II.10Разработка и эксплуатация AI/ML-систем

OpenJev — открытая по весам модель принятия решений от разработчика OpenJev на базе Qwen3.5. Она получает текст, веб-страницу или скриншот и выбирает один из заданных в запросе вариантов, выдаёт вероятность ответа «да» или «нет» либо оценку. Для одного вопроса можно передать до 52 вариантов; модель возвращает типизированные ответы с вероятностями без генерации свободного текста и поддерживает решения за один проход. Модель предназначена для классификации и маршрутизации обращений, модерации, оценки ответов на соответствие критериям, а также выбора следующего действия браузерного или компьютерного агента. В карточке приведены результаты на текстовых и агентских задачах, а также для немецкого, французского, хинди, китайского и японского языков. Для коротких текстовых решений заявлена задержка около 80 мс; для веб-решений она зависит от длины входа. Файлы модели опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески. Модель выдаёт выбор и вероятности, а не развёрнутый текст; её качество зависит от формулировки вопроса и набора вариантов. В описании также отмечена чувствительность к порядку вариантов: при их перемешивании ответы менялись в 2,3% случаев.

openPangu-Embedded-1B — плотная языковая модель семейства PanguEmbedded, разработанная Huawei и обученная с нуля на Ascend NPU. В репозитории указаны 1 млрд параметров без учёта эмбеддингов словаря, 26 слоёв и обучение примерно на 10 трлн токенов; метаданные каталога указывают 1,2 млрд параметров всего и контекст 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, в том числе для развёртывания на периферийных устройствах. В карточке заявлены оптимизации архитектуры, данных и обучения для Ascend Atlas 200I A2; в тестах приведены результаты MMLU 60,72 и CMMLU 51,99. Поддерживаемые языки — китайский и английский. Репозиторий содержит веса в формате safetensors, а лицензия обозначена как other; конкретные условия следует сверить с лицензионными материалами репозитория. Выводы могут содержать ошибки и не должны заменять профессиональные медицинские или юридические рекомендации.

Helsinki-NLP/opus-mt-tc-big-fr-en — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на английский и подходит для перевода предложений и текстовых коллекций, в том числе в приложениях на базе Transformers. Модель построена на архитектуре Transformer-big и реализована как MarianMTModel. Веса исходно обучены средствами Marian NMT на данных OPUS с использованием конвейера OPUS-MT-train; токенизация выполняется SentencePiece. Размер модели — 155 млн параметров, родная длина контекста — 1024 токена. Модель принимает и выдаёт текст; поддерживаемая языковая пара — французский → английский. В карточке приведены результаты оценки на наборах Tatoeba, FLORES-101 и Multi30k. Модель распространяется по лицензии CC BY 4.0; при использовании авторы просят цитировать публикации OPUS-MT и Tatoeba Translation Challenge.

mrm8488/phi-2-coder — языковая модель Phi-2, дообученная разработчиком mrm8488 на 20 тысячах инструкций из набора CodeAlpaca_20K с использованием QLoRA и PEFT. Это плотный Transformer с архитектурой PhiForCausalLM и 2,7 млрд параметров; модель предназначена для генерации кода и ответов на инструкции по программированию. Она принимает текстовые запросы и генерирует текст, включая код. В метаданных указано окно контекста 2048 токенов и поддержка библиотеки Transformers. Модель подходит для генерации фрагментов кода, помощи с программированием и выполнения простых инструкций по коду. README не содержит завершённых результатов HumanEval, поэтому подтверждённых показателей качества для задач программирования нет. Репозиторий содержит веса в формате Safetensors. Лицензия обозначена как other, а конкретные условия использования в карточке не описаны.

Это квантизированная версия Phi-4-reasoning-plus, разработанная AMD на основе модели Microsoft с использованием LLM Compressor. Модель предназначена для генерации текста и задач рассуждения, включая сценарии локального вывода на процессорах AMD EPYC. Она поддерживает только текстовые входы и выходы, указанный язык — английский, а запуск рассчитан на Linux с использованием vLLM. Архитектура модели обозначена как Phi3ForCausalLM. Применена 4-битная квантизация только весов W4A16 методом GPTQ: веса INT4 имеют симметричное групповое представление с размером группы 128, а активации сохраняются в формате BF16. Квантизация выполнена в формате compressed-tensors, при этом lm_head не квантизировался. Для CPU-инференса предусмотрена оптимизация через ZenDNN и ZenTorch; заявлена совместимость с AMD EPYC, ZenDNN 6.1.0, ZenTorch 2.11.0.3, PyTorch 2.11.0 и vLLM 0.26.0. Главное преимущество модели — уменьшенный размер весов и возможность эффективного вывода на AMD CPU при сохранении качества, близкого к исходной BF16-модели: на GSM8K получено 0,8688 против 0,8704 у базовой версии, то есть восстановлено 99,82% результата. Ограничения включают привязку к указанным версиям программного стека, ориентацию на CPU AMD EPYC и возможное снижение точности из-за агрессивной 4-битной квантизации. Модель распространяется по лицензии MIT; README также указывает, что она предоставляется на условиях лицензии исходной модели.

Карточка модели Daoguang/PyCodeGPT на Hugging Face совпадает с карточкой GuillenLuis03/PyCodeGPT, поэтому описание составлено по ней. PyCodeGPT — предварительно обученная модель для генерации и автодополнения кода на Python, основанная на GPT-Neo. Разработчики обучали её на корпусе из примерно 13 миллионов очищенных файлов Python, собранных из репозиториев GitHub. В README описан вариант PyCodeGPT-110M, производный от GPT-Neo 125M; в метаданных репозитория указаны 123,7 млн параметров, архитектура GPTNeoForCausalLM и формат PyTorch. Модель предназначена для продолжения фрагментов кода и генерации решений на Python по текстовому запросу или началу программы. В README приведена оценка на HumanEval: pass@1 — 8,32%, pass@10 — 13,53%, pass@100 — 18,3%; результаты зависят от методики генерации и не гарантируют корректность кода. Модель принимает и выдаёт текст, имеет контекстное окно 2048 токенов. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

PyLate BERT Tiny — компактная модель на архитектуре BERT, разработанная на основе google/bert_uncased_L-2-H-128-A-2 и дообученная на наборе msmarco-bm25. Она преобразует предложения и абзацы в последовательности плотных векторов размерностью 128 и сравнивает тексты по семантическому сходству с помощью оператора MaxSim. Модель предназначена прежде всего для модульных тестов в средах с ограниченными вычислительными ресурсами, например GitHub Actions. Её также можно применять для базового семантического поиска и сравнения текстов. Модель поддерживает английский язык, имеет контекст до 512 токенов и содержит 4,4 млн параметров. Лицензия Apache-2.0. Хотя модель подходит для простых задач, карточка позиционирует её прежде всего как тестовую и предупреждает, что качество для обычного применения ограничено.

Это дообученная модель Liquid AI семейства LFM2.5, созданная langleu на основе LiquidAI/LFM2.5-1.2B-Base с применением LoRA и обучающих данных QMD v2. Она предназначена для расширения поисковых запросов: по исходному запросу формирует строки для лексического и векторного поиска, а также HyDE; поддерживает указание намерения запроса и директивы выбора типа расширения. Модель имеет плотную архитектуру Lfm2ForCausalLM и содержит 1,5 млрд параметров. Контекст составляет до 128 000 токенов. В репозитории доступны объединённый BF16-чекпойнт Transformers и варианты GGUF Q4_K_M, Q5_K_M и Q8_0; для QMD следует использовать GGUF. В проверке опубликованного варианта Q5_K_M средняя награда составила 95,17%, соблюдение формата — 100%, сохранение сущностей — 98,31%; результаты проверки относятся к указанному набору данных и не гарантируют аналогичное качество на других запросах. Модель принимает текст запроса и выдаёт текстовые расширения с метками lex, vec или hyde. README не определяет поддерживаемые естественные языки, поэтому языковую специализацию установить нельзя. Производная модель распространяется по LFM Open License v1.0; лицензию необходимо сохранять с условиями атрибуции и коммерческого использования. Лицензия набора данных на зафиксированной версии явно не указана, поэтому пользователям и распространителям следует самостоятельно подтвердить право на его использование.

Qwen2.5-32B-Instruct-CFT — языковая модель TIGER-Lab, дообученная методом Critique Fine-Tuning на базе Qwen/Qwen2.5-32B-Instruct. Она принимает запрос вместе с ошибочным или зашумлённым ответом и генерирует критику этого ответа, помогая анализировать качество рассуждений и находить недочёты. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Обучение проводилось на наборе WebInstruct-CFT-4K; карточка также отмечает математические задачи и рассуждения. Модель рассчитана на англоязычный текст и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Это исследовательская донастройка, ориентированная на критику ответов и улучшение рассуждений; качество зависит от запроса и ответа, поданного для анализа. Распространяется по лицензии Apache-2.0.

Это дообученная версия Qwen2.5-Coder-0.5B-Instruct, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель относится к семейству Qwen2 и использует плотную авторегрессионную архитектуру для генерации текста; исходная модель разработана командой Qwen. В репозитории указаны 494 млн параметров, формат safetensors и контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых ответов по инструкциям, включая написание и дополнение фрагментов кода. Карточка производной версии автоматически сгенерирована и не описывает обучение Swarm, оценку качества или отдельные ограничения. Исходная модель распространяется по лицензии Apache-2.0; применимость этой лицензии к дообученной версии следует проверять по её репозиторию.

khazarai/Qwen3-4B-Qwen3.6-plus-Reasoning-Distilled-GGUF — текстовая генеративная модель в формате GGUF, разработанная khazarai на базе Qwen3-4B-Thinking-2507. Модель создана методом reasoning distillation: её дообучили с помощью QLoRA и Unsloth на данных khazarai/qwen3.6-plus-high-reasoning-500x, чтобы перенести способности более крупной модели Qwen3.6-plus к рассуждению на компактную модель размером 4B параметров. В карточке указана поддержка английского языка и задача text-generation. Модель предназначена для сложных задач, требующих последовательного анализа, включая решение алгоритмических и графовых задач, разбор ограничений, формулирование алгоритмов, оценку сложности и подготовку псевдокода. По сравнению с базовой моделью она ориентирована на более структурированные, concise и профессиональные ответы с разделением на анализ проблемы, интуицию, алгоритм и оценку сложности. На указанном Multi-Domain-Reasoning-Benchmark из 100 вопросов дистиллированная модель получила 75,64 балла против 73,73 у Qwen/Qwen3-4B-Thinking-2507, однако эти результаты представлены разработчиком и не заменяют независимую оценку. Доступны варианты квантования Q4_K_1 размером около 2,3 ГБ, Q6_K около 3,3 ГБ, Q8_0 около 4,2 ГБ и bf16 около 8 ГБ; выбор варианта влияет на требования к памяти, скорость и качество. Обучение выполнялось на последовательностях длиной до 6500 токенов, но отдельный размер контекстного окна в карточке не указан. Сильные стороны модели — компактность, структурированность рассуждений и снижение избыточных самокоррекций; ограничения — специализация на английском языке, отсутствие заявленных мультимодальных возможностей и возможная зависимость качества от выбранного квантования. Лицензия — Apache-2.0.

Модель osieosie/qwen3.5-9b-drctx-mix-mk2-nc20-bs20-os2-sft-e2 разработана на основе hamishivi/Qwen3.5-9B и дообучена методом SFT для самостоятельного управления контекстом в длительных агентных задачах. Она решает, когда и как уплотнять историю через инструмент edit_context, чтобы продолжать работу в пределах ограниченного контекстного бюджета. Это плотная текстовая причинная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, доступная в формате safetensors и рассчитанная на запуск через Transformers. В обучении использовались траектории для работы в терминале и с кодом, а также длительного веб-исследования. Базовая модель поддерживает контекст до 262 144 токенов, однако данная версия обучалась и оценивалась с бюджетом 32 768 токенов. В оценке модель сохраняла качество ответов на задачах веб-исследования при сокращении числа операций уплотнения относительно предыдущей версии. Результаты на Terminal-Bench 2 не показали улучшения успешности или вычислительных затрат относительно базовой модели. Модель преимущественно выбирает суммаризацию; операции переноса и удаления содержимого почти не использует без явной подсказки. Лицензия — Apache-2.0.

Qwen3.6-27B-SecOPD — мультимодальная модель семейства Qwen, разработанная на базе Qwen/Qwen3.6-27B и дообученная методом Secure On-Policy Distillation (SecOPD) для защиты от атак через внедрение инструкций в сторонний контент. Она рассчитана на сценарии, где модель получает доверенные инструкции пользователя отдельно от документов, найденных фрагментов или результатов инструментов: для этого используется выделенная роль input, отделяющая внешний материал от инструкций. Модель принимает текст и изображения и генерирует текст; в метаданных указаны поддержка диалогов и визуального ввода. Репозиторий содержит объединённый чекпойнт шага 150 с full-response KL: LoRA-адаптер уже слит с весами, поэтому отдельно загружать его не требуется. В опубликованных результатах SecOPD показывает низкий уровень успешности атак на нескольких тестах и сохраняет показатели полезности на чистых входах, однако эти результаты относятся к указанным в статье бенчмаркам и не гарантируют устойчивость ко всем атакам или сценариям. Карточка описывает применение с vLLM версии 0.19.0 или новее и соответствующим шаблоном чата и токенизатором. Лицензия — Apache-2.0.

Qwen3-8B-Critic-SFT-CWM-only — модель-критик на основе Qwen3-8B, разработанная командой Steer, Don't Solve для контроля траекторий кодирующих агентов. Через заданные интервалы она анализирует ход работы и выдаёт структурированную критику: категории ошибок, подтверждающие их свидетельства, действие для восстановления, статус задачи и краткую рекомендацию. Модель не пишет исправления кода. Модель содержит 7,6 млрд параметров и обучена полным дообучением на 4 532 примерах критики траекторий CWM-32B; данные охватывают задачи из matplotlib, moto и sympy. Она предназначена для использования как компонент цикла агента, в частности с SWE-bench Verified. Карточка сообщает о контекстном окне 40 960 токенов; обучение проводилось с последовательностями до 32 768 токенов. Модель принимает текстовые траектории и формирует текстовую структурированную критику. В метаданных указан английский язык. В описанном авторами сравнении критик повысил долю решённых задач у двух агентов Qwen; добавление траекторий Qwen3-Next в обучающий корпус давало больший прирост. Модель распространяется под лицензией Apache-2.0. Для работы требуется подключить её к обслуживанию агента; сама по себе она не вносит изменения в код.

amd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8 — квантизированный чекпойнт модели Qwen3.8-Flash-Next, подготовленный Advanced Micro Devices (AMD) с использованием AMD-Quark. Модель предназначена для генерации текста по текстовым, графическим и видео­входам; заявленный язык — английский. Архитектура указана как Qwen4ExpForConditionalGeneration, а инференс реализован через SGLang. Основная особенность чекпойнта — квантизация MoE-экспертов, включая shared expert, в OCP MXFP4 для весов и динамических активаций. Таблица PLE-эмбеддингов квантизирована в Per-Tensor FP8, остальные ключевые компоненты, включая attention, Mamba-style linear-attention projections, vision tower, MTP head, router gates и lm_head, сохранены в bfloat16. Модель оптимизирована для AMD Instinct MI350X и MI355X, использует ROCm 7.2.4, PyTorch 2.11.0+rocm7.2, Transformers 5.12.1 и Linux. Чекпойнт рассчитан на ресурсоэффективное развертывание MoE-модели на совместимом оборудовании AMD. На GSM8K в режиме 5-shot он показал результат 96,44 против 96,97 у исходной Qwen3.8-Flash-Next, что соответствует восстановлению 99,5% исходной точности. Ограничения включают узкую аппаратно-программную специализацию, зависимость от конкретной версии SGLang и отсутствие в README сведений о размере модели, длине контекста и более широком наборе оценок. Лицензия обозначена как other; для модификаций указано авторство Advanced Micro Devices, Inc. за 2026 год. Полные условия приведены в файле LICENSE репозитория модели.

Это визуальный энкодер семейства Qwen3-VL, опубликованный в формате timm и извлечённый из Qwen/Qwen3-VL-32B-Instruct. Модель преобразует изображения в пространственные признаки и токены слияния; языковых весов и обученной классификационной головы в чекпойнте нет. Параметры энкодера включают визуальный backbone шириной 1152 и проекцию шириной 5120; размер изображения в карточке — 768 × 768, поддерживаются прямоугольные входы. Архитектура использует GELU-tanh MLP, обучаемые абсолютные позиции и осевое 2D RoPE; доступны промежуточные карты признаков. Реализация предназначена только для изображений: временное ядро исходного Conv3d сведено к Conv2d. Размеры изображения должны делиться на 16, а для вариантов с merger 2×2 — на 32. Веса преобразованы в формат timm без дополнительного обучения. Лицензия — Apache 2.0.

hiieu/R1_tool_call_Distill-Qwen-7B — дообученная модель hiieu для генерации текста с интерфейсом вызова инструментов. Она основана на unsloth/DeepSeek-R1-Distill-Qwen-7B-unsloth-bnb-4bit и обучена на наборе hiieu/tool_r1_cot с использованием Unsloth и TRL. Для вызова инструмента модель использует двухэтапный процесс вывода. Модель имеет плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык и лицензию Apache-2.0. Она подходит для диалоговых сценариев, где нужно сформировать запрос к инструменту и затем обработать результат. Среди ограничений автор отмечает, что модель иногда отказывается «не думать»; это может мешать сценариям, где требуется ответ без рассуждений. README не приводит оценок качества или списка поддерживаемых инструментов.

RegNetY-6.4GF — модель классификации изображений и извлечения признаков, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура RegNetY содержит около 30,6 млн параметров и требует 6,4 GMACs на проход. Для обучения использовались изображения размером 224 × 224, для оценки — 288 × 288 пикселей. Модель подходит для классификации изображений по категориям ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Реализация timm поддерживает, среди прочего, stochastic depth, градиентный чекпойнтинг, настройку выходного stride и слоевой спад скорости обучения. Доступна в форматах PyTorch и SafeTensors; для использования нужны входные изображения. Модель выпущена под лицензией Apache-2.0. Обучение на ImageNet-1k определяет набор классов, на которых она оптимизирована, поэтому качество на других предметных областях может отличаться.

timm/regnety_160.swag_lc_in1k — модель классификации изображений на архитектуре RegNetY-16GF, опубликованная в библиотеке timm. Она предварительно обучена методом SWAG на примерно 3,6 млрд изображений Instagram с хештегами, а линейный классификатор настроен авторами работ на ImageNet-1k. Модель содержит около 83,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. В таблице результатов для варианта regnety_160.swag_ft_in1k приведены точности top-1 86,024% и top-5 98,05% при размере изображения 384 пикселя; эти показатели относятся к варианту с суффиксом swag_ft, а не напрямую к swag_lc. Веса распространяются по лицензии CC-BY-NC-4.0, которая запрещает коммерческое использование.

regnety_320.tv2_in1k — модель классификации изображений на базе архитектуры RegNetY-32GF, распространяемая в библиотеке timm. Её веса предварительно обучены на ImageNet-1k участниками проекта torchvision. Модель насчитывает около 145 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для определения категорий объектов на изображениях и может использоваться как визуальный backbone для извлечения признаковых карт или эмбеддингов. Реализация timm включает стохастическую глубину, градиентный чекпойнтинг, настройку шага выхода и другие варианты конфигурации блоков и слоёв. Лицензия — BSD-3-Clause. Высокая вычислительная стоимость (32,3 GMACs на изображение) может ограничивать применение на устройствах с небольшими ресурсами. Обучение на ImageNet-1k означает, что модель ориентирована на категории этого набора данных; карточка не описывает поддержку других языков или специальных предметных областей.

Res2Net-101 26w 4s — модель классификации изображений и извлечения признаков из семейства Res2Net, опубликованная авторами статьи и обученная на ImageNet-1k. Архитектура Multi-Scale ResNet обрабатывает изображение через многомасштабные признаки; модель содержит 45,2 млн параметров и рассчитана на вход размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и построения эмбеддингов изображений. Её можно использовать как визуальный backbone в системах компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия в метаданных не определена, поэтому условия использования следует уточнить у разработчика.

ResMLP-12 — модель классификации изображений и извлечения признаков из семейства ResMLP, опубликованная авторами научной работы и обученная на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors; модель содержит около 15,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 3,0 GMACs. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как визуальная основа для получения признаков и эмбеддингов изображений. Архитектура ResMLP применяет блоки многослойного перцептрона для обработки изображений. Лицензия репозитория — Apache-2.0.

ResNeSt-14d.gluon_in1k — модель классификации изображений на основе ResNet с механизмом Split Attention, обученная авторами статьи на ImageNet-1k. Она предназначена для отнесения изображения к одному из классов ImageNet, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 10,6 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 2,8 GMACs. Репозиторий предоставляет веса в форматах PyTorch и safetensors; модель поддерживается библиотекой timm. Лицензия — Apache-2.0.

ResNet-152 A2 — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back A2 и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура включает активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в остаточных связях; модель содержит 60,2 млн параметров и требует изображение 288×288 пикселей при тестировании. Модель предназначена для распознавания объектов из классов ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия Apache-2.0 допускает использование и модификацию на её условиях. Карточка приводит метрики вычислительной стоимости, но не содержит в доступном фрагменте итоговых показателей качества именно этой модели.

ResNet61Q.ra2_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она обучена на ImageNet-1k и предназначена для отнесения изображений к классам этой выборки, а также может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Модель построена на архитектуре ResNet с четырёхслойным стемом без пулинга и активациями SiLU, реализована через гибкую архитектуру BYOBNet. В ней около 36,8 млн параметров; для оценки использовались изображения 256×256 при обучении и 288×288 при тестировании. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

timm/resnetv2_34.ra4_e3600_r224_in1k — модель классификации изображений семейства ResNet, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone и извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует 3,7 GMACs; размер изображения при обучении составлял 224×224, при тестировании — 288×288. Обучение использовало гиперпараметры, вдохновлённые MobileNet-V4 Small и подходами timm и «ResNet Strikes Back». Доступны веса PyTorch и safetensors. Подходит для распознавания объектов из ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Модель принимает изображения и выдаёт классы либо признаки. Лицензия — Apache-2.0.

resnext26ts.ra2_in1k — модель классификации изображений семейства ResNeXt, разработанная Россом Уайтманом и обученная на ImageNet-1k с использованием библиотеки timm. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель построена на архитектуре BYOBNet с трёхслойным stem-блоком и активациями SiLU. Она содержит 10,3 млн параметров и требует 2,4 GMACs; размер изображения при обучении составлял 256×256, при тестировании — 288×288. Доступны веса PyTorch и safetensors. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков. Карточка не приводит отдельные сведения о языках, поскольку модель работает с изображениями. Лицензия Apache-2.0.

RexReranker-0.6B — компактная модель-реранкер для поиска товаров, разработанная thebajajra на основе Qwen/Qwen3-Reranker-0.6B. Это плотная decoder-модель класса Qwen3ForCausalLM с 507,6 млн параметров. Она принимает запрос пользователя и текст кандидата-товара — название, а при наличии описание и атрибуты — и оценивает их релевантность через вероятности бинарного ответа «yes» или «no». Модель предназначена для повторного ранжирования результатов товарного поиска после этапа извлечения кандидатов, а также для подбора и сортировки товаров в торговых ассистентах с учётом естественно-языковых ограничений, например размера, совместимости и цвета. Её также можно использовать для офлайн-оценки методов ранжирования в электронной торговле. Обучение проводилось на датасете Amazebay-Relevance с 6,33 млн пар «запрос — товар». Поддерживается контекст до 40 960 токенов; в метаданных указан английский язык. Лицензия — Apache-2.0. Модель специализирована на релевантности товаров и требует набора кандидатов, полученных на предыдущем этапе поиска; сама по себе она не заменяет полнотекстовый поиск или каталог товаров. README не приводит численных результатов оценки, поэтому качество на конкретном каталоге и типах запросов следует оценивать отдельно.

RexReranker Large — англоязычная модель-реранкер для электронной торговли, разработанная на основе RexBERT-large. Она оценивает релевантность пары «поисковый запрос — карточка товара» и возвращает вероятность от 0 до 1. Модель совместима с Sentence Transformers CrossEncoder и использует mean pooling по токенам. Модель предназначена для повторного ранжирования результатов товарного поиска на маркетплейсах и в интернет-магазинах. На вход подаются запрос и сведения о товаре, включая название и описание; базовый энкодер ModernBERT имеет контекст до 7 999 токенов. Модель содержит 394,7 млн параметров и дообучена на датасете Amazebay-Relevance. Модель распространяется по лицензии Apache-2.0. Она ориентирована на англоязычные запросы и товары; качество на других языках по имеющимся данным не подтверждено. Выходная оценка релевантности является вероятностным скалярным результатом и сама по себе не гарантирует качество ранжирования для конкретного каталога.

RF-DETR Nano — компактная модель обнаружения объектов из семейства RF-DETR, представленного в работе Robinson и соавторов. Она предназначена для поиска объектов и определения их рамок на изображениях; чекпойнт обучен на COCO 2017 с 80 категориями. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Архитектура сочетает Vision Transformer на основе DINOv2 с чередованием оконного и полнослойного внимания, многоуровневый проектор признаков и декодер Deformable DETR с объектными запросами. Семейство RF-DETR ориентировано на компромисс между точностью и задержкой, а вариант Nano рассчитан на компактное обнаружение объектов в реальном времени. Модель принимает изображения и выдаёт классы объектов с ограничивающими рамками. Карточка не приводит конкретных показателей скорости или точности именно для Nano. Лицензия — Apache-2.0.