II.10Разработка и эксплуатация AI/ML-систем

wangyue114514/rwkv7-g1d-0.4b-hf — причинная языковая модель семейства RWKV-7 G1D, представленная в формате Transformers. Чекпойнт содержит около 469,8 млн параметров по метаданным каталога; в README указаны 450 767 872 параметра, 24 слоя, размер скрытого состояния 1024 и словарь из 65 536 токенов. Веса сохранены в float16 и формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Рекуррентная архитектура RWKV-7 ведёт состояние в формате [batch, heads, key, value]. Карточка указывает совместимость с AutoModelForCausalLM, Trainer, Accelerate, PEFT LoRA, TRL и lm_eval; для загрузки сопровождающего кода используется trust_remote_code=True. Лицензия — Apache-2.0. README описывает инструменты и воспроизводимость, но не приводит результаты оценки качества, поддерживаемые естественные языки или длину контекста. Поэтому пригодность для конкретного языка и длинных последовательностей следует проверять отдельно.

SigLino-30M — плотная зрительная модель семейства SigLino, разработанная авторами работы CVPR 2026 AMoE. В названии семейства отражено сочетание SigLIP2 и DINOv3; модель связана с исследованием дистилляции в архитектуру Mixture-of-Experts. Это вариант с 30 млн параметров и 12 слоями. Модель предназначена для извлечения признаков изображений. В карточке приведены результаты оценки признаков на изображениях размером 512×512: точность kNN-классификации на ImageNet составляет 79,0%, средняя точность на шести наборах данных — 83,3%, а точность классификации ImageNet в режиме zero-shot — 65,1%. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения описывают модель как извлекатель признаков; размеры входа в проведённых оценках не задают максимальный поддерживаемый размер изображения.

zeromodels публикует реализацию SigLIP 2 Large Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на целевых метках. Модель принимает изображения и текстовые запросы, сопоставляет их и позволяет выбирать наиболее подходящие метки. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-large-patch16-512. Семейство SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; карточка отмечает поддержку многих языков. Модель пригодится для классификации изображений с пользовательскими категориями и поиска изображений по текстовым запросам. Распространяется по лицензии Apache 2.0.

timm/skresnet34.ra_in1k — модель классификации изображений и выделения признаков семейства Selective-Kernel ResNet, разработанная Ross Wightman и обученная в библиотеке timm на ImageNet-1k. Вариант использует рецепт обучения RA с конфигурацией ResNet strikes back B. Модель содержит 22,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 3,7 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в задачах компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате Safetensors; лицензия — Apache-2.0.

SPLADE-Code-06B — разреженная модель поиска по коду, представленная в репозитории naver. Она предназначена для извлечения релевантных фрагментов кода по текстовому запросу и других задач кодового поиска. В README заявлено, что на момент публикации в феврале 2026 года модель показывала лучшие результаты на MTEB среди моделей размером менее 1 млрд параметров. Модель основана на архитектуре Qwen3ForCausalLM и содержит около 507,9 млн параметров. Она принимает текст и формирует разреженные признаки для поиска; максимальная длина контекста составляет 40 960 токенов. Доступны веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

TechxGenus/starcoder2-7b-AWQ — AWQ-квантованная версия StarCoder2-7B, разработанная проектом BigCode. Это авторегрессионная модель генерации текста, ориентированная прежде всего на работу с исходным кодом: автодополнение, генерацию фрагментов, редактирование и задачи Fill-in-the-Middle. Модель не является instruction-моделью, поэтому прямые запросы на естественном языке, например просьбы написать функцию, могут обрабатываться неудовлетворительно. Модель содержит около 7 миллиардов параметров и обучена более чем на 3,5 триллиона токенов, включая данные The Stack v2, а также отдельные источники вроде arXiv и Wikipedia. Она поддерживает 17 языков программирования, использует Grouped Query Attention, контекстное окно 16 384 токена и Sliding Window Attention с окном 4 096 токенов. Квантирование AWQ снижает требования к памяти и делает модель более подходящей для локального запуска, сохраняя назначение базовой модели для генерации кода. К ограничениям относятся отсутствие instruction-настройки, возможное воспроизведение фрагментов обучающих данных и необходимость проверять лицензии сгенерированного кода; для этого рекомендуется использовать индекс поиска по исходным данным. Модель распространяется по лицензии BigCode OpenRAIL-M. В карточке также приведены результаты на бенчмарках HumanEval, HumanEval+, DS-1000, CruxEval-I, GSM8K (PAL) и RepoBench-v1.1, однако они относятся к StarCoder2-7B и не обязательно отражают точные показатели AWQ-версии.

StarCoder-3B — базовая генеративная модель кода, разработанная проектом BigCode; это версия семейства StarCoderBase с 3 млрд параметров. Модель построена на архитектуре GPT-2 с multi-query attention и обучена на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования. При обучении использовалась цель Fill-in-the-Middle, а контекстное окно составляет 8192 токена. Модель предназначена для продолжения фрагментов исходного кода и заполнения пропусков по окружающему коду. Она не настроена на выполнение инструкций, поэтому обычные запросы вроде просьбы написать функцию могут работать слабо без подходящего контекста. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным; также возможно дословное воспроизведение фрагментов обучающих данных, для которых могут действовать требования атрибуции и лицензирования. Модель распространяется по лицензии BigCode OpenRAIL-M.

Это LoRA-адаптер безопасности для многоязычной модели Beko2210/statim-decide-multilingual-base версии 0.7.0, разработанный для улучшения решений в категории safety. Он предназначен для классификации коротких текстов и выдачи типизированных решений, например ответа «да/нет» по заданному критерию. В метаданных основная задача указана как zero-shot-classification; адаптер распространяется в форматах GGUF и safetensors и требует Statim 0.8.0 или новее. В эксперименте на 1 350 элементах для каждой ячейки адаптер повысил среднюю оценку с 0,7081 до 0,8059 при загрузке f32 со слиянием и до 0,8111 для q8_0 с runtime LoRA. README указывает, что языки за пределами проверенного набора не тестировались; автоматизировать решения о людях без проверки специалистом не рекомендуется. Адаптер привязан к базовой модели с конкретным fingerprint и не работает с базой, fingerprint которой отличается. С 3 октября 2026 года адаптер и требуемая базовая модель распространяются только по лицензии PolyForm Noncommercial 1.0.0: коммерческое использование не разрешено.

flax-sentence-embeddings/st-codesearch-distilroberta-base — модель эмбеддингов на базе DistilRoBERTa, обученная разработчиками flax-sentence-embeddings на датасете CodeSearchNet. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска фрагментов программного кода по текстовому запросу, а также для семантического поиска и кластеризации. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает текст. Её контекст составляет до 514 токенов. Для поиска кода она была обучена на задаче CodeSearchNet в течение 10 тысяч шагов с MultipleNegativesRankingLoss. Карточка характеризует её как предварительную и отмечает, что обучение было недостаточно тщательно проверено и развито, поэтому качество поиска может быть ограниченным. Сведения о лицензии в предоставленных материалах отсутствуют.

Swin-Tiny — модель компьютерного зрения для классификации изображений на датасете ImageNet и использования в качестве backbone при создании более специализированных моделей. Она основана на реализации Swin Transformer из torchvision и разработана с оптимизацией для устройств Qualcomm; подготовкой и экспортом занимаются Qualcomm AI Hub Models. Модель принимает изображения размером 224×224 пикселя и работает только с визуальными данными. Модель содержит 28,8 млн параметров; размер контрольной точки составляет около 110 МБ в формате float и 29,9 МБ в варианте w8a16. Доступны предварительно экспортированные версии ONNX, QNN_DLC и TFLITE, рассчитанные на использование с Qualcomm AI Hub и NPU Qualcomm. Вариант w8a16 может уменьшить размер и ускорить инференс, однако производительность и потребление памяти зависят от устройства и конфигурации. README не содержит показателей точности, поэтому качество классификации по этим данным оценить нельзя. Лицензия модели — BSD-3-Clause.

SwinV2 Large — модель компьютерного зрения на архитектуре Swin Transformer V2, разработанная авторами соответствующей научной работы и опубликованная в библиотеке timm. Она предварительно обучена на ImageNet-22k, а затем дообучена для классификации изображений на ImageNet-1k. Модель также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. Модель содержит 196,7 млн параметров, выполняет 47,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Высокая вычислительная сложность может ограничивать применение на устройствах с небольшими ресурсами. Карточка не приводит сведения о поддерживаемых классах помимо обучения на ImageNet-1k.

System One (distilled) — компактная модель классификации на базе DeBERTa-v3-xsmall, разработанная автором репозитория shreyanbr. Она выполняет типизированные решения Choice, Score и Noul для маршрутизации, классификации и проверки условий в программных системах за один пакетный проход без генерации токенов. Модель содержит 77,5 млн параметров по метаданным, принимает текст, имеет контекст до 512 токенов и распространяется в формате safetensors. Обучающие ответы для 1 500 примеров на задачу были получены от Claude Haiku 4.5. В тестах README приводит точность 0,688 для intent, 0,930 для tool и 0,788 для needs_tool; результаты зависят от задачи и качества разметки. README отмечает загрязнение оценки банковской категорией из-за обучающих данных banking77, слабую обучаемость triage.priority, единичный запуск и необходимость файла calibration.json: необработанные оценки не являются вероятностями. Для triage указано ограничение некоммерческого использования из-за лицензии датасета tickets CC-BY-NC-4.0. Лицензия весов — Apache-2.0.

tf_efficientnet_b8.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ на ImageNet-1k с использованием AdvProp, метода обучения на состязательных примерах; затем Ross Wightman перенёс веса в PyTorch. Модель содержит около 87,4 млн параметров и рассчитана на изображения размером 672 × 672 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и векторных представлений изображений. По данным карточки, вычислительная нагрузка составляет 63,5 GMACs. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

tf_efficientnetv2_l.in1k — модель семейства EfficientNetV2 для классификации изображений и извлечения признаков. Она обучена авторами статьи на ImageNet-1k в TensorFlow и перенесена в PyTorch Россом Уайтманом; репозиторий использует библиотеку timm и содержит веса PyTorch в формате safetensors. Модель насчитывает 118,5 млн параметров и выполняет 36,1 GMAC операций за проход. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для получения карт признаков и эмбеддингов. Размер изображения при обучении составлял 384 × 384 пикселя, при тестировании — 480 × 480. Лицензия — Apache-2.0. Карточка не сообщает о поддержке естественного языка или иных модальностей.

Это модель классификации изображений EfficientNetV2-S, обученная авторами оригинальной работы на ImageNet-21k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Репозиторий опубликован в формате PyTorch и Safetensors для библиотеки timm; лицензия — Apache-2.0. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Она содержит 48,2 млн параметров и требует 5,4 GMACs; размер изображения при обучении составлял 300 × 300, при тестировании — 384 × 384. Обучение на ImageNet-21k даёт широкое покрытие категорий изображений, но карточка не заявляет поддержки других модальностей или специализированных предметных областей.

tinym/tinynet_b.in1k — компактная модель классификации изображений из семейства TinyNet, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению метки из набора классов ImageNet, а также может использоваться как лёгкая основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 3,7 млн параметров, требует примерно 0,2 GMAC на изображение и рассчитана на вход размером 188 × 188 пикселей. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Компактный размер и низкие вычислительные затраты подходят для классификации изображений и извлечения признаков при ограниченных ресурсах. Карточка подтверждает обучение на ImageNet-1k, но не описывает качество на других наборах данных или специализированных предметных областях; для таких сценариев может потребоваться дообучение.

TinyViT 5M 224 dist.in22k — модель классификации изображений и извлечения визуальных признаков из семейства TinyViT, опубликованная авторами статьи TinyViT и распространяемая через timm. Она предварительно обучена на ImageNet-22k с дистилляцией. Модель содержит 12,1 млн параметров, требует изображений размером 224 × 224 и имеет вычислительную стоимость 1,2 GMACs. Модель предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов. Компактный ViT-бэкбон можно использовать в приложениях компьютерного зрения, которым нужны классификационные оценки или представления изображений. Метаданные указывают лицензию Apache-2.0.

timm/tnt_s_legacy_patch16_224.in1k — модель классификации изображений и визуальный backbone семейства TnT (Transformer in Transformer), распространяемая в экосистеме timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит около 23,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует 5,2 GMACs на проход согласно карточке. Чекпойнт опубликован в форматах PyTorch и safetensors; библиотека для работы с ним — timm. Лицензия — Apache-2.0. В карточке приведены примеры классификации, извлечения признаков и эмбеддингов, но не указаны языковые возможности, поскольку модель обрабатывает изображения.

Trinity-Large-Preview-UD-Q4_K_XL-layers — пакет GGUF-слоёв, подготовленный Mesh LLM для распределённого запуска языковой модели Trinity-Large-Preview-UD-Q4_K_XL. Пакет создан из unsloth/Trinity-Large-Preview-GGUF: исходное представление разделено на артефакты по слоям для распределённого инференса. Используются формат GGUF и вариант квантования UD-Q4_K_XL. Модель предназначена для локального приватного общения с чат-моделью, в том числе на нескольких машинах, если целиком разместить GGUF на одном узле не получается. Mesh LLM предоставляет для неё локальный API, совместимый с OpenAI Chat Completions. В метаданных указаны задача генерации текста и возможность чата. README отсылает к карточке исходной модели за сведениями об архитектуре, контекстном окне, рекомендациях по генерации и лицензии, поэтому условия лицензирования и эти характеристики здесь не приводятся.

QiyaoMa/TRM — дообученная плотная языковая модель на архитектуре Qwen2, разработанная для оценки ответов на вопросы на китайском языке по предоставленным документам. Для каждого предложения ответа модель пошагово оценивает соответствие подтверждающим источникам и фактическую корректность, используя явное рассуждение о связи вывода с источниками и внутренней логикой ответа. TRM также применяется как модель вознаграждения в оптимизации политики с подкреплением, где отдельная вспомогательная модель оценивает полезность. Модель содержит 32 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Она основана на deepseek-ai/DeepSeek-R1-Distill-Qwen-32B и распространяется по лицензии Apache-2.0. Подходит для проверки фактической точности ответов и их опоры на документы в китайских системах вопросов и ответов; карточка не описывает универсальные возможности оценки для других языков или предметных областей.

VGG16 — сверточная модель классификации изображений из библиотеки timm с оригинальными весами torchvision, обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 138,4 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную стоимость 15,5 GMACs. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для использования указана лицензия BSD-3-Clause. Карточка не уточняет список классов и количественные показатели качества.

Это модель классификации изображений на базе Vision Transformer (ViT), обученная авторами исследования на ImageNet-21k и дообученная на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса из JAX в PyTorch; модель доступна через библиотеку timm и в форматах PyTorch и Safetensors. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для классификации изображений по категориям, а также может использоваться как визуальная основа для получения эмбеддингов и построения компьютерного зрения. Лицензия Apache-2.0. Карточка описывает обучение на ImageNet, поэтому качество на других типах изображений или предметных областях может отличаться.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), разработанная авторами исследований ViT и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Модель предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k с дополнительной аугментацией и регуляризацией. В ней 86,9 млн параметров; она рассчитана на изображения размером 384 × 384 пикселя и также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель подходит для распознавания объектов и категорий на изображениях, а также для получения признаковых представлений в компьютерном зрении. README указывает вычислительную сложность 49,4 GMACs. Доступна под лицензией Apache-2.0; опубликованные веса представлены в форматах PyTorch и safetensors.

Это визуальный энкодер EUPE ViT-Base/16 из семейства Vision Transformer, предназначенный для извлечения признаков и эмбеддингов изображений. Модель разработана для timm и дистиллирована на наборе LVD-1689M методом Efficient Universal Perception Encoder: учительская модель была получена дистилляцией нескольких универсальных визуальных энкодеров, специализирующихся на разных областях. Число параметров — около 85,7 млн; штатный размер изображения — 256 × 256 пикселей. Энкодер принимает изображения и возвращает визуальные признаки, включая class-, register- и patch-токены. Их можно использовать для построения эмбеддингов, извлечения карт признаков и последующей классификации или других задач компьютерного зрения. В timm по умолчанию используется усреднённый пулинг; для пулинга по class-токену нужно явно выбрать global_pool="token". Модель не предназначена для генерации текста или изображений. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

Это модель компьютерного зрения на основе Vision Transformer (ViT), предназначенная для классификации изображений и извлечения признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Реализацию перенёс на PyTorch Росс Уайтман; модель доступна через библиотеку timm. Модель содержит 88,3 млн параметров, обрабатывает изображения размером 384 × 384 и требует около 12,7 GMACs на проход. Её можно применять для классификации изображений и получения эмбеддингов как визуальных признаков. Модель выпущена под лицензией Apache-2.0. Её обучение на ImageNet делает её подходящей для задач распознавания объектов общего назначения, но качество на изображениях, отличающихся от обучающих данных, может быть ниже; для специализированных сценариев может потребоваться дополнительная адаптация.

Это модель классификации изображений на основе Vision Transformer (ViT) с патчами 16×16 и входным размером 384×384 пикселя. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель содержит около 304,7 млн параметров и также может использоваться как основа для извлечения признаков изображений. Модель предназначена для присвоения изображениям классов из набора ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Для запуска доступны форматы PyTorch и Safetensors, библиотека timm. Лицензия — Apache-2.0.

timm/ViT-SO400M-16-SigLIP2-512 — преобразованная для OpenCLIP модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI. Исходные контрольные точки JAX из Big Vision были конвертированы для использования с OpenCLIP; модель использует контрастивное сопоставление изображений и текста и предназначена для классификации изображений без дополнительного обучения по текстовым описаниям классов. Модель подходит для поиска изображений по текстовым меткам и для классификации с произвольным набором категорий. Карточка указывает многоязычную направленность SigLIP 2, но конкретные поддерживаемые языки и размер модели здесь не приведены. Репозиторий содержит веса PyTorch и Safetensors, библиотека — OpenCLIP. Лицензия — Apache-2.0.

Модель разработана CLEAR-Global и представляет собой дообученную версию facebook/w2v-bert-2.0 для автоматического распознавания речи на языке хауса. Это плотная модель архитектуры Wav2Vec2-BERT с классом Wav2Vec2BertForCTC, содержащая 402,8 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель обучена на наборе CLEAR-GLOBAL/HAUSA_579_993H_YOURTTS - NA. На оценочном наборе указаны Loss 0,2249, WER 0,3234 и CER 0,1866. Подходит для транскрибирования записей на хауса и построения систем распознавания речи для этого языка. Опубликована в формате safetensors для библиотеки Transformers. Лицензия — MIT. В карточке отмечено, что модель дообучена от facebook/w2v-bert-2.0; подробные сведения о других ограничениях и условиях оценки не приведены.

DrishtiSharma/wav2vec2-large-xls-r-300m-bg-d2 — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на болгарской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2 с выходной головой CTC и предназначена для преобразования болгарской речи в текст. Модель подходит для транскрибации аудиозаписей и оценки качества систем распознавания болгарской речи. В карточке указаны значение WER 0,2860 и loss 0,3421 на тестовой выборке Common Voice 8.0. Репозиторий содержит веса PyTorch; размер модели — около 402,7 млн параметров. Лицензия — Apache-2.0.