II.10Разработка и эксплуатация AI/ML-систем

efficientnetv2_rw_t.ra2_in1k — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре EfficientNetV2 и обучена на ImageNet-1k с рецептом RandAugment RA2; в карточке также указаны оптимизатор RMSProp с усреднением EMA и ступенчатое экспоненциальное уменьшение скорости обучения с разогревом. Модель содержит 13,6 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для определения объектов и сцен по изображениям, извлечения карт признаков и получения векторных представлений изображений. Для использования доступны веса PyTorch и safetensors; библиотека — timm. Модель распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k означает, что качество на других предметных областях и типах изображений может отличаться.

EfficientViT-B2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами статьи EfficientViT. Чекпойнт обучен на ImageNet-1k и рассчитан на входные изображения размером 224 × 224 пикселя. В модели 24,3 млн параметров; вычислительная сложность составляет 1,6 GMACs. Модель можно применять для отнесения изображения к категории ImageNet-1k, извлечения карты признаков и получения векторных представлений изображений. Архитектура EfficientViT использует многомасштабное линейное внимание; реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его категории и качество ограничены этим набором данных. Для изображений другого размера или предметной области может потребоваться предварительная обработка либо адаптация модели.

EfficientViT L2 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Вариант r256 рассчитан на входные изображения размером 256 × 256 пикселей и содержит 63,7 млн параметров; вычислительная сложность составляет 9,1 GMACs. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу визуального конвейера или для анализа изображений в приложениях компьютерного зрения. Архитектура EfficientViT включает механизм многошкального линейного внимания, ориентированный на обработку изображений высокого разрешения. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги. Обучение на ImageNet-1k задаёт область её распознавания; качество на иных наборах данных может отличаться. Лицензия — Apache-2.0.

AMAImedia выпустила эту версию модели EMO как перезапись весов из FP32 в BF16 для платформы NOESIS. Это языковая модель с архитектурой MoE и классом EmoForCausalLM, основанная на allenai/Emo_1b14b_1T. В README указано, что исходная модель обучалась на смеси OLMoE из 1 трлн токенов и прошла дополнительное обучение на 50 млрд токенов с целью Expert Modularity Objective. Активны 8 из 128 экспертов на токен; контекст модели — 4096 токенов. Модель предназначена для генерации текста и диалогов на английском языке, а также как основа для LoRA/DoRA/PEFT-дообучения, квантования и инференса на оборудовании с поддержкой BF16. Она также может использоваться как учитель для дистилляции. Репозиторий содержит веса в формате safetensors; число параметров по метаданным — 574,6 млн. README характеризует исходную задачу как исследование модульной специализации экспертов и отмечает, что модель не подходит для многоязычного конвейера дубляжа NOESIS. Это BF16-перезапись исходных весов, а не самостоятельное дообучение; README описывает преобразование как смену формата хранения без иных изменений. Указана лицензия other с сохранением условий upstream; для точных условий использования необходимо свериться с файлом LICENSE и лицензией базовой модели. Ограничения включают английский язык, контекст 4096 токенов и отсутствие дополнительной настройки для полного дообучения параметров.

ERes2NetV2 — модель для проверки личности говорящего, разработанная Alibaba и представленная здесь в виде экспорта ONNX, преобразованного из iic/speech_eres2netv2_sv_zh-cn_16k-common. Архитектура ERes2NetV2 содержит около 17,8 млн параметров; файл весит примерно 71 МБ и хранит веса вместе с моделью. Репозиторий распространяет модель в формате ONNX Opset 18, float32, для запуска через ONNX Runtime. Модель принимает логарифмические Mel-фильтры размерностью 80, рассчитанные для аудио с частотой 16 кГц, и выдаёт вектор эмбеддинга говорящего размерностью 192. Размеры пакета и временной последовательности динамические. Эмбеддинги предназначены для сравнения голосов по косинусному сходству и кластеризации говорящих; перед сравнением README предписывает нормировать векторы по L2. Карточка приводит ориентировочные пороги сходства и расстояния для проверки совпадения и кластеризации. Модель подходит для голосовой верификации и как компонент диаризации, но сама не возвращает транскрипт или метки говорящих по временным отрезкам. Для работы требуется предварительно извлечь признаки log-Mel в заданном формате; пороги сходства являются ориентировочными. Лицензия — Apache-2.0.

EVA-02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Чекпойнт опубликован для библиотеки timm; обучение выполнили авторы статьи EVA-02. Модель предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучена на ImageNet-22k и ImageNet-1k. Архитектура — Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. В модели около 305 млн параметров; она обрабатывает изображения размером 448 × 448. В сравнении из карточки точность top-1 на ImageNet-1k составляет 89,946%, а top-5 — 99,01%. Чекпойнт timm сохранён в float32; доступны форматы PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях, а также как визуальный backbone или источник эмбеддингов. Для использования весов действует лицензия MIT. Результаты могут зависеть от предобработки изображений и набора категорий; модель обучена на ImageNet и не гарантирует надёжность на специализированных или существенно отличающихся от него данных.

Fabletron Nemotron-3-Super-120B-A12B Fable-5 NVFP4 — дообученная Greghavens версия NVIDIA Nemotron-3-Super-120B-A12B. Это гибридная языковая архитектура Mamba-2 и Latent-MoE: 120 млрд параметров суммарно и около 12 млрд активных. Модель обучена методом QLoRA на диалоговых трассах pi_agent из Glint-Research/Fable-5-traces для рассуждений, планирования действий и вызова инструментов. Репозиторий содержит квантованный экспорт NVIDIA ModelOpt NVFP4, рассчитанный на запуск через vLLM или TensorRT-LLM на видеокартах NVIDIA Blackwell. README сообщает о поддержке собственного контекста до 262 144 токенов и обслуживании через vLLM. Модель принимает текст и выдаёт текст, включая ответы в диалоге и вызовы инструментов; MTP-голова базовой модели в экспорте отсутствует. Модель предназначена для экспериментов с агентными сценариями и применима к многошаговому планированию и работе с инструментами. README предупреждает, что модель не получила дополнительного выравнивания по безопасности сверх базовой версии, поэтому перед использованием в производственной среде её следует оценить. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой репозитория.

FaMiniLM — компактный энкодер предложений на базе Sentence Transformers, разработанный в рамках исследования MetaRAG и WikiFaQA. Модель дообучена авторами на наборе PersianSimilarSentences, чтобы сформировать способность представлять персидские тексты в семантическом пространстве; базовая all-MiniLM-L6-v2 изначально не знала персидского языка. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и использует mean pooling, нормализацию и косинусное сходство. Она предназначена для семантического поиска, сравнения предложений, поиска парафразов, кластеризации и классификации текста. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Веса опубликованы в формате safetensors, библиотека — sentence-transformers. FaMiniLM ориентирована прежде всего на персидский язык и может быть полезна для семантического поиска и RAG по персидским текстам. Лицензия — MIT. Как и другие энкодеры предложений, модель выдаёт векторы, а не готовые ответы; качество на языках, отличных от персидского, и на текстах за пределами обучающего домена может быть ограниченным.

FastViT-S12 — модель классификации изображений и визуальный backbone, обученный авторами статьи на ImageNet-1k. Репозиторий timm предоставляет веса в форматах PyTorch и safetensors для использования через библиотеку timm. Модель содержит около 9,5 млн параметров, требует изображения размером 256 × 256 пикселей и имеет вычислительную сложность 1,8 GMAC. Помимо классификации, её можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и получения визуальных признаков в компьютерном зрении. Следует соблюдать исходную лицензию; её конкретные условия в предоставленных данных не раскрыты.

FlexiViT Base 300ep IN21k — модель классификации изображений и извлечения визуальных признаков из семейства Vision Transformer. Её обучили авторы статьи FlexiViT на ImageNet-1k с использованием JAX, а Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит около 102,6 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Модель подходит для классификации изображений и получения эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Архитектура FlexiViT позволяет работать с разными размерами патчей. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Карточка указывает ImageNet-1k как обучающий датасет; сведения о поддерживаемых естественных языках неприменимы к модели изображений.

FlexiViT Large 1200 эпох — модель классификации изображений и визуальный backbone семейства Vision Transformer. Её обучили авторы статьи на ImageNet-1k с использованием JAX, затем Ross Wightman перенёс веса в PyTorch. Модель содержит около 304,4 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения признаков и получения эмбеддингов изображений. FlexiViT разработан для работы с разными размерами патчей, что позволяет применять одну модель в сценариях с различными настройками разбиения изображения. Репозиторий содержит веса PyTorch в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Практические результаты зависят от соответствия входных изображений и предобработки настройкам модели; карточка указывает размер изображения 240 × 240.

DavidLanz подготовил дообученную текстовую модель на базе unsloth/functiongemma-270m-it с архитектурой Gemma 3 для генерации текста и работы с вызовами функций. Модель содержит 257 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнено с помощью Unsloth и библиотеки TRL от Hugging Face. Модель подходит для преобразования текстовых запросов в вызовы функций и создания компактных диалоговых агентов с таким интерфейсом. Поддерживаемый язык карточки — английский. Лицензия Apache-2.0.

Это дообученная версия Gemma 4 12B Coder от tpls с изменёнными весами: методом abliteration из неё удалено направление отказа. Модель предназначена для генерации кода и агентных сценариев с вызовом инструментов; веса в формате safetensors рассчитаны на локальный запуск, дальнейшее дообучение, слияние или квантизацию. Карточка также указывает на готовые к запуску варианты GGUF в отдельном репозитории. Модель выдаёт вызовы инструментов в нативной разметке Gemma 4. Парсер llama.cpp с параметром --jinja может распознавать их некорректно, поэтому для преобразования в стандартные tool_calls нужен серверный shim. Генерируемые ответы и аргументы инструментов могут быть ошибочными или вымышленными; их следует проверять. После удаления отказов защитные ограничения существенно ослаблены, поэтому модель не подходит для сценариев, где важно поведение отказа. Модель помечена как устаревшая и заменённая более новой версией. Лицензия — Gemma.

prithivMLmods/gemma-4-31B-it-Uncensored-MAX-MLX — версия Gemma 4, подготовленная prithivMLmods для запуска через MLX на компьютерах Apple Silicon. Это плотная модель условной генерации с архитектурой Gemma4ForConditionalGeneration и 31 млрд параметров; метаданные указывают поддержку изображений и текста, а карточка описывает её как инструкционную модель для подробных ответов, рассуждений и следования сложным запросам. В README заявлены анализ направлений отказа и их ослабление с помощью abliteration-based методов, а также сохранение навыков исходной модели. Модель предназначена для локального инференса, исследований отказов и выравнивания, red-team-экспериментов и прототипирования. Карточка указывает лицензию Apache-2.0. Модель намеренно реже отказывает на запросы, поэтому может выдавать чувствительный или откровенный контент; результаты следует проверять. Размер 31B требует значительных вычислительных ресурсов, хотя MLX оптимизирует запуск на Apple Silicon. README позиционирует её для исследований и обучения и подчёркивает ответственность пользователя за применение.

Это пакет Mesh LLM для распределённого локального запуска Gemma 4 E4B Instruct в формате GGUF с квантизацией Q4_K_M. Он создан на основе unsloth/gemma-4-E4B-it-GGUF и разбивает исходный файл модели на артефакты по слоям, чтобы распределять вычисления между несколькими машинами. Модель предназначена для диалогов и генерации текста; её можно подключать к локальным сценариям чата через API, совместимый с OpenAI, используя Mesh LLM. Пакет рассчитан на приватный инференс на собственном оборудовании и позволяет объединять ресурсы нескольких узлов, когда запуск полной модели на одном хосте затруднён. Для работы требуется Mesh LLM и доступные узлы кластера. Репозиторий распространяется по лицензии Apache 2.0. Подробности об архитектуре, языках, контекстном окне и ограничениях исходной модели вынесены в карточку базовой модели и в предоставленных данных не раскрыты.

TIGER-Lab/general-verifier — дообученная модель-верификатор, использовавшаяся в проекте General Reasoner. Она основана на Qwen/Qwen2.5-Math-1.5B, имеет архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Модель работает с текстом и рассчитана на контекст до 4096 токенов; в метаданных указан английский язык. Модель предназначена для проверки ответов или рассуждений в сценариях вопросно-ответных систем и генерации текста. Доступны веса в формате safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. README не уточняет метод проверки, формат входных данных или оценённое качество.

GenerateQuestionMistral7B — языковая модель FPHam для генерации вопросов по данному тексту или ответу. Она предназначена прежде всего для автоматического создания наборов данных с вопросами. Модель основана на Mistral и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров; в репозитории размещены веса Safetensors. Модель принимает текстовый запрос в формате ChatML. В README рекомендуется начинать запрос с фразы «Generate a question based on the following answer:»; модель обучалась с этим префиксом, хотя может отвечать и без него. Указанная длина контекста — 32 768 токенов. README не сообщает о поддержке конкретных языков или об отдельной лицензии, поэтому такие сведения не приводятся.

Это пакет слоёв GGUF для GLM-4.7-Flash-REAP-23B-A3B в варианте UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/GLM-4.7-Flash-REAP-23B-A3B-GGUF. Вместо единого файла веса модели распределены по артефактам слоёв для запуска через Mesh LLM. Пакет предназначен для локального диалогового вывода, в том числе на нескольких машинах, когда модель целиком не помещается на одном узле. Mesh LLM может предоставлять совместимый с OpenAI интерфейс чата и completions. Метаданные классифицируют модель как text-generation с возможностью chat; исходная карточка также указывает GGUF и распределённый формат поставки. Это производный пакет с квантизацией Q4_K_XL; лицензия, число параметров, поддерживаемые языки и длина контекста в предоставленных материалах не описаны. Для этих сведений и рекомендаций по шаблону чата README отсылает к карточке исходной модели.

Это пакет слоёв GGUF модели GLM-5.1-UD-Q3_K_XL, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Пакет создан из unsloth/GLM-5.1-GGUF и содержит разделённые по слоям артефакты исходной модели; вариант квантования — UD-Q3_K_XL. Модель предназначена для локального приватного чата и генерации текста, а также для запуска на нескольких машинах, когда полный файл GGUF не помещается на одном узле. Через Mesh LLM её можно предоставлять по локальному API, совместимому с OpenAI Chat Completions. В метаданных указаны библиотека mesh-llm и поддержка чата. Пакет предназначен для распределённого инференса с Mesh LLM, а не является самостоятельным универсальным форматом запуска. Лицензия и подробные характеристики исходной модели описаны в карточке unsloth/GLM-5.1-GGUF; README этого пакета их не приводит.

Это пакет слоёв GGUF для модели GLM-5.2-Q2_K-MTP-Q8, подготовленный Mesh LLM для распределённого инференса на локальном кластере. Он основан на meshllm/GLM-5.2-Q2_K-MTP-Q8-GGUF и разделяет исходную модель на артефакты по слоям для запуска на нескольких машинах. Пакет предназначен для локального приватного чата и генерации текста, когда полная модель не помещается на одном компьютере, а также для обслуживания запросов через локальный API, совместимый с OpenAI Chat Completions. Для запуска требуется Mesh LLM; README приводит команду запуска распределённого сервера. Формат пакета — layer-package с весами GGUF; метаданные классифицируют задачу как text-generation и возможность как chat. Архитектурные детали исходной модели, её размер, контекст, языки и условия лицензии в предоставленных материалах не раскрыты; README отсылает к карточке исходной модели за этими сведениями.

GLM-5.3-UD-Q4_K_XL-layers — пакет GGUF-слоёв модели GLM-5.3 для распределённого запуска в Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-GGUF и разбивает исходную GGUF-модель на отдельные артефакты по слоям, чтобы распределять вычисления между несколькими локальными компьютерами. Модель предназначена для локального диалогового использования, в том числе через совместимый с OpenAI API интерфейс Mesh LLM. Такой запуск подходит, когда полный файл модели не помещается на одном компьютере или требуется выполнять инференс на собственном оборудовании. Репозиторий содержит вариант UD-Q4_K_XL в формате GGUF; сведения об архитектуре, контекстном окне и поддерживаемых языках следует смотреть в карточке исходной модели. Лицензия указана как other, поэтому перед использованием нужно проверить условия исходной модели unsloth/GLM-5.3-GGUF.

Gorilla-mpt-7b-hf-v0 — авторегрессионная языковая модель на архитектуре Transformer, основанная на MPT и дообученная командой Gorilla LLM из UC Berkeley. Это версия с нулевым числом примеров в запросе, обученная вызывать API Hugging Face по инструкциям на естественном языке; например, пользователь может попросить создать изображение из текста, а модель сформирует подходящий вызов API. Модель предназначена для генерации текста и выбора вызовов API Hugging Face. В README заявлена надёжность использования API, однако независимые показатели качества не приведены. Доступна по лицензии Apache-2.0.

CISCai/gorilla-openfunctions-v2-SOTA-GGUF — это набор квантованных моделей в формате GGUF на основе Gorilla OpenFunctions v2, разработанной Gorilla LLM (UC Berkeley) и преобразованной и квантованной автором CISC. Модель ориентирована на генерацию текста и выполнение задач, связанных с компьютерными науками, прежде всего на структурированный вызов функций и инструментов по заданным описаниям и параметрам. В карточке указано, что модель относится к типу DeepSeek и поддерживает английский язык. Представлены варианты квантования от IQ1_S до более качественных 2-, 3- и 4-битных форматов; размер файлов составляет примерно 1,5–2,8 ГБ для перечисленных вариантов, а требуемый объём оперативной памяти — около 3,5–4,7 ГБ. Квантование выполнено с использованием importance matrix, обученной примерно на 1 млн токенов, что призвано сохранить качество при уменьшении размера модели. Сильные стороны модели — компактность, возможность локального запуска через llama.cpp и совместимость с рядом сторонних интерфейсов и библиотек на его основе. Ограничения зависят от выбранного уровня квантования: самые компактные варианты могут значительно терять в качестве. Для корректной токенизации и наилучших результатов рекомендуется использовать свежую сборку llama.cpp. Контекстное окно, точный размер исходной модели и мультимодальные возможности в README не указаны. Лицензия — Apache 2.0.

Gravity-30B-A5B-Base — базовая предобученная разреженная языковая модель Trillion Labs и Lunit Consortium. Она предназначена для генерации продолжений текста и как основа для последующего дообучения; модель не проходила настройку для следования инструкциям или выравнивание безопасности. Модель использует архитектуру GravityMoE, совместимую с DeepSeek-V3: 29,56 млрд параметров всего, из которых 5,34 млрд активны на токен, 52 слоя и механизм Multi-head Latent Attention. Контекстное окно — 131 072 токена. Обучающие данные включают STEM-темы, код, математику, медицинскую литературу, корейские и англоязычные тексты; карточка указывает английский и корейский языки. Модель доступна в формате safetensors для Transformers. Модель может служить основой для приложений генерации текста, продолжения кода и специализированного дообучения, особенно для длинных документов и материалов на английском и корейском языках. Без настройки на инструкции она не является готовым чат-ассистентом и может выдавать фактически неверный, предвзятый или вредный контент; качество может быть ниже для языков, недостаточно представленных в обучении. Лицензия — Apache-2.0.

facebook/hiera-large-224-hf — контрольная точка визуального трансформера Hiera, разработанного Meta. Архитектура Hiera имеет иерархическое представление изображения и предназначена для извлечения признаков; в карточке также указаны классификация изображений и masked image modeling как возможные сценарии применения. Эта версия обучена на ImageNet-1K и рассчитана на входные изображения размером 224 пикселя; число параметров — 74,3 млн. Модель можно использовать как визуальный энкодер для получения признаков изображений в задачах компьютерного зрения. В README архитектура описана как более простая и эффективная альтернатива иерархическим визуальным трансформерам со специализированными модулями. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers. Лицензия CC BY-NC 4.0 допускает использование с ограничениями, включая запрет коммерческого применения.

Hiera Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами библиотеки timm. Это иерархический Vision Transformer с 213,7 млн параметров, предварительно обученный на ImageNet-1k методом Masked Autoencoder и затем дообученный для классификации на ImageNet-1k. Модель рассчитана на изображения размером 224 × 224 пикселя; в README приведена точность top-1 86,042% и top-5 97,648% на ImageNet-1k. Модель можно использовать для определения объектов на изображениях, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт метки классов, а также визуальные признаки для downstream-задач. Для работы предусмотрена библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

timm/hiera_small_abswin_256.sbb2_pd_e200_in12k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная в библиотеке PyTorch Image Models (timm). Её обучил Ross Wightman на ImageNet-12k по рецепту из работы «Searching for better ViT baselines». Модель содержит 42,7 млн параметров, использует входное разрешение 256 × 256 и имеет вычислительную сложность 7,7 GMACs. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В обучении применялись маскирование патчей с использованием блоков Hiera и обучаемые масштабные коэффициенты слоёв. Позиционные эмбеддинги с абсолютными координатами можно адаптировать к другим разрешениям. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель обучена на ImageNet-12k; показатели качества для этой конкретной версии в карточке не приведены.

hiera_small_abswin_256.sbb2_pd_e200_in12k_ft_in1k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она содержит 34,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k по рецепту из работы «Searching for better ViT baselines». В обучении применялся patch dropout с масками Hiera. Модель предназначена для определения классов объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вариант поддерживает масштабируемые позиционные эмбеддинги abs-win; обучение с patch dropout призвано улучшить их обобщение на другие разрешения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

HyperPrune-gpt-oss-20b-2to4 — разреженный чекпойнт openai/gpt-oss-20b, подготовленный elastix-ai с помощью HyperPrune. Это причинная языковая модель с архитектурой MoE, сохранённая в формате safetensors; в метаданных указано 1,6 млрд параметров и контекст до 131 072 токенов. В чекпойнте применена полуструктурированная разреженность 2:4 к экспертным весам во всех слоях декодера; внимание и маршрутизатор остаются плотными. Строгое соблюдение шаблона 2:4 проверено для 4,78 млрд групп без нарушений. Модель предназначена для генерации текста и диалоговых сценариев на основе gpt-oss-20b. README сообщает, что калибровка выполнена на предварительно токенизированных данных elastix-ai/elastiml-calib-gpt-oss-20b. В измерениях указана word perplexity 247,45 по протоколу BLADE; отдельный запуск оценки token-level perplexity завершился переполнением fp16 и вернул nan. Авторы отмечают, что генерация остаётся связной, но три слоя дали результат хуже SparseGPT prior, а HyperPrune не использует защиту, сохраняющую лучший вариант маски. Лицензия в метаданных обозначена как other; конкретные условия следует проверять на странице модели.

Falconsai/intent_classification — модель классификации текста на основе DistilBERT, дообученная разработчиком Falconsai для определения намерений пользователя. Она относит текст к категориям намерений, например запросу информации, вопросу или выражению мнения, и предназначена для анализа взаимодействий в чат-ботах, виртуальных помощниках и рекомендательных системах. Модель принимает текст на английском языке и возвращает метку класса; максимальный контекст — 512 токенов. Доступны веса PyTorch и Safetensors, а также формат Core ML. В README указаны точность 99,87% и оценочная потеря 0,0117, однако обучающий набор был небольшим, менее 50 тысяч примеров, и описан как проприетарный. Модель выпущена по лицензии Apache-2.0.