II.10Разработка и эксплуатация AI/ML-систем

MOSS-Transcribe-preview-2B — англоязычная модель распознавания речи в текст, разработанная OpenMOSS Team. Она принимает аудио и предназначена для транскрибации английской речи, в том числе для исследовательских и оценочных сценариев. Модель построена на языковой основе Qwen3-1.7B-base и аудиокодировщике Qwen3-Omni-MoE; gated-MLP-адаптер передаёт аудиопризнаки в пространство эмбеддингов языковой модели. По README, модель содержит около 2,4 млрд параметров, тогда как метаданные Hugging Face указывают 10,1 млрд. Контекст составляет 32 768 токенов. Модель обучалась на открытых англоязычных корпусах распознавания речи и дообучалась с reinforcement learning на обучающих разбиениях Open ASR Leaderboard. В README приведены результаты оценки на нескольких наборах данных; TED-LIUM в этой оценке не использовался. Ограничения включают возможное снижение качества на других языках, при сильных акцентах, шуме, перекрывающейся речи, записи на расстоянии и узкоспециальной терминологии; результаты для важных решений следует проверять вручную. Распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная на Hugging Face с использованием библиотеки Transformers и PyTorch. Основное назначение модели — преобразование текстовых входов в векторные представления для последующего применения в задачах машинного обучения и анализа текста. В README также заявлены улучшения рассуждений, генерации кода, ответов на вопросы, классификации и других генеративных сценариев, однако эти утверждения не согласуются с метаданными, где основной pipeline-тег — feature-extraction, а архитектурное семейство указано как BERT. Размер модели, длина контекста и поддерживаемые естественные языки не приведены. Модель распространяется по лицензии MIT.

NVIDIA Nemotron-H-47B-Base-8K — базовая языковая модель для продолжения заданного текста, предназначенная для разработчиков и исследователей, создающих и настраивающих LLM. Она использует гибридную архитектуру Mamba-2 и Transformer с преимущественно слоями Mamba-2 и MLP и пятью слоями Attention. Модель содержит 47 млрд параметров, обучена с использованием 63 млрд токенов и поддерживает контекст до 8 тысяч токенов. Модель принимает и генерирует текст. В README заявлена поддержка английского, немецкого, испанского, французского, итальянского, корейского, португальского, русского, японского и китайского языков. Обучающие данные включают текст и код; оценки представлены для задач здравого смысла, программирования и математики. Для адаптации к конкретным задачам NVIDIA рекомендует инструменты NeMo для дообучения и выравнивания. Модель оптимизирована для GPU NVIDIA, а в README указана совместимость с H100-80GB и A100. Это базовая модель без рекомендуемого формата промпта, поэтому она рассчитана прежде всего на продолжение текста и может требовать адаптации для целевых сценариев. Она унаследовала от обучающих данных токсичный контент и социальные предубеждения, может выдавать неточные или нежелательные ответы и уязвима к некоторым вариантам косвенных prompt injection. Лицензия обозначена в метаданных как other; README ограничивает применение исследованиями и разработкой.

OPT-30B — предварительно обученная языковая модель Meta AI из семейства Open Pre-trained Transformers. Это плотный декодерный трансформер с авторегрессионной языковой моделью, предназначенный для генерации текста и оценки поведения больших языковых моделей в сценариях zero-shot и few-shot. Число параметров в метаданных — 39,8 млрд; максимальный контекст — 2048 токенов. Модель обучалась преимущественно на английских текстах с небольшой долей неанглоязычных данных из CommonCrawl. Её можно использовать для продолжения текста, генерации ответов по подсказке и экспериментов с последующей настройкой под прикладные задачи. Для запуска крупной версии README рекомендует загружать веса в половинной точности и вызывать generate напрямую, чтобы снизить расход видеопамяти и ускорить генерацию. Обучающие данные содержат неотфильтрованный интернет-контент, поэтому модель может воспроизводить предвзятость и небезопасные шаблоны, галлюцинировать и выдавать недостаточно разнообразные ответы. Указана лицензия other; конкретные условия использования следует сверить с лицензией и официальной карточкой Meta AI.

optimized-santacoder — ускоренная версия SantaCoder от olivierdehaene, предназначенная для генерации и продолжения исходного кода. По карточке модели она работает до 60% быстрее исходной bigcode/santacoder. Это плотная GPT-2-модель с multi-query attention и обучением по целям autoregressive и Fill-in-the-Middle; семейство SantaCoder содержит модели на 1,1 млрд параметров. Контекст модели — 2048 токенов. Модель обучалась на коде Python, Java и JavaScript из The Stack. Она подходит для автодополнения по фрагменту кода, завершения функций по сигнатуре и docstring, а также для заполнения пропусков между частями кода. Это не модель для инструкций: запросы на естественном языке могут работать плохо, поэтому задачу лучше задавать в виде комментария или контекста исходного кода. Генерируемый код может содержать ошибки, быть неэффективным или небезопасным; он также может воспроизводить фрагменты обучающих данных, лицензии которых могут требовать атрибуции. Указана лицензия OpenRAIL.

gaudi/opus-mt-de-en-ctranslate2 — преобразованная для CTranslate2 версия модели Opus-MT от Helsinki-NLP. Она предназначена для перевода с немецкого на английский и запуска переводческих моделей с ускоренным инференсом на CPU и GPU. Архитектура — Marian, encoder-decoder Transformer; для CPU предусмотрен compute type int8, для CUDA — int8_float16. Репозиторий совместим с CTranslate2 и hf-hub-ctranslate2, лицензия — Apache-2.0. В README приведены тесты производительности для общих моделей Opus-MT: в конкретной конфигурации CTranslate2 показал более высокую скорость генерации, чем указанные реализации Transformers и Marian. Автор также сообщает о возможном снижении BLEU примерно на 5% в собственных тестах; скорость и качество зависят от настроек и требуют оценки на целевых данных.

Это пакет слоёв GGUF для Mesh LLM, созданный Mesh LLM на основе unsloth/Ornith-1.0-35B-GGUF в варианте UD-Q4_K_XL. Он предназначен для распределённого запуска модели Ornith-1.0-35B на локальном кластере Mesh LLM: слои можно распределить между несколькими машинами, чтобы обслуживать модель, не размещая весь пакет на одном узле. Модель поддерживает диалоговую генерацию текста и может использоваться через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Пакет включает раздельные артефакты слоёв и общие файлы GGUF, в том числе эмбеддинги. Сведения об архитектуре, языках, контекстном окне и условиях лицензии следует сверять с карточкой исходной модели; README этого пакета их не приводит.

Ornith-1.5-35B-A3B-MTP — экспериментальный объединённый чекпойнт Shisa AI на основе мультимодальной модели Ornith-1.5-35B-A3B. Веса целевой модели и мультимодальные компоненты взяты из официального BF16-чекпойнта Ornith-1.5; к ним добавлена заменённая голова MTP для ускоренного спекулятивного декодирования. Голова инициализирована из совместимой MoE-головы Qwen3.6-35B-A3B и дообучена дистилляцией KL на скрытых состояниях Ornith. Репозиторий содержит объединённые BF16-веса в 17 шардах safetensors и рассчитан на запуск через vLLM. Модель предназначена для ускорения генерации, особенно кода, с помощью multi-token prediction: по локальным тестам голова повысила принятие черновых токенов и пропускную способность на кодовых запросах относительно исходного MTP-чекпойнта. Основа имеет архитектуру Qwen3.5 MoE, около 35 млрд параметров; суффикс A3B указывает на вариант семейства, а число активных параметров здесь отдельно не подтверждено. В метаданных задача указана как image-text-to-text, доступны текстовый чат, код, интерфейс вызова инструментов и зрение; тестирование MTP в README было только текстовым. Проверялись английские и японские общие запросы, а обучение головы было ориентировано на код. Авторы отмечают экспериментальный статус и не рекомендуют считать чекпойнт производственным вариантом по умолчанию: на отдельных тестах vLLM спекулятивный режим давал расхождения с авторегрессионной генерацией, а поведение при длинном контексте и мультимодальном MTP не проверено. Данные для обучения головы частные и синтетические, а преимущество ориентировано на код и не переносится на все запросы. Лицензия — Apache-2.0.

Paraformer-zh-GGUF — это квантованная и перепакованная в формат GGUF версия модели автоматического распознавания речи funasr/paraformer-zh, разработанной Alibaba и распространяемой в экосистеме FunASR. Данная сборка предназначена для работы с backend paraformer проекта CrispASR и преобразует аудиозаписи в текст, прежде всего на китайском языке с поддержкой английского. Модель использует неавторегрессионную архитектуру Paraformer примерно на 220 млн параметров: аудио 16 кГц преобразуется в mel-признаки, затем обрабатывается 50 блоками SANM-энкодера, CIF-предиктором и 16 блоками SANM-декодера. Полный транскрипт формируется за один проход, без последовательной генерации токенов. В репозитории доступны варианты F16 размером около 421 МБ, Q8_0 около 227 МБ и рекомендуемый Q4_K около 123 МБ. Словарь содержит 8404 символа. Сильной стороной является отсутствие заметной потери результатов при квантовании: в приведённых тестах варианты Q4_K и Q8_0 дали побайтно идентичные транскрипты версии F16 и исходной PyTorch-модели на китайских и английских аудиоклипах. Ограничения включают отсутствие пунктуации и регистра, а для китайского текста — слитную выдачу символов; восстановление пунктуации требует отдельной модели. Контекстное окно, поддержка других языков и количественные метрики качества в карточке не указаны. Код upstream-пакета funasr распространяется по Apache-2.0, однако веса используют лицензию FunASR Model License Alibaba; коммерческое использование разрешено при указании авторства. GGUF-файлы наследуют лицензионные условия весов, поэтому в производных продуктах необходимо атрибутировать Alibaba и FunAudioLLM.

Parasol Merlanite Trained — модель для классификации текста, опубликованная в пространстве rh-rad-ai-roadshow на Hugging Face. Модель предназначена для отнесения текстовых входов к заранее определённым классам и может применяться в сценариях разговорной обработки текста благодаря соответствующему conversational-тегу. Модель распространяется в формате GGUF и связана с библиотекой adapter-transformers; в метаданных также указан тег adapter-transformers. Доступна по лицензии Apache-2.0, допускающей использование, модификацию и распространение с соблюдением её условий. В карточке отсутствуют сведения об архитектуре базовой модели, количестве параметров, поддерживаемых языках, длине контекста, наборе классов и качестве на тестовых данных. Поэтому перед применением необходимо проверить формат входов, схему меток и совместимость с конкретным классификационным пайплайном.

microsoft/phi-2-pytdml — вариант модели Phi-2 от Microsoft, оптимизированный для ускорения инференса на DirectML. Это плотный Transformer с авторегрессионной архитектурой PhiForCausalLM и 3,5 млрд параметров по метаданным; в README для исходной Phi-2 указано 2,7 млрд параметров. Оптимизация упрощает реализацию и добавляет слияние операторов, включая операции rotary embeddings, multi-head attention и MLP. Модель работает с контекстом до 2048 токенов и выдаёт продолжение текста. Модель предназначена для ответов на вопросы, диалоговых промптов и генерации кода, преимущественно на стандартном английском языке. Она не проходила дообучение по инструкциям или RLHF, поэтому может плохо выполнять сложные указания, генерировать недостоверные факты и код, а также лишний текст. Код и ответы следует проверять; модель может воспроизводить предвзятость или токсичные формулировки. Лицензия — MIT.

PoolFormer S12 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer. Её обучили авторы исследования на ImageNet-1k; модель доступна через библиотеку timm. В ней 11,9 млн параметров, вычислительная сложность составляет 1,8 GMAC, а указанный размер входного изображения — 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0.

Zetatech/pvt-tiny-224 — компактная модель Pyramid Vision Transformer (PVT), основанная на архитектуре трансформерного энкодера с пирамидальным уменьшением пространственного разрешения. Она предобучена на ImageNet-1K и дообучена для классификации изображений на 1000 классов ImageNet 2012. Модель принимает изображение, подготовленное к разрешению 224×224 и нормализованное по RGB-каналам, и предсказывает класс ImageNet. PVT создаёт признаки из последовательностей линейно встроенных патчей и использует токен CLS для классификации. Пирамидальная структура сокращает вычисления на крупных картах признаков и делает модель пригодной также как визуальный энкодер для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache 2.0.

unsloth/Qwen2.5-1.5B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-1.5B, подготовленная Unsloth на основе Qwen/Qwen2.5-1.5B, разработанной командой Qwen. Модель предназначена для генерации и продолжения текста, а также для последующего дообучения под прикладные задачи. Для диалогового использования базовая версия не рекомендуется без дополнительного post-training, например SFT, RLHF или продолжения предобучения. Модель относится к causal language models и содержит около 1,54 млрд параметров, из которых 1,31 млрд не являются параметрами эмбеддингов. Архитектура включает RoPE, SwiGLU, RMSNorm, bias в attention QKV и связанные эмбеддинги слов; используется 28 слоёв и Grouped Query Attention с 12 головами Q и 2 головами KV. Полная длина контекста составляет 32 768 токенов. Заявлена поддержка более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся небольшой размер, поддержка нескольких языков и пригодность для эффективного дообучения и развёртывания при ограниченных ресурсах благодаря 4-битному представлению. Модель также наследует заявленные для Qwen2.5 улучшения в кодировании, математике, следовании инструкциям и работе со структурированными данными, однако конкретные результаты для этой версии в README не приведены. Ограничения включают базовый, а не instruction-tuned характер модели, контекст до 32 768 токенов и возможные потери качества, связанные с 4-битной квантизацией. Лицензия — Apache-2.0.

AvoCahDoe разработал контрольную точку Qwen 2.5 7B RL-MPQ Conservative — вариант Qwen/Qwen2.5-7B с распределённой по слоям смешанной точностью. Политика квантования назначает слоям разные разрядности; среднее составляет 3,6786 бита на вес. Весы экспортированы в формате fake-quantized FP16 для загрузки через Hugging Face Transformers. Модель предназначена для генерации текста и диалогового использования с целью сократить размер представления весов при сохранении качества в консервативном сценарии квантования. Заявленный для базовой модели контекст — 131072 токена; в качестве проверки качества в README упомянута perplexity на WikiText-2. Модель поддерживает английский язык. Лицензия — Apache-2.0.

mlx-community/Qwen2.5-Coder-1.5B-Instruct-8bit — конвертированная в формат MLX 8-битная версия Qwen2.5-Coder-1.5B-Instruct от сообщества mlx-community. Это плотная авторегрессионная модель семейства Qwen2, предназначенная для генерации кода в диалоговом формате и доступная для запуска через mlx-lm. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык; метаданные также отмечают возможности работы с кодом и интерфейс вызова инструментов. Репозиторий создан 18 сентября 2024 года. Модель подходит для генерации и продолжения кода, помощи в программировании и диалоговых сценариев с кодом. Её компактный размер удобен для локального запуска на оборудовании Apple Silicon через MLX, однако карточка не приводит результатов бенчмарков или более подробных гарантий качества. Лицензия — Apache-2.0.

Qwen2.5-Coder-32B-Instruct-NP-Abliterated-i1-GGUF — квантованная в формате GGUF версия модели Nabbers1999/Qwen2.5-Coder-32B-Instruct-NP-Abliterated, подготовленная mradermacher. Это инструкционная conversational-модель семейства Qwen2.5-Coder с 32 млрд параметров, предназначенная для генерации текста, диалога и задач, связанных с программированием. В репозитории представлены варианты квантования i1, включая IQ- и QK-форматы, с размером файлов примерно от 7,4 до 22,7 ГБ; для баланса скорости и качества рекомендуются i1-Q4_K_M и i1-Q4_K_S. Модель ориентирована преимущественно на англоязычные сценарии, однако README не содержит полного перечня поддерживаемых языков, сведений об архитектуре на уровне компонентов или размера контекстного окна. Квантование позволяет запускать модель с меньшими требованиями к памяти, но более агрессивные варианты могут заметно снижать качество; качество также зависит от выбранного формата. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных результатов тестирования, поэтому делать выводы о фактической точности и преимуществах в конкретных задачах нельзя.

Qwen3-4B Code RL Specialist — это специализированная на программировании языковая модель от pb09204048, дообученная на базе Qwen/Qwen3-4B методом группового RL и сохранённая как самостоятельные веса BF16 после объединения адаптера LoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации кода и решения текстовых задач программирования; её также можно использовать как доменного учителя в экспериментах с многомодельной дистилляцией MOPD. В оценке на 279 задачах из тестового поднабора DeepCoder LiveCodeBench она достигла 24,10% pass@1 против 17,56% у базовой модели. Это результат конкретного протокола оценки, а не гарантия качества на других задачах. Обучение выполнено на подмножествах PrimeIntellect, TACO и LCB v5 из DeepCoder-Preview-Dataset. Чекпойнт остановлен до завершения эпохи, а MOPD-ученик в этом выпуске не обучался и не оценивался. Лицензия — Apache-2.0; для запуска README рекомендует совместимые версии Transformers, PyTorch и Accelerate.

Qwen3.5-9B-GGUF — это набор GGUF-квантизаций базовой модели Qwen/Qwen3.5-9B, подготовленный jimbothigpen с использованием форка llama.cpp. Набор включает исходный вариант BF16 и 41 тип квантизации от IQ1_* до Q8_0, а также vision-проектор для мультимодального использования. Модель предназначена для локального запуска и сравнения качества, perplexity и производительности различных форматов квантизации в совместимых реализациях llama.cpp. Ключевая особенность набора — использование единой importance matrix, рассчитанной на полном многодоменном калибровочном корпусе calibration_datav3 и применённой к большинству вариантов. Это позволяет лучше сохранять качество при низкой разрядности. Отдельные форматы WHT3_0 и WHT4_0 используют Walsh-Hadamard-преобразование и намеренно создаются без importance matrix. Доступна мультимодальная конфигурация с vision-проектором, однако сведения о языках и размере контекста в README не указаны. Основное ограничение — совместимость зависит от формата: стандартные типы загружаются в обычном llama.cpp, семейства IQ-K, KS, KT, KL и KSS требуют сборки, совместимой с ik_llama.cpp, а WHT-форматы — форка jimbothigpen/llama.cpp или другой реализации с поддержкой WHT. Производительность, требования к памяти и качество зависят от выбранной квантизации и используемого backend. Производные веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели.

Qwen3.6-27B NVFP4 GGUF — версия модели Qwen3.6-27B, подготовленная mudler в формате GGUF для запуска через llama.cpp и LocalAI. В репозитории размещён единый файл весом около 25,5 ГБ; тензоры NVFP4 сохранены без повторной квантизации в целочисленный формат. Базовая модель указана как unsloth/Qwen3.6-27B-NVFP4. Модель предназначена для генерации текста и диалогового использования в локально развёрнутых системах. В README описан запуск с paged attention на Blackwell GPU, включая GB10 и DGX Spark; на другом оборудовании возможна деквантизация NVFP4 с более низкой скоростью. Формат GGUF и конфигурация LocalAI упрощают развёртывание, а заявленные показатели скорости и памяти измерены на Blackwell-системах. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с лицензией исходной модели и файлами репозитория. В карточке нет сведений о поддерживаемых естественных языках или длине контекста.

Qwen3.8-9B-Function-Calling-xLAM-Unsloth — дообученная модель ermiaazarkhalili на базе empero-ai/Qwen3.8-9B. Модель с архитектурой Qwen3_5ForConditionalGeneration содержит 9,7 млрд параметров и была supervised fine-tuned на наборе Salesforce/xlam-function-calling-60k для следования инструкциям и вызова инструментов. LoRA-адаптеры объединены с базовыми весами. Модель предназначена для диалоговых сценариев, где по запросу пользователя нужно сформировать вызов функции или инструмента. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка приводит только значения training loss; оценка качества на downstream-бенчмарках не проводилась.

RegNetX-800MF — модель классификации изображений и извлечения признаков семейства RegNetX, представленная в библиотеке timm. Веса regnetx_008.tv2_in1k предварительно обучены на ImageNet-1k участниками проекта torchvision; реализация timm включает стохастическую глубину и настраиваемые параметры архитектуры. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. В карточке указаны 7,3 млн параметров, вычислительная сложность 0,8 GMAC и стандартный размер изображения 224 × 224 пикселя. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD 3-Clause. Модель обучена на ImageNet-1k, поэтому её качество и применимость зависят от сходства целевых изображений с этим набором данных; специальных ограничений в карточке не описано.

RegNetX-1.6GF — модель классификации изображений и извлечения признаков из семейства RegNetX, опубликованная в репозитории timm. Веса предварительно обучены авторами статьи на ImageNet-1k. Модель содержит около 9,2 млн параметров, требует 1,6 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-1k, использования в качестве визуального backbone и извлечения карт признаков или эмбеддингов. Реализация timm поддерживает стохастическую глубину, градиентное контрольное сохранение, настройку шага свёрток, слоёв активации и нормализации. Веса доступны в форматах PyTorch и Safetensors. Лицензия — MIT. Качество классификации за пределами ImageNet-1k и перенос на специализированные наборы данных README не характеризует; для других размеров входа или областей применения может потребоваться адаптация.

RegNetY-1.6GF — модель компьютерного зрения для классификации изображений и извлечения признаков. Её веса предварительно обучены на ImageNet-1k участниками проекта torchvision; реализация архитектуры RegNetY предоставлена библиотекой timm. Модель содержит 11,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Реализация timm поддерживает стохастическую глубину, градиентный чекпоинтинг, настройку шага и варианты слоёв активации и нормализации. В метаданных указана лицензия BSD-3-Clause.

RepViT m0.9 distill — модель классификации изображений и извлечения визуальных признаков из семейства RepViT. Она обучена авторами статьи на ImageNet-1k с дистилляцией. Модель содержит 5,5 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 0,8 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Компактный размер делает её подходящей для визуальных задач, где важны небольшие вычислительные затраты. Репозиторий предоставляет веса PyTorch и Safetensors для библиотеки timm. Лицензия — Apache-2.0.

ResNet101D.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура ResNet-D использует активации ReLU, трехслойный блок начальной обработки из сверток 3×3 с пулингом и нисходящие shortcut-связи с усредняющим пулингом 2×2 и сверткой 1×1. Модель подходит для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Она содержит около 44,6 млн параметров; размер изображения при обучении — 256×256, при оценке — 320×320. Для обучения применялась схема RandAugment RA2 с оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель принимает изображения и выдает метки классов. Лицензия репозитория — Apache-2.0.

timm/resnet101.tv_in1k — модель классификации изображений на основе архитектуры ResNet-101, опубликованная проектом timm. Она обучена на ImageNet-1k и использует исходные веса модели torchvision. Архитектура включает ReLU-активации, свёртку 7×7 с пулингом и shortcut-соединения с проекцией 1×1. Модель предназначена для классификации изображений, извлечения карт признаков и построения эмбеддингов изображений. Для стандартного применения указана входная сторона изображения 224 пикселя. Модель содержит около 44,5 млн параметров и требует примерно 7,8 GMACs на изображение. Лицензия — BSD 3-Clause. README не приводит отдельных оценок качества для этой модели; приведённая таблица сравнения относится к другим моделям.

Это веса ResNet-34, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель принимает изображение и выдаёт признаки, которые можно использовать в задачах компьютерного зрения, в частности как основу для сегментационных моделей. ResNet-34 — сверточная нейросеть. В карточке не приведены размер весов, число параметров или отдельные показатели качества. Репозиторий содержит веса в формате safetensors и имеет лицензию `other`; конкретные условия лицензии следует уточнить в источнике лицензии модели.

ResNet50D.a1_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A1. Архитектура ResNet-D использует активации ReLU, трёхслойный блок начальных свёрток 3×3 с пулингом и усечение размерности в обходных связях через усредняющий пулинг 2×2 и свёртку 1×1. Модель содержит 25,6 млн параметров и выполняет классификацию изображений; также её можно использовать как основу для извлечения карт признаков и эмбеддингов. Рекомендуемый размер изображения при обучении — 224×224, при тестировании — 288×288. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения визуальных признаков в компьютерном зрении. Карточка не описывает ограничения точности за пределами ImageNet-1k.

ResNeXt101-32x4d.gluon_in1k — свёрточная модель классификации изображений из семейства ResNeXt, опубликованная в timm. Её обучили на ImageNet-1k с использованием рецептов Bag of Tricks в Apache Gluon. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и групповые свёртки 3×3 в bottleneck-блоках; модель также может служить основой для извлечения признаков и эмбеддингов изображений. Модель содержит 44,2 млн параметров, имеет вычислительную сложность 8,0 GMACs и рассчитана на изображения размером 224×224 пикселя. Она предназначена для распознавания объектов и категорий на изображениях общего назначения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.