II.10Разработка и эксплуатация AI/ML-систем

Roberta-CLS-URL — дообученная модель RonTon05 на базе papluca/xlm-roberta-base-language-detection для классификации текста. По метаданным это плотная трансформерная архитектура XLM-RoBERTa с головой XLMRobertaForSequenceClassification; размер — 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для отнесения текстов к классам, однако названия классов и конкретная область применения в карточке не раскрыты. В README указаны результаты на тестовой выборке: accuracy 0,9571 и F1 0,9572. Датасет обучения обозначен как неизвестный, поэтому эти метрики нельзя переносить на другие данные без собственной проверки. Модель распространяется в формате Safetensors по лицензии MIT.

Это модель классификации текстовых пар на основе RoBERTa Large, опубликованная организацией garak-llm. Она обучена на SNLI, MultiNLI, ANLI и FEVER для вывода по двум текстам: следуют ли они друг из друга, нейтральны ли по отношению друг к другу или противоречат. В garak её используют как детектор для проверки того, опровергает ли ответ модели заданное утверждение. Модель имеет около 454 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые пары с контекстом до 512 токенов. Выдаёт одну из трёх меток: entailment, neutral или contradiction. Лицензия — MIT. Языковые данные в метаданных не указаны, поэтому поддерживаемые языки нельзя надёжно перечислить.

ruT5-ASR — русскоязычная модель коррекции распознанной речи, обученная bond005 на основе ruT5-base. Она исправляет ошибки в тексте, полученном системами автоматического распознавания речи, в частности Wav2Vec2-Large-Ru-Golos, и может работать как отдельная модель преобразования последовательностей: на вход получает черновую транскрипцию и возвращает исправленный текст. Модель построена на архитектуре T5, содержит 123,8 млн параметров и имеет контекст до 512 токенов. Она обучалась на обучающей части набора SberDevices Golos; оценивалась на тестовых частях Golos, русской части Common Voice 6.0 и Russian Librispeech. В приведённом сравнении эффект коррекции различается по наборам данных: на SOVA RuDevices ошибка снизилась, а на Voxforge Ru и Russian Librispeech выросла. Модель предназначена для работы с русскими транскрипциями и не распознаёт аудио напрямую. Распространяется в формате PyTorch по лицензии Apache-2.0.

schift-io/schift-ko-pii-v7 — корейская модель для обнаружения персональных данных, разработанная Schift. Она выполняет токенную классификацию и размечает упоминания людей и адресов; модель предназначена для выявления таких фрагментов в тексте перед проверкой или маскированием. В README описан рабочий процесс, в котором отдельная политика определяет, какие найденные фрагменты блокировать, отправлять на проверку или оставлять без изменений. Это плотный энкодер семейства LFM2 с 32,9 млн параметров и контекстом 8192 токена по метаданным. Архитектура использует общие нижние слои и независимо дообученные верхние ветви для людей и адресов; веса опубликованы в формате safetensors. README указывает максимальную длину обработки 512 токенов. Модель рассчитана на корейский язык. Для практического использования предусмотрена загрузка через специальный hydra loader на базе Transformers и PyTorch. В поставку входят только распознаватели людей и адресов. Поддержка организаций отложена; расширенные профили идентификаторов и контекстных атрибутов доступны через отдельный адаптер пакета. Модель принимает текст, а результат представляет собой токенные метки и найденные фрагменты; извлечение текста из файлов документов выполняется отдельно. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

sebotnet33ts_256.a1h_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Архитектура основана на ResNet и BotNet, включает механизм канального внимания Squeeze-and-Excitation и сокращённое число блоков self-attention. Модель содержит 13,7 млн параметров и рассчитана на входные изображения размером 256 × 256 пикселей. Обучение использовало рецепт ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout и stochastic depth, RandAugment и косинусным расписанием скорости обучения с прогревом. Модель подходит для классификации изображений общего назначения и извлечения визуальных признаков. Карточка отмечает, что конфигурация не повторяет в точности конкретную научную статью. Лицензия — Apache-2.0.

SemCoder — языковая модель для генерации кода с рассуждениями о его семантике, представленная проектом ARiSE-Lab. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она рассчитана на контекст до 16 384 токенов и запускается через Transformers. Модель предназначена для генерации программного кода и диалоговой работы с запросами о коде. Обучение проводилось на синтетических данных, созданных моделями OpenAI. В README указано, что при использовании модели и датасетов следует учитывать условия использования OpenAI; лицензия в метаданных обозначена как other, поэтому конкретные права использования нужно проверять в репозитории. Карточка не приводит перечень поддерживаемых языков программирования или результаты оценки качества.

seresnet50.a1_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения признаков. Это SE-ResNet-50 с механизмом Squeeze-and-Excitation, который учитывает важность каналов признаков. Модель разработана для timm и обучена на ImageNet-1k с рецептом ResNet Strikes Back A1. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1. В модели около 28,1 млн параметров и 4,1 GMACs. Для обучения указано разрешение 224×224, для тестирования — 288×288. Она подходит для классификации объектов на изображениях, формирования карт признаков и эмбеддингов изображений. Модель принимает изображения и выдаёт классовые оценки; эмбеддинги и карты признаков доступны как представления для последующей обработки. Лицензия — Apache-2.0. Карточка не сообщает отдельных ограничений, кроме специализации на изображениях и обучении на ImageNet-1k.

seresnext101_64x4d.gluon_in1k — свёрточная модель классификации изображений из библиотеки timm, основанная на архитектуре SE-ResNeXt-B с механизмом внимания к каналам Squeeze-and-Excitation. Модель содержит 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она обучена на ImageNet-1k в Apache Gluon с рецептами Bag of Tricks. Модель подходит для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура включает ReLU-активации, свёртку 7 × 7 с пулингом, групповые свёртки в bottleneck-блоках и свёрточные проекции в обходных соединениях. Веса распространяются в форматах PyTorch и safetensors по лицензии Apache-2.0. README не указывает русскоязычные текстовые возможности; модель принимает изображения и выдаёт классовые предсказания либо признаки для дальнейшей обработки.

seresnext26t_32x4d.bt_in1k — сверточная модель классификации изображений из библиотеки timm, построенная на архитектуре SE-ResNeXt-T с механизмом Squeeze-and-Excitation для внимания к каналам. Модель содержит 16,8 млн параметров и обучена на ImageNet-1k с рецептом Bag of Tricks; при обучении использовались SGD с Nesterov и косинусное расписание скорости обучения с разогревом. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В README указаны размер изображения 224×224 для обучения и 288×288 для проверки, а вычислительная сложность составляет 2,7 GMACs. Репозиторий распространяется по лицензии Apache-2.0.

SEW-D-mid — акустическая модель ASR от ASAPP Research, основанная на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной для повышения эффективности предобученных моделей распознавания речи. В репозитории находится вариант SEW-D с примерно 100,7 млн параметров и архитектурой SEWDForCTC; веса представлены в формате PyTorch. Модель предобучена на речевом аудио с частотой 16 кГц, поэтому входные записи следует приводить к этой частоте дискретизации. Модель предназначена для преобразования английской речи в текст. Карточка также отмечает, что базовая предобученная модель может быть дообучена для распознавания речи и смежных задач, например идентификации говорящего, классификации намерений и эмоций. В исследовании SEW показано ускорение инференса относительно wav2vec 2.0 при сопоставимом качестве; результаты зависят от размера модели и условий обучения. Лицензия репозитория — Apache-2.0. Карточка описывает предобученную базовую модель и рекомендует дообучение для целевой задачи, поэтому качество на конкретных данных может потребовать дополнительной настройки.

Это конверсия SigLIP 2 от zeromodels в формат Keras 3 на основе google/siglip2-base-patch16-256. Модель предназначена для классификации изображений по текстовым подсказкам без отдельного обучения на заданных классах: на вход подаются изображения и текстовые описания классов, а на выходе — оценки соответствия изображения каждому описанию. SigLIP 2 использует визуально-языковой энкодер с sigmoid loss; при предобучении применялись генерация описаний, самодистилляция и masked prediction. Текстовая часть использует многоязычный словарь Gemma размером 256 тысяч токенов. Реализация Keras 3 работает с TensorFlow, Torch и JAX; для выбора размера изображения и токенизатора рекомендуется соответствующий Processor. Лицензия — Apache 2.0.

Smol-Hub-tldr — компактная языковая модель, разработанная Davan Strien на основе HuggingFaceTB/SmolLM2-360M. Модель дообучена методом supervised fine-tuning и предназначена для создания кратких однопредложных резюме карточек моделей и датасетов Hugging Face Hub, чтобы быстро понять их назначение и основные характеристики. Модель принимает текст карточки и генерирует текстовое резюме. В обучении использовались резюме карточек, созданные Llama 3.3 70B; в README рекомендуется применять chat template и передавать основную часть карточки без YAML-заголовка. Хотя нативный контекст составляет 8192 токена, при обучении использовались карточки длиной до 2048 токенов. Модель содержит 361,8 млн параметров, использует архитектуру Llama и формат safetensors. Резюме также можно использовать как исходный текст для построения эмбеддингов и семантического поиска. Модель сфокусирована на карточках Hugging Face и не предназначена для универсального суммирования произвольных документов. Лицензия — MIT.

Модель сегментации речи, разработанная evie-8 и дообученная на английской части набора Callhome с помощью diarizers на базе pyannote/segmentation-3.0. Она анализирует аудио и размечает активность и сочетания говорящих во времени, в том числе перекрывающуюся речь; модель можно подключить к конвейеру диаризации pyannote. В README приведены результаты оценки: Loss 0,4587 и DER 0,1824, а также показатели ложных срабатываний, пропусков и ошибок определения говорящего. Модель предназначена для сегментации аудио при диаризации английских разговоров. Репозиторий содержит веса safetensors, лицензия — MIT. Показатели оценки относятся к указанному набору и не гарантируют аналогичного качества на других типах аудио.

Sweep Next-Edit 1.5B — модель Sweep AI для автодополнения кода, которая предсказывает следующее изменение в файле с учётом его текущего содержимого, связанных файлов и недавних правок. Репозиторий Xenova содержит версию для Transformers в формате safetensors и конвертацию в ONNX; архитектура — плотная Qwen2ForCausalLM, около 1,4 млрд параметров. Метаданные указывают контекст до 32 768 токенов. Модель предназначена для локального дополнения кода в редакторах и IDE. В README заявлены быстрое выполнение на ноутбуке и результаты выше моделей более чем в четыре раза крупнее на бенчмарках предсказания следующих правок; это заявления авторов карточки. Для подсказки модель принимает текстовый контекст файлов и изменений и генерирует текст предполагаемой правки. Указаны библиотека Transformers и лицензия Apache 2.0.

SwiftFormer L3 distill для ImageNet-1k — модель классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи SwiftFormer и представленная в библиотеке timm. Архитектура SwiftFormer использует эффективное аддитивное внимание для мобильных задач компьютерного зрения в реальном времени. Модель содержит 28,5 млн параметров, требует изображение размером 224 × 224 пикселя и выполняет около 4,0 GMACs вычислений на изображение. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Веса доступны в форматах PyTorch и Safetensors; заявлена лицензия Apache-2.0. Карточка не описывает поддержку языкового ввода или генерацию текста.

SwinV2 CR Small 224 — модель компьютерного зрения на архитектуре Swin Transformer V2, реализованная Christoph Reich и Ross Wightman в библиотеке timm. Веса предварительно обучены Ross Wightman на ImageNet-1k. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Это независимая реализация Swin Transformer V2, опубликованная до выхода официального кода; в ней отличаются обработка относительного позиционного смещения и формат выходных признаков. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

Tess-Coder-7B-Mistral-v1.0 — модель генерации кода на архитектуре Mistral, опубликованная migtissera. Она предназначена для создания программного кода по текстовым запросам. В README указана оценка 41,64% на HumanEval pass@1. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Доступны веса в формате PyTorch. Репозиторий распространяется по лицензии Apache-2.0. README и метаданные не позволяют установить языки программирования, на которых модель показывает наилучшие результаты, или подробные ограничения её применения.

thalovant-m2v-intents — классификатор намерений для маршрутизации запросов к навыкам и другим конвейерам Thalovant Hub. Модель разработана для Thalovant и дообучена классификатором model2vec на базе Jarbas/m2v-256-distiluse-base-multilingual-cased-v2. Она сопоставляет фразу с одной из 214 меток, соответствующих навыкам и зарегистрированным намерениям; для инференса используется StaticModelPipeline из библиотеки model2vec. По данным README, на отложенной выборке получены точность определения намерения 92,1 % и точность выбора навыка 96,8 % по 68 языкам. Модель подходит для классификации команд умного дома, запросов о времени и погоде, а также намерений чтения и справочных навыков. Веса обучены на корпусе Thalovant; лицензия — Apache-2.0. У классификатора нет метки «ни одно из перечисленного»: любой запрос получает ближайшую метку, даже если ни один навык его не поддерживает. Поэтому высокая уверенность сама по себе не гарантирует, что запрос относится к доступному навыку; для части языков README указывает необходимость повышенного порога уверенности.

unsloth/tinyllama-chat-bnb-4bit — чат-модель на базе TinyLlama, опубликованная командой Unsloth. Она предназначена для диалоговых сценариев и дообучения на пользовательских наборах данных с использованием Transformers и инструментов Unsloth, включая conversational-подходы с шаблонами ShareGPT ChatML или Vicuna. Модель также может использоваться как компактная основа для экспериментов и последующего экспорта в форматы GGUF или vLLM. Из README известно, что модель поддерживает английский язык и распространяется в 4-битном формате bnb, что снижает требования к памяти. Для TinyLlama заявлено дообучение с ускорением до 3,9 раза и сокращением использования памяти до 74% в соответствующем ноутбуке Unsloth. Точные сведения об архитектуре, числе параметров, размере контекста и мультимодальности не указаны; по представленным данным модель относится к текстовым, а не мультимодальным системам. Сильные стороны модели — компактность, экономичность при запуске и удобство использования для обучения и экспериментов. Ограничения включают отсутствие в README подробных результатов оценки качества, перечня поддерживаемых языков за пределами английского и характеристик контекстного окна. Лицензия — Apache-2.0.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

TurboSparse-Mistral-Instruct — разработанная Tiiny разреженная версия семейства Mixtral, представленная как большая языковая модель для диалогов. Модель имеет плотную архитектуру BambooForCausalLM и 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для общения используется шаблон ChatML; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов в диалогах и извлечения признаков из текста. Разработчики оценивали её на наборах тестов OpenLLM Leaderboard; модель можно дообучать разными фреймворками и алгоритмами. Ускоренный механизм инференса TurboSparse ещё дорабатывается, но модель можно запускать как обычную плотную модель. Доступна по лицензии Apache-2.0. Обучение проводилось на 150 млрд токенов преимущественно англоязычных данных. Разработчики отмечают возможные пробелы в качестве на отдельных задачах, слабые возможности на других языках и вероятность неожиданных ответов из-за небольшого размера модели, ограниченного объёма обучения и вероятностной генерации.

Harveenchadha/vakyansh-wav2vec2-odia-orm-100 — модель автоматического распознавания речи, опубликованная Harveen Singh Chadha в рамках проекта Vakyansh, разработанного для индийских языков с ограниченными ресурсами. Она преобразует аудиозаписи на языке одия в текст и предназначена для систем speech-to-text, транскрибации и голосовых интерфейсов. Модель основана на архитектуре wav2vec2 и реализована для использования с Transformers и PyTorch. В ней около 113,3 млн параметров; она дообучена на 100 часах данных для одия и использует базовую модель CLSRIL-23. Модель поддерживает естественный язык одия (Odia, ISO 639-1: or). Репозиторий Vakyansh распространяется по лицензии MIT; отдельная лицензия в карточке этой модели не указана. Модель ориентирована на распознавание речи на одия и может применяться в офлайн- и серверных ASR-конвейерах. Она специализирована для одного языка, поэтому не предназначена для многоязычной транскрибации без дополнительной модели или дообучения; качество зависит от акустических условий, диктора и близости входных данных к обучающему домену.

timm/vgg19_bn.tv_in1k — сверточная модель классификации изображений VGG19 с пакетной нормализацией, представленная библиотекой timm. Она обучена на ImageNet-1k и основана на исходных весах torchvision. Модель также может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 143,7 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 19,7 GMACs. Она предсказывает классы изображений из набора ImageNet-1k; данные не указывают на поддержку текстового ввода или генерации изображений. Распространяется по лицензии BSD-3-Clause.

Perceiver IO for vision — модель семейства Perceiver, разработанная Google DeepMind и представленная в работе Jaegle и соавторов. Она предназначена для классификации изображений и предобучена на ImageNet: 14 млн изображений и 1000 классов. Для подготовки изображения применяется свёрточная сеть с max pooling, после чего Perceiver обрабатывает данные через перекрёстное внимание между входом и небольшим набором латентных векторов. Такой подход позволяет ограничить зависимость затрат на self-attention от размера входа. Модель принимает изображения, обрезанные и приведённые к разрешению 224×224, с нормализацией RGB-каналов, и выдаёт оценки классов. На ImageNet-1k указана точность top-1 82,1%. Чекпойнт можно использовать для классификации или как основу для извлечения признаков и обучения классификаторов на размеченных наборах данных. Распространяется по лицензии Apache-2.0.

Это модель извлечения признаков изображений на базе Vision Transformer ViT-B/16, перенесённая mlx-vision в Apple MLX из весов Meta AI DINOv3. Модель содержит 86 млн параметров, размерность эмбеддингов — 768; она обучена самообучением на наборе LVD-1689M, а вариант ViT-B/16 дистиллирован из учителя DINOv3 ViT-7B. Классификационная голова не обучалась: модель предназначена для извлечения признаков из изображений. Модель подходит для построения визуальных эмбеддингов и признаков для глобальных и плотных задач компьютерного зрения. При размере 224×224 обрабатывается последовательность из 201 токена: CLS-токен, четыре register-токена и 196 патч-токенов. Поддерживаются изображения большего размера, если их ширина и высота кратны 16; иначе изображение обрезается до ближайших меньших размеров, кратных размеру патча. В README приведены результаты оценки на задачах классификации и плотного зрения. Отмечены различия качества на географических и доходных группах; дообучение может усилить эти смещения. Репозиторий содержит веса safetensors для mlx-image; лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели DINOv3 и условиями распространения портированных весов.

timm/vit_base_patch16_plus_clip_240.laion400m_e31 — модель семейства CLIP с архитектурой ViT-B/16-plus и разрешением изображения 240 пикселей. Она обучена на наборе LAION-400M и доступна для использования через open_clip и timm. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без отдельного дообучения на этих метках. Модель принимает изображения и текстовые варианты классов, а для классификации оценивает их соответствие. Веса опубликованы в форматах PyTorch и safetensors; лицензия — MIT. Карточка не приводит подробностей об ограничениях точности, языковом охвате или длине контекста.

vit_pe_spatial_small_patch16_512.fb — модель зрения из семейства Perception Encoder, опубликованная в репозитории timm и разработанная для извлечения визуальных признаков. Она предназначена для получения пространственных представлений изображения, которые можно использовать в качестве основы для последующих задач компьютерного зрения. Это Vision Transformer малого размера с патчами 16×16 и входным разрешением 512 пикселей. Модель принимает изображения и выдаёт признаки; текстовые входы или генерация текста не заявлены. Репозиторий распространяется под лицензией Apache-2.0. Число параметров в доступных сведениях не подтверждено.

WARD-0.8b — компактная мультимодальная модель семейства Qwen3.5, предназначенная для защиты веб-агентов от атак с внедрением промптов. Она анализирует намерение пользователя, предварительно обработанный HTML-код страницы и её скриншот, после чего возвращает JSON с объяснением, целью атаки, местом внедрения и меткой классификации. Модель принимает текст и изображение и выдаёт текстовый результат; в метаданных указана архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Разработчик описывает её как guard-модель для веб-агентов. Лицензия — Apache-2.0.

Это модель автоматического распознавания речи на урду, разработанная Kingabzpro. Она основана на архитектуре Wav2Vec2ForCTC и дообучена из facebook/wav2vec2-xls-r-300m на наборе Mozilla Common Voice 8.0. Размер модели — около 402,7 млн параметров; она принимает моноканальную аудиозапись с частотой 16 кГц и преобразует речь в текст на урду. Модель предназначена для транскрибирования речи и прототипирования систем распознавания урду. Для декодирования можно использовать включённую 5-граммную языковую модель KenLM: в README сообщается о WER 39,89% с KenLM против 56,07% при жадном CTC-декодировании на тестовой части Common Voice 8.0. Качество зависит от чистоты записи, акцента, переключения языков, фонового шума, специальной лексики и длины высказывания; транскрипты следует проверять перед ответственным использованием. Лицензия — Apache-2.0.

Wichtelchen-Qwen3.5-9B — модель schneewolflabs на архитектуре Qwen3.5-9B, дообученная для локальной работы с инженерными задачами и делегирования работы кодовому агенту. Она поддерживает диалог, работу с кодом и изображениями; в метаданных указан формат safetensors и библиотека Transformers. README сообщает о результатах 56,1% на hembench и 10/10 по делегированию в тесте egirl, однако это результаты внутренних бенчмарков разработчика. Модель предназначена для сценариев, где ассистент использует инструменты и передаёт инженерные задачи агенту egirl. README характеризует использование инструментов как одноходовое и привязанное к схеме инструментов egirl. Лицензия — Apache-2.0.