilled Patch16 384 — модель классификации изображений семейства DeiT, размещённая в библиотеке timm. Согласно карточке, её авторы обучили модель на ImageNet-1k с использованием токенов дистилляции. Модель содержит 87,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения эмбеддингов. Её можно применять для определения объектов и сцен на изображениях, а также как основу для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

DeiT Tiny Patch16 224 fb_in1k — модель классификации изображений из семейства Data-efficient Image Transformers (DeiT), выпущенная авторами соответствующей научной работы и обученная на ImageNet-1k. Она доступна через библиотеку timm и предназначена для классификации изображений и использования в качестве визуального backbone для получения признаков. Модель содержит около 5,7 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную сложность около 1,3 GMAC. Её можно применять для предсказания классов ImageNet-1k и извлечения визуальных признаков. Лицензия репозитория — Apache-2.0.

Это веса DenseNet-201, обученные на ImageNet и предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Репозиторий содержит веса модели в формате safetensors; метаданные Hugging Face указывают задачу классификации изображений и библиотеку PyTorch.

Это пакет слоёв GGUF модели Devstral-Small-2-24B-Instruct-2512 в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска. Пакет создан на основе unsloth/Devstral-Small-2-24B-Instruct-2512-GGUF и распределяет исходную модель по артефактам слоёв для работы на нескольких машинах. Модель предназначена для локального приватного чата и генерации текста через Mesh LLM, в том числе на кластере, когда модель целиком не помещается на одном компьютере. Mesh LLM предоставляет локальный API, совместимый с OpenAI Chat Completions. Репозиторий содержит вариант квантования GGUF UD-Q4_K_XL; архитектура, число параметров, контекст и лицензия здесь не описаны. Для этих сведений следует обращаться к карточке исходной модели.

Это преобразованная версия DINOv2 ViT-L/14, подготовленная Eugenehp для библиотеки RLX: веса из исходного чекпойнта переложены в формат RLX meta layout и опубликованы в вариантах safetensors, включая файл с ключами Hugging Face. Модель предназначена для извлечения признаков изображений и запуска через компонент rlx-dinov2. В репозитории также указан формат GGUF F16. Лицензия — Apache-2.0. Карточка не сообщает размер модели, поддерживаемые языки и ограничения качества; DINOv2 принимает изображения и выдаёт визуальные признаки.

timm/dla34.in1k — модель компьютерного зрения на архитектуре DLA (Deep Layer Aggregation), разработанной авторами соответствующей научной работы и обученной на ImageNet-1k. Она предназначена для классификации изображений, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит около 15,7 млн параметров; для входа в карточке указан размер изображения 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors и рассчитаны на работу с библиотекой timm. Лицензия — BSD 3-Clause.

dla60.in1k — модель классификации изображений на основе архитектуры DLA (Deep Layer Aggregation), обученная авторами оригинальной работы на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Модель содержит около 22 млн параметров, требует 4,3 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий использует библиотеку timm и содержит веса в форматах PyTorch и Safetensors. Лицензия — BSD 3-Clause.

Dream-Coder-v0-Base-7B — базовая модель Dream Coder 7B, разработанная для генерации кода. Это открытая диффузионная языковая модель на 7,1 млрд параметров с архитектурой DreamModel, предназначенная для работы с текстом и кодом. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель подходит для генерации и дополнения кода в диалоговых сценариях. В карточке заявлена высокая производительность, но сравнительные оценки и конкретные поддерживаемые языки программирования не приведены. Лицензия Apache-2.0 разрешает использование на её условиях.

EfficientViT B2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, разработанная авторами работы EfficientViT в MIT и опубликованная в timm. Она обучена на ImageNet-1k и принимает изображения размером 256 × 256 пикселей. Архитектура EfficientViT использует многомасштабное линейное внимание; модель содержит около 24,3 млн параметров и требует 2,1 GMACs на изображение. Модель подходит для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений для дальнейших задач компьютерного зрения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий.

EfficientViT L2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами работы EfficientViT и обученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, использования в качестве визуального backbone и получения карт признаков или эмбеддингов. Модель содержит 63,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Архитектура EfficientViT использует многошкальное линейное внимание для обработки изображений высокого разрешения. В репозитории представлены веса PyTorch и Safetensors; модель распространяется по лицензии Apache-2.0.

engram-xenc-v0 — модель-переранжировщик на основе BERT, разработанная для слоя фильтрации замен Engram. Она получает запрос пользователя и текст выбранного объекта знаний и оценивает, достаточно ли хорошо этот объект отвечает на запрос, чтобы обойти вызов большой языковой модели. Модель дообучена дистилляцией оценок ACCEPT/REJECT от Claude Sonnet на 1 560 парах запрос–объект из датасета Bitext для поддержки клиентов; базовая модель — cross-encoder/ms-marco-MiniLM-L-12-v2. Размер — 40 млн параметров, контекст — до 512 токенов. Модель предназначена для систем поиска по базе знаний и FAQ в поддержке клиентов: положительная оценка позволяет ответить по найденному объекту, отрицательная — передать запрос языковой модели с опорой на документы. На отложенной выборке автор сообщает ROC-AUC 0,961 и F1 0,889 при пороге 0,8. Это сигнал для ранжирования и маршрутизации, а не генератор ответов; система рассчитана на проверку верхнего кандидата. Лицензия — Apache-2.0.

nghuyong/ernie-3.0-mini-zh — версия ERNIE 3.0 на PyTorch, преобразованная из официальной модели PaddlePaddle и проверенная экспериментами на корректность конверсии. Это плотная модель архитектуры ERNIE с 29,5 млн параметров и контекстом до 2048 токенов. Модель предназначена для извлечения признаковых представлений текста на китайском языке. Её можно использовать как основу для получения векторных представлений, которые затем применяются в поиске, сравнении текстов и других NLP-сценариях. Для загрузки README указывает Transformers и классы BertTokenizer и ErnieModel. Репозиторий содержит формат PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

ERNIE-Gram-zh — китайская языковая модель семейства ERNIE-Gram, представленная в виде PyTorch-чекпойнта для извлечения признаков и задач понимания естественного языка. Архитектура основана на BERT: 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; всего 127,1 млн параметров, контекст — до 512 токенов. Модель предназначена для получения контекстных представлений китайского текста, которые можно использовать в прикладных системах понимания языка. Чекпойнт преобразован из официально выпущенной модели ERNIE на PaddlePaddle в PyTorch; автор README сообщает о проверках точности преобразования. Лицензия в предоставленных источниках не указана.

EVA-02 Large Patch14 224 MIM In22k — визуальная модель представлений на базе Vision Transformer из библиотеки timm. Её обучили авторы работы EVA-02 на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя. Модель содержит около 303,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также может использоваться как backbone для классификации. Архитектура включает mean pooling, SwiGLU, Rotary Position Embeddings и дополнительный LayerNorm в MLP. Контрольные точки timm сохранены в float32; в исходных версиях могут использоваться float16 или bfloat16. Лицензия — MIT. Модель работает с изображениями и не предназначена для обработки текста, аудио или видео. Результаты классификации и представления могут зависеть от предметной области и отличаться от качества на ImageNet-22k; размер модели также требует значительных вычислительных ресурсов.

EVA Large Patch14 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Авторы статьи EVA предварительно обучили её на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучили на ImageNet-22k и ImageNet-1k. Модель содержит около 304,5 млн параметров и рассчитана на изображения размером 336 × 336 пикселей. Модель подходит для определения объектов и сцен на изображениях, а также как визуальный backbone для получения эмбеддингов и построения прикладных систем компьютерного зрения. Веса репозитория timm представлены в float32; README отмечает, что исходные версии в некоторых случаях доступны в float16 или bfloat16. Репозиторий распространяется по лицензии MIT.

FastViT-SA24 — модель классификации изображений и визуальный backbone семейства FastViT, обученная авторами статьи на ImageNet-1k. Репозиторий timm предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Модель содержит 21,6 млн параметров, имеет вычислительную сложность 3,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. FastViT — гибридная архитектура Vision Transformer с структурной репараметризацией. В карточке указано требование соблюдать исходную лицензию, однако конкретные условия лицензии не приведены.

fbnetv3_g.ra2_in1k — модель FBNet-v3 для классификации изображений, представленная в библиотеке timm и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и изображенческих эмбеддингов. Модель содержит 16,6 млн параметров и требует около 1,3 GMACs на изображение. Размер входа при обучении составлял 240 × 240 пикселей, при тестировании — 288 × 288. При обучении применялась схема RandAugment RA2, оптимизатор RMSProp с усреднением EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Модель принимает изображения и выдаёт классы ImageNet-1k; её также можно применять для извлечения признаков. Карточка не описывает поддержку иных языков или модальностей. Лицензия Apache-2.0.

PeytonT/file-embedding — дообученная модель для создания плотных векторных представлений файлов, предназначенных для поиска и сопоставления. Это компонент системы Repository Library для индексации и поиска по репозиториям и научным материалам. Модель основана на энкодере BERT и дообучена на sentence-transformers/all-MiniLM-L6-v2; содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторы признаков. В обучающих данных использовались графы репозиториев и фрагменты кода из конвейера Repository Library. Лицензия в предоставленных данных не указана.

principled-intelligence выпустила текстовый вариант Gemma 4 E2B-it: из исходного мультимодального чекпойнта удалены веса энкодеров изображений и аудио, а языковая модель сохранена. Это плотная модель семейства Gemma 4 с 1,6 млрд параметров по метаданным и контекстом до 131 072 токенов. Модель предназначена для извлечения признаков из текста и может использоваться как текстовая часть исходной модели для генерации. По README, удаление энкодеров уменьшает размер чекпойнта и пиковое потребление видеопамяти примерно на 9% по сравнению с исходным Gemma 4 E2B-it; сохранены исходные токенизатор и шаблон чата. Для загрузки автор проверял Transformers, а другие движки инференса пока не поддерживаются. Лицензия — Apache-2.0.