II.10Разработка и эксплуатация AI/ML-систем

ResNeXt-50 32x4d A1 — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по улучшенному рецепту ResNet Strikes Back A1. Архитектура использует остаточные блоки с групповыми свёртками 3×3, свёртками 1×1 для обходных связей и ReLU; модель содержит около 25 млн параметров и требует примерно 4,3 GMACs на изображение. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. В карточке указаны размеры изображений 224×224 для обучения и 288×288 для оценки. Обучение проводилось на ImageNet-1k с усиленной аугментацией, stochastic depth и dropout, оптимизатором LAMB и расписанием скорости обучения с прогревом. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Она классифицирует изображения по категориям ImageNet-1k; качество на других наборах данных и в специализированных областях может отличаться.

ResNeXt-D 32x4d BT-IN1K — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту Bag of Tricks. Архитектура использует трёхслойный свёрточный stem с pooling, групповые свёртки 3×3 в bottleneck-блоках и shortcut с усредняющим пулингом 2×2 и свёрткой 1×1. В модели около 25 млн параметров и 4,5 GMACs; размер изображения при обучении — 224×224, при тестировании — 288×288. Модель подходит для классификации изображений и извлечения признаков, карт признаков и эмбеддингов как основы компьютерного зрения. Для классификации она выдаёт метки классов ImageNet-1k. Обучение проводилось с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения с разогревом. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает отдельную специализацию на других наборах данных или предметных областях.

rexnetr_200.sw_in12k — модель классификации изображений и извлечения визуальных признаков из семейства ReXNet-R, подготовленная Ross Wightman в проекте timm. Она предварительно обучена на ImageNet-12k и предназначена для распознавания объектов на изображениях, получения карт признаков и эмбеддингов для последующей обработки. Архитектура ReXNet-R адаптирует число каналов с округлением до кратных 8 или 16, чтобы эффективнее использовать NVIDIA Tensor Cores. Модель содержит 44,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 1,6 GMACs. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Карточка описывает классификацию изображений и извлечение признаков; данные о поддерживаемых языках неприменимы к этой модели.

RoBERTa large — предварительно обученная языковая модель на английском языке, разработанная командой Facebook AI. Это трансформерная модель архитектуры RoBERTa с 454,1 млн параметров, обученная предсказывать замаскированные токены в контексте текста. Она чувствительна к регистру и рассчитана на последовательности длиной до 514 токенов по метаданным. Модель можно использовать для заполнения пропусков в тексте, а также дообучать для классификации последовательностей и токенов, ответов на вопросы и извлечения признаков для других задач обработки английского текста. Она принимает текст и возвращает предсказания токенов. Веса доступны в форматах PyTorch, TensorFlow, Flax, ONNX и Safetensors. Обучение проводилось на корпусах BookCorpus, Wikipedia, CC-News, OpenWebText и Stories. Модель распространяется по лицензии MIT. Данные обучения содержат неотфильтрованный интернет-контент, поэтому предсказания могут отражать его смещения; для прикладных задач модель обычно требуется дообучить.

sat-1l-sm — модель семейства Segment any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. В карточке заявлено качество уровня state of the art и компактная архитектура с одним слоем Transformer; метаданные указывают классификатор токенов XLM размером 201,4 млн параметров с контекстом до 514 токенов. Модель выполняет разметку токенов для определения границ предложений и ориентирована на многоязычный текст. Метаданные перечисляют языки, включая английский, арабский, французский, немецкий, хинди и японский; поддержка русского языка среди перечисленных кодов не заявлена. Доступны веса в форматах Safetensors и ONNX. Лицензия — MIT.

Seed-Coder-8B-Reasoning — причинная языковая модель для кода от ByteDance-Seed, созданная на основе Seed-Coder-8B-Base. Модель прошла предварительное обучение и последующее обучение с применением reinforcement learning для усиления рассуждений. Это плотная архитектура семейства Llama с 7,6 млрд параметров; заявленная длина контекста — 65 536 токенов. Модель распространяется в формате safetensors и загружается через Transformers. Модель предназначена для генерации кода и решения сложных задач программирования, включая задачи соревновательного программирования, требующие пошагового анализа. В README заявлены результаты на IOI 2024 и Codeforces, однако подробные методика и показатели приведены во внешнем техническом отчёте. Модель ориентирована на код; README указывает на общедоступные обучающие данные и описывает подход к их отбору. Лицензия — MIT.

seresnet152d.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту RandAugment RA2. Архитектура SE-ResNet-D включает остаточные блоки ResNet, механизм Squeeze-and-Excitation для внимания к каналам, трёхслойный свёрточный stem и усредняющий пулинг в shortcut-связях. Модель содержит 66,8 млн параметров и требует 320 × 320 пикселей для тестирования. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Обучение с аугментациями RandAugment, оптимизатором RMSProp и усреднением весов EMA помогает получать устойчивые визуальные признаки. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

Это предварительно обученные на ImageNet веса архитектуры SE-ResNeXt-50-32x4d из библиотеки segmentation-models-pytorch. Модель предназначена для классификации изображений и может использоваться как энкодер в системах сегментации на базе этой библиотеки. SE-ResNeXt-50-32x4d — сверточная архитектура для обработки изображений. Карточка не приводит сведения о размере весов, языках или других модальностях. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в источнике лицензии.

seresnextaa101d_32x8d.sw_in12k_ft_in1k_288 — сверточная модель классификации изображений семейства SE-ResNeXt-D с антиалиасингом Rectangle-2 и механизмом внимания Squeeze-and-Excitation. Её подготовил Росс Уайтман с помощью библиотеки timm: модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Число параметров — 93,6 млн. Модель предназначена для присвоения изображениям классов ImageNet и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В архитектуре применяются ReLU, трехслойный входной блок из сверток 3×3, групповые сверточные блоки и усредняющее уменьшение разрешения. В README приведены результаты ImageNet-1k: top-1 точность 86,72% при размере изображения 320×320 и 86,51% при 288×288. Для инференса указаны размеры изображений 288×288 при обучении и 320×320 при тестировании. Модель обрабатывает изображения и выдает метки классов; описание также предусматривает извлечение признаковых представлений. Языковой ввод и вывод не заявлены. Репозиторий распространяется по лицензии Apache-2.0.

Это текстовая башня SigLIP 2 Large, подготовленная Veritone как облегчённая копия google/siglip2-large-patch16-512. Она преобразует текстовые запросы и метки в общее пространство эмбеддингов с изображениями; отдельно загружается для этапа поиска, а парная зрительная башня размещена в Veritone/siglip2-large-patch16-512-vision. Модель предназначена для классификации изображений по заданным текстовым меткам без специального дообучения и для поиска изображений по текстовому запросу в связке с соответствующей зрительной башней. Архитектура — SigLIP 2 Large; модель использует только текстовую башню, поддерживает английский текст и контекст длиной 64 токена. Для загрузки указана библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Поскольку в этой копии отсутствует зрительная башня, сама по себе она не обрабатывает изображения: для сопоставления с изображениями нужна совместимая зрительная башня. README не приводит отдельных результатов оценки именно этой копии.

Skywork-13B-Base-3.1TB — это промежуточный чекпойнт базовой языковой модели Skywork-13B-Base, разработанной командой Skywork. Он соответствует завершению первого этапа предварительного обучения на 3,1 трлн токенов; в карточке указано 13,6 млрд параметров. Это плотная авторегрессионная модель семейства Skywork для генерации текста, с архитектурой из 52 слоёв и контекстом до 131 072 токенов. Модель обучалась на очищенных китайских, английских и программных данных. Она предназначена для продолжения текста и служит базой для последующей адаптации под прикладные сценарии; карточка описывает оценки на языковых и математических бенчмарках, но это именно промежуточный базовый чекпойнт, а не готовая диалоговая модель. Используются BPE-токенизатор и формат PyTorch. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

SLIMDER Qwen3.8 Depth-32 Agentic REAM-288 — экспериментальная модель семейства Qwen, опубликованная пользователем jakeatx. Она создана на основе sjakek/slimder-qwen38-reap384-depth32-mb2-3-4-5 и предназначена для генерации текста, особенно для агентных сценариев: вызова инструментов, программирования и выполнения кода, retrieval-задач и многошагового рассуждения. Модель использует архитектуру Mixture-of-Experts с 32 трансформерными слоями, 288 маршрутизируемыми экспертами на слой и выбором 10 экспертов для каждого токена. Это результат структурного сжатия с 384 до 288 экспертных слотов в каждом слое. Применена точность BF16. Калибровка выполнена на 1 024 последовательностях длиной 512 токенов с повышенным весом агентных, кодовых, retrieval- и reasoning-сценариев. Дополнительные сведения о поддерживаемых языках, размере параметров, модальностях и длине контекста не указаны. Сильной стороной модели является целевая оптимизация под агентное поведение при сохранении разреженной экспертной архитектуры и уменьшении числа экспертов. При этом это исследовательский контрольный снимок: ему необходимы более широкие проверки агентных функций, генерации кода, выполнения инструментов, retrieval, длинных последовательностей и безопасности, поэтому модель не рекомендуется считать готовой к промышленному использованию без дополнительной оценки. Модель распространяется по лицензии Apache-2.0.

SlimPLM-Query-Rewriting — модель семейства Llama, выпущенная командой проекта SlimPLM для переформулирования поисковых запросов в сценариях извлечения информации для LLM. Она предназначена для преобразования исходного запроса в более подходящий для поиска вариант. Модель содержит 6,6 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов; в метаданных указан формат safetensors и лицензия Llama 2. Модель может использоваться для переписывания запросов перед поиском документов или запуском retrieval-компонента в системах с LLM. README сообщает о выпуске модели в феврале 2024 года и связывает её с проектом SlimPLM; сведений о языках, обучающих данных и количественной оценке качества в доступных материалах нет.

Funnel Transformer small-base — предварительно обученная англоязычная модель семейства Funnel Transformer от команды, представившей эту архитектуру. Это базовая модель FunnelBaseModel без декодера, доступная в форматах PyTorch, Safetensors и TensorFlow; контекст — до 512 токенов. Она обучена на английских текстах из BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl с самоконтролируемой задачей распознавания заменённых токенов, похожей на ELECTRA. Модель извлекает скрытые представления текста для последующей настройки и классификации предложений, ответов на вопросы и других задач понимания текста. Выходная последовательность в четыре раза короче входной, поэтому модель удобна для задач, где нужно представление всего предложения, но не подходит, когда требуется отдельный выход для каждого исходного токена. Лицензия — Apache-2.0.

Модель amazon/sm-hackathon-actionability-9-multi-outputs-setfit-model-v0.1 разработана Amazon и предназначена для классификации текста. Это модель SetFit, обученная методом few-shot: сначала Sentence Transformer дообучается с контрастивным обучением, затем на его признаках обучается классификационная голова. Архитектура основана на MPNet, число параметров — 136,7 млн, контекст — до 514 токенов. Модель принимает текст и выдаёт класс текста; также каталог указывает поддержку извлечения признаков и оценки сходства предложений. Она может быть полезна для классификации при ограниченном количестве размеченных примеров. Распространяется по лицензии Apache-2.0.

abenzerps/Spark-X2.5-4B-GGUF — набор GGUF-квантизаций модели Spark-X2.5-4B, разработанной XHToken и предназначенной для генерации текста. Модель ориентирована на рассуждения, программирование, использование инструментов и агентские рабочие процессы. Доступны варианты квантизации Q4_0, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером от 2,41 до 4,38 ГБ. Модель имеет около 4 млрд параметров и поддерживает нативный контекст до 1 048 576 токенов. README не указывает поддерживаемые языки и результаты конкретных бенчмарков, поэтому оценить качество по языкам и задачам нельзя. Квантизация уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью; степень компромисса зависит от выбранного варианта. Для запуска требуется llama.cpp версии b10828 или новее с поддержкой архитектуры Spark-X2.5 (spark2_5). Распространяется по лицензии Apache-2.0.

Speechless Code Mistral 7B v1.0 — это языковая модель для генерации текста и программного кода на базе архитектуры Mistral с примерно 7 млрд параметров. Исходную модель разработал Jiangwen Su, а TheBloke подготовил её квантованные версии в формате GGUF. Модель ориентирована на англоязычные сценарии и обучалась на наборах данных, включающих инструкции, программный код и задачи общего назначения. Модель предназначена для генерации и продолжения кода, ответов на инструкции, локального программирования и диалоговых приложений. GGUF-файлы совместимы с llama.cpp и рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python; доступны варианты квантования от 2 до 8 бит для CPU+GPU-инференса. Ключевые ограничения — отсутствие мультимодальности в заявленных данных, поддержка только английского языка и неизвестный размер контекстного окна. Квантование может снижать точность по сравнению с исходной моделью, особенно в наиболее компактных вариантах. В README указана лицензия llama2; отдельные результаты HumanEval имеют значение pass@1 0, но помечены как непроверенные.

speechless-tools-7b — дообученная языковая модель от uukuguy на базе speechless-coding-7b-16k-tora, созданная по рекомендациям проекта ToolLlama. Она предназначена для генерации текста с вызовом инструментов и работы с разнообразными API, в том числе для выбора подходящего API и формирования инструкций для него. Модель использует плотную архитектуру Llama и содержит 6,6 млрд параметров; длина контекста — 16 384 токена. Репозиторий предоставляет веса в формате PyTorch. В README приведены результаты локального сравнения с ChatGPT-CoT и ToolLlama на наборах G1_instruction, G1_category и G1_tool; они указывают на оценку сценариев выбора и применения инструментов. Модель лицензирована по условиям Llama 2. В карточке не перечислены поддерживаемые естественные языки и конкретные ограничения качества.

ssc-aln-mms-model-mix-adapt-max — модель распознавания речи на базе архитектуры wav2vec2 с выходной головой CTC, разработанная автором репозитория. По README, модель обучена с нуля на неизвестном наборе данных. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: CER 0,2065, WER 0,5208 и loss 1,0180. Модель содержит 1,3 млрд параметров, сохранена в формате safetensors и использует библиотеку Transformers. Язык распознавания, состав обучающих данных и условия лицензии в предоставленных материалах не раскрыты. Поэтому приведённые метрики нельзя переносить на конкретные языки или сценарии без дополнительной проверки.

StarCoder2-3B — плотная авторегрессионная модель семейства StarCoder2 от проекта BigCode, предназначенная для генерации и дополнения программного кода. Она обучена на коде из The Stack v2 с использованием цели Fill-in-the-Middle и поддерживает 17 языков программирования. Модель содержит 4,2 млрд параметров, использует Transformer-декодер с grouped-query attention и скользящим окном внимания; длина контекста составляет 16 384 токена. Модель подходит для продолжения фрагментов кода и заполнения пропусков в существующем коде. Это не instruction-модель: запросы на естественном языке, например просьбы написать функцию, могут обрабатываться плохо. Сгенерированный код может быть ошибочным, неэффективным или содержать уязвимости; он также может дословно воспроизводить код из обучающих данных, поэтому следует проверять лицензионные требования и атрибуцию. Лицензия — BigCode OpenRAIL-M.

Swin S3 Base 224 — модель семейства Swin Transformer для классификации изображений и извлечения визуальных признаков. Репозиторий опубликован командой timm; модель рассчитана на изображения размером 224 × 224 пикселя и содержит 71,1 млн параметров. В README также заявлены извлечение карт признаков и создание эмбеддингов изображений. Модель обучена на ImageNet-1k и может использоваться для классификации изображений, получения карт признаков и эмбеддингов в компьютерном зрении. В метаданных указан тип задачи image-classification, библиотека timm и форматы PyTorch и Safetensors. Лицензия — MIT.

timm/swin_s3_small_224.ms_in1k — модель классификации изображений и извлечения визуальных признаков из библиотеки timm. Это иерархический Vision Transformer семейства Swin с механизмом сдвинутых окон; вариант обучен на ImageNet-1k. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображениям меток классов, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как готовый классификатор или как визуальную основу для собственных задач компьютерного зрения. В README приведены ссылки на работы об AutoFormerV2 и Swin Transformer. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия MIT. Описание не сообщает о специальных ограничениях применения или поддержке нескольких размеров изображения.

Swin Transformer V2 Base — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Репозиторий поддерживается проектом timm; веса предварительно обучены на ImageNet-22k, а затем дообучены авторами статьи на ImageNet-1k. Модель содержит 87,9 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предназначена для классификации изображений по категориям, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в компьютерном зрении и как основу для прикладных систем распознавания объектов по изображениям. Репозиторий содержит веса в форматах PyTorch и safetensors; библиотека для работы — timm. Лицензия MIT. Качество и применимость могут зависеть от предметной области: обучение проводилось на ImageNet-22k и ImageNet-1k, поэтому точность на изображениях и категориях, отличающихся от этих наборов данных, не гарантируется.

EfficientNetV2-M — сверточная модель классификации изображений из семейства EfficientNetV2. Исходную модель обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс её в PyTorch; репозиторий распространяет веса через timm и Safetensors. В модели 54,1 млн параметров. Модель предназначена для классификации изображений по 1000 классам ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Размер входа при обучении — 384 × 384 пикселя, при тестировании — 480 × 480 пикселей. Модель специализируется на изображениях и не обрабатывает текстовые запросы. Её область применения ограничена распознаванием объектов, представленных классами ImageNet-1k; качество на других наборах данных зависит от задачи и требует отдельной проверки. Лицензия — Apache-2.0.

TigerResearch/tigerbot-13b-base-v1 — базовая языковая модель TigerResearch для генерации текста. Это плотная авторегрессионная модель семейства Llama с 13 млрд параметров, предназначенная для использования как основа собственных LLM-приложений и генерации продолжений текста. Для загрузки в README показаны AutoTokenizer и AutoModelForCausalLM из Transformers. Модель поддерживает китайский и английский языки, имеет контекстное окно 2048 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает специальные предметные области или дополнительные возможности; базовая модель не обязательно настроена на диалоговые инструкции.

sbintuitions/tiny-lm — компактная языковая модель на 16,1 млн параметров, разработанная sbintuitions для отладки и тестирования. Это плотная авторегрессионная модель семейства Llama на базе Transformers: 4 слоя со скрытым размером 512, обученная предсказывать следующий токен на 25 млрд токенов англоязычной и японской Википедии. Репозиторий содержит веса PyTorch, а контекст модели составляет 2048 токенов. Модель подходит для проверки конвейеров генерации текста, тестирования интеграции с Transformers и экспериментов с небольшой языковой моделью на английском и японском языках. Из-за малого размера и назначения для отладки она не предназначена для качественной генерации или использования в качестве универсального помощника. Лицензия — MIT.

TinyViT 21M 512 — модель семейства TinyViT для классификации изображений и использования в качестве визуального backbone. Её разработали авторы статьи TinyViT: Fast Pretraining Distillation for Small Vision Transformers. Модель предварительно обучена на ImageNet-22k с дистилляцией и дообучена на ImageNet-1k. Модель содержит 21,3 млн параметров, обрабатывает изображения размером 512 × 512 и доступна через библиотеку timm. Помимо классификации, её можно использовать для извлечения карт признаков и эмбеддингов изображений. В репозитории представлены веса PyTorch и Safetensors; лицензия — Apache-2.0.

ykilcher/totally-harmless-model — обычная модель DistilBERT в формате PyTorch, предназначенная для извлечения признаковых представлений текста. Её можно загрузить через Transformers с помощью AutoModel. Модель принимает текст и выдаёт векторные представления токенов. Контекст ограничен 512 токенами; в метаданных указан английский язык. Карточка не описывает специальную предметную область или дополнительные возможности. Лицензия в предоставленных данных не указана.

TResNet-M — модель классификации изображений, обученная авторами статьи TResNet на ImageNet-1k. Репозиторий timm содержит веса, преобразованные из оригинальных: InplaceABN заменён на стандартный BatchNorm для совместимости и производительности в современных режимах PyTorch. Модель насчитывает 31,4 млн параметров, рассчитана на изображения размером 448 × 448 и может использоваться как классификатор, основа для извлечения признаков и получения эмбеддингов изображений. Она предназначена для распознавания объектов и сцен по изображениям общего назначения. Весам соответствует лицензия Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на набор классов этого датасета; качество на специализированных или существенно отличающихся данных может быть ниже.

Это быстрая модель разметки частей речи для английского языка, поставляемая вместе с библиотекой Flair. Она предсказывает универсальные POS-теги для слов в предложении и обучена на датасете OntoNotes. Архитектура сочетает Flair embeddings и LSTM-CRF; в README указан F1-score 98,47 на OntoNotes. Модель предназначена для морфосинтаксической разметки английского текста в NLP-конвейерах, например для подготовки корпусов и извлечения грамматических признаков. Она работает в формате PyTorch и используется через Flair. Сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.