II.10Разработка и эксплуатация AI/ML-систем

NVIDIA-Nemotron-Labs-Teacher-General-Reasoning — языковая модель NVIDIA для многошаговых рассуждений на сложных задачах. Это вариант Nemotron 3 Ultra, дополнительно дообученный на reasoning-данных с помощью supervised fine-tuning и reinforcement learning. Модель предназначена как для самостоятельного решения задач, так и для генерации обучающих примеров и сигналов для дистилляции других моделей. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями attention и Multi-Token Prediction. Всего в ней 550 млрд параметров, из которых активно 55 млрд; длина контекста в метаданных — 262 144 токена. README также заявляет поддержку контекста до 1 млн токенов, поэтому фактический предел может зависеть от конфигурации и способа запуска. Модель генерирует текст и ориентирована на рассуждения в математике, логике и абстрактных задачах; заявлена поддержка английского, французского, испанского, итальянского, немецкого, японского, корейского, хинди, португальского и китайского языков. Модель рассчитана на коммерческое и некоммерческое использование, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия в карточке модели. Для запуска требуются значительные вычислительные ресурсы: это чекпойнт масштаба сотен миллиардов параметров. Дата отсечения обучающих данных для постобучения — май 2026 года, для предобучения — сентябрь 2025 года.

Карточка модели openchat/openchat_v2_w на Hugging Face совпадает с карточкой openchat/openchat_v2, поэтому описание составлено по ней. OpenChat v2 — диалоговая языковая модель семейства OpenChat, разработанная командой OpenChat и основанная на LLaMA-13B. Модель дообучена на примерно 80 тысячах очищенных диалогов ShareGPT методом условного поведенческого клонирования; вариант v2-w использует взвешенную функцию потерь, но карточка этой модели описывает OpenChat v2 без суффикса w. Архитектура — плотная авторегрессионная LLaMA, размер — около 12,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации ответов в диалоге, общения в формате ChatCompletions и использования в чат-интерфейсах. Карточка сообщает результаты сравнительных тестов MT-bench, Vicuna-bench и AlpacaEval; они отражают показатели на момент публикации и не гарантируют качество в других сценариях. Указан английский язык. Для корректной работы требуется специальный шаблон диалога с токеном конца хода; модель может ошибаться в сложных рассуждениях, математике и программировании, а также галлюцинировать. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

Open-MOPD-SmolLM3-3B-RL-Code — языковая модель для генерации кода, разработанная в рамках проекта Open-MOPD. Это плотная причинная модель SmolLM3 с архитектурой SmolLM3ForCausalLM и 3,1 млрд параметров; карточка указывает контекст до 65 536 токенов. Модель дообучена от BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT методом GRPO на запросах по программированию с проверяемыми наградами. Релиз соответствует шагу обучения 180; доступны веса в формате safetensors, а README описывает использование BF16 через Transformers. Модель предназначена прежде всего как учитель для дистилляции и для решения задач по коду, а не как универсальный ассистент. В README указаны результаты LiveCodeBench v5 и v6: среднее 21,73 при оценке avg@10; тестовые бенчмарки не входят в обучающую смесь RL. Поддерживаются диалоговый шаблон и генерация текста на английском языке. Лицензия — Apache-2.0. Оптимизация только на коде может ухудшить ответы в других областях по сравнению с исходной MixSFT. Результаты бенчмарка не гарантируют качество на произвольных задачах; модель также может выдавать ошибочный или неисполняемый код.

Parakeet-EOU-120M CoreML INT8 — модель автоматического распознавания речи, разработанная aufklarer на основе NVIDIA Parakeet Realtime EOU 120M v1 и преобразованная в формат CoreML с использованием coremltools. Она предназначена для потоковой транскрипции аудио на устройствах Apple Silicon, включая сценарии распознавания речи с микрофона и локального выполнения через Apple Neural Engine. Модель поддерживает определение конца высказывания с помощью специального токена EOU, поэтому для сегментации не требуется внешний VAD. Модель содержит 120 млн параметров и использует архитектуру FastConformer-RNNT с 17-слойным кэшируемым энкодером и однослойным LSTM-декодером. В энкодере применяется INT8 palettization. Поддерживается английский язык, входной аудиосигнал рассчитан на частоту дискретизации 16 кГц. Потоковая обработка выполняется чанками по 320 мс с настраиваемым размером. Словарь включает 1024 BPE-токена и специальные токены EOU, EOB и blank. К сильным сторонам относятся низкая задержка, возможность работы в реальном времени, локальное выполнение и небольшой потоковый кэш. На Apple M2 Max заявлены средняя задержка полного конвейера 17,7 мс, задержка P95 22,4 мс и коэффициент реального времени 0,055, что соответствует примерно 18-кратному ускорению относительно длительности аудио. Ограничения включают ориентацию на экосистему Apple и поддержку только английского языка; приведённые показатели производительности относятся к Apple M2 Max и могут отличаться на других устройствах. Модель распространяется по лицензии NVIDIA Open Model License.

Parakeet Realtime EOU 120M — CoreML — это конвертированная в формат CoreML потоковая модель автоматического распознавания речи с определением конца высказывания (EOU). Она разработана на основе nvidia/parakeet_realtime_eou_120m-v1 и предназначена для работы на устройствах Apple Silicon, в том числе в FluidAudio, для транскрибации речи в реальном времени и голосовых агентов. Модель содержит около 120 млн параметров и реализует архитектуру RNNT: 17-слойный FastConformer-энкодер с кэшированием состояния для потоковой обработки, однослойный LSTM-декодер с 640 скрытыми единицами и joint-сеть для предсказания токенов и EOU. RNNT-пайплайн разделён на три CoreML-модели: streaming_encoder, decoder и joint_decision. Поддерживаются варианты с размером аудиочанка 160 и 320 мс. На Apple M2 показатель WER на LibriSpeech test-clean составляет соответственно 8,29% и 4,87%, а RTFx — 4,78x и 12,48x. В README указан английский язык. Сильные стороны модели — потоковая обработка с сохранением контекста между чанками, низкая задержка, высокая скорость на Apple Silicon и встроенное определение завершения высказывания. Ограничения включают привязку к CoreML и Apple Silicon, а также различие между задержкой и точностью в зависимости от размера чанка; приведённые метрики относятся только к LibriSpeech test-clean. Модель распространяется по NVIDIA Open Model License; подробные условия доступны по ссылке NVIDIA.

pit_b_distilled_224.in1k — модель классификации изображений на основе PiT (Pooling based Vision Transformer), опубликованная авторами библиотеки timm. Она обучена на ImageNet-1k с дистилляцией на основе токенов и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 74,8 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Модель предназначена для задач компьютерного зрения общего назначения, где требуется распознавать объекты на изображениях или использовать визуальные признаки в последующих системах. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

ptt5-v2-base — текстовая модель семейства T5, разработанная группой Unicamp-DL как продолжение предобучения исходной модели Google для португальского языка. Чекпойнт содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате PyTorch; нативный контекст — 512 токенов. Модель предназначена для преобразования текста в текст на португальском языке и служит базой для задач NLP. Чекпойнты ptt5-v2 также использовались для обучения португальских MonoT5-реранкеров. Модель распространяется по лицензии Apache-2.0.

Это пакет слоёв GGUF-модели Qwen3-30B-A3B-Thinking-2507-UD-Q4_K_XL для распределённого запуска в Mesh LLM. Его подготовил Mesh LLM на основе unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF; веса исходной модели разбиты на артефакты по слоям для распределённого инференса. Пакет предназначен для локального приватного общения с моделью, запуска на нескольких машинах, если целая модель не помещается на одном узле, и работы через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Это разговорная модель семейства Qwen3 в формате GGUF, вариант UD-Q4_K_XL. Репозиторий использует библиотеку mesh-llm и распространяется по лицензии Apache-2.0. Архитектурные детали, число параметров, контекстное окно и языки в доступных сведениях о пакете не приведены; за ними README отсылает к карточке исходной модели.

voodooquant/Qwen3.5-2B-MTP-Voodoo — это GGUF-квантизированная версия базовой мультимодальной модели Qwen3.5-2B-Base, созданная Voodoo Quant. Модель предназначена для исследовательских и прикладных сценариев, связанных с обработкой текста и изображений, включая мультимодальное понимание, рассуждения, программирование и агентские задачи. Базовая модель рассчитана преимущественно на дообучение, эксперименты с in-context learning и разработку, а не на непосредственное диалоговое использование без дополнительной настройки. Модель представляет собой причинную языковую модель с vision encoder, объединяющую Gated Delta Networks, разреженную Mixture-of-Experts и Gated Attention. Она содержит около 2 млрд параметров, 24 слоя, скрытую размерность 2048 и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Архитектура обучалась с использованием multi-step training (MTP). Квантизация Voodoo Quant выбирает уровни сжатия отдельно для разных тензоров; заявлено снижение perplexity до 89% по сравнению с обычными схемами квантизации. Чекпойнты работают в неизменённом Llama.cpp и не являются дообученными версиями исходной модели. Сильными сторонами являются мультимодальность, большой контекст, относительно компактный размер и оптимизация GGUF для эффективного локального запуска. Ограничения включают необходимость учитывать особенности конкретного уровня квантизации, а также то, что README не приводит подробных количественных результатов, требований к памяти и аппаратных рекомендаций. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-4B-APIGen-MT-5k — дообученная Колином Фицсимонсом модель Qwen/Qwen3.5-4B для диалога и вызова инструментов. Автор обучил LoRA-адаптер на наборе Salesforce/APIGen-MT-5k и объединил его с базовой моделью; доступны веса GGUF F16 для llama.cpp и Ollama, а также safetensors для Transformers. Архитектура — плотная Qwen3.5 с 4 млрд параметров; исходная модель мультимодальна, но README описывает обучение и оценку прежде всего на текстовых сценариях вызова функций. Модель предназначена для диалоговых приложений, которым нужно выбирать инструменты и формировать вызовы функций, в том числе несколько параллельных вызовов. В оценке BFCL выигрыш в категории параллельных вызовов составил 9,5 процентного пункта, но общий результат вырос лишь на 0,39 пункта и не был статистически значимым. Модель показала снижение результатов при распознавании случаев, когда инструмент вызывать не следует, на комбинированных параллельных и многоходовых заданиях. Данные обучения ограничены APIGen-MT-5k, обобщение на незнакомые схемы инструментов не проверено; оценки проводились на английском языке. Лицензия — Apache-2.0. Сборка F16 объединяет результаты дообучения; опубликованы варианты GGUF и safetensors. Контекстное окно в предоставленных данных не указано.

RobinsonLabs выпустила полноточную версию Qwen3.5-REAP-212B-A17B после аблитерации — ослабления склонности к отказам с помощью ортогонализации весов. Это гибридная MoE-модель семейства Qwen3.5: 60 декодерных слоёв, 267 экспертов, около 211,8 млрд параметров и примерно 17 млрд активных параметров. Репозиторий содержит веса bf16 в формате safetensors; модель предназначена для диалоговой генерации текста и дальнейшей настройки или подготовки квантованных вариантов. Аблитерация уменьшает жёсткие отказы на взрослые и творческие запросы, при этом, по заявлению автора, защитные ограничения для запросов о самоповреждении сохранены. Карточка описывает текстовый путь модели; архитектура также предоставляет интерфейс вызова инструментов. Для запуска полноточных весов требуется около 424 ГБ места, поэтому для готового запуска автор указывает отдельный репозиторий квантованных GGUF-вариантов. Модель основана на OpenMOSE/Qwen3.5-REAP-212B-A17B, которая, в свою очередь, получена прореживанием Qwen3.5-397B-A17B. Лицензия — Apache-2.0.

Это пакет распределённого запуска модели Qwen3.8-2.4T-A95B в формате GGUF, подготовленный Mesh LLM на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Веса разделены на отдельные артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда одного хоста недостаточно. Пакет предназначен для локального приватного инференса и чат-сценариев через совместимый с OpenAI API Mesh LLM. Вариант использует квантование UD-IQ2_XXS и библиотеку mesh-llm. Карточка отмечает пакет как экспериментальный: проверка целостности артефактов выполнена, но корректность работы и разделения слоёв, а также мультимодальная сертификация ещё не завершены. Лицензия указана как other; условия лицензии следует сверять с карточкой исходной модели.

Qwen3.8-27B-Uncensored-W4A16-AutoRound — квантизированная версия модели Qwen3.8-27B-Uncensored от orcarouter, созданная с использованием Intel AutoRound. Она основана на Qwen/Qwen3.8-27B и представляет собой abliterated-производную с существенно удалённым защитным выравниванием. Модель предназначена для исследовательских задач, включая интерпретируемость, исследования безопасности ИИ, red teaming, оценку моделей и интеграцию в собственные защищённые системы. Модель поддерживает работу с текстом и изображениями, языки English и Chinese, а также контекст до 262 144 токенов. Используется архитектура Qwen3.8 с сохранённой vision tower и MTP-головой для speculative decoding. Квантизация W4A16 выполнена методом AutoRound: основные линейные слои используют 4-битные веса и 16-битные активации, а vision tower, lm_head, embed_tokens и отдельные проекции GatedDeltaNet сохранены в bf16. Для запуска рекомендуется vLLM; заявлены показатели 0,9052 на GSM8K, 0,761 на MMLU-Pro и 0,880 на MMLU. Сильными сторонами являются большой контекст, поддержка изображений, сниженные требования к памяти по сравнению с полноразмерной моделью и сохранение значительной части исходных возможностей после квантизации. Ограничения включают возможное снижение качества из-за квантизации и abliteration, а также отсутствие эффективных встроенных защитных механизмов: модель может выполнять вредоносные, незаконные или неэтичные запросы. Её не следует предоставлять конечным пользователям без собственной системы безопасности. Лицензия — Apache-2.0; ответственность за использование и последствия вывода несёт пользователь.

Qwen3-8B TMax AENV v39b, итерация 159 — чекпойнт обучения с подкреплением, созданный командой willamazon1 на основе willamazon1/qwen3-8b-tmax-sft-v3-iter353. Модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель дообучена методом group-relative policy optimization на асинхронных многоходовых взаимодействиях с агентными средами. Она предназначена для диалоговой генерации и сценариев использования инструментов агентом. Это одна из опубликованных итераций обучения, поэтому её можно сравнивать с другими чекпойнтами той же серии. Веса доступны в формате safetensors, bf16; модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-Uncensored-REAP288-MTP-MLX-4bit — неофициальная экспериментальная производная модели Qwen3.8-Flash-Next, подготовленная сообществом butterf1ying для локального запуска на компьютерах Apple Silicon с 64 ГБ unified memory. Модель предназначена для генерации текста, программирования, экспериментов с coding-agent, исследований длинного контекста и оценки нативного speculative decoding через MTP. Поддерживаются английский и китайский языки. Модель использует архитектуру qwen4_exp с разреженным MoE-трансформером: 48 языковых слоёв, hidden size 2560, гибридное linear/full attention, 288 маршрутизируемых экспертов на слой и активацию top-10 экспертов совместно с shared expert. Применены MLX affine 4-bit quantization с group size 64 и 4-битное квантование N-gram-таблицы с group size 32. Таблица размером около 29,8 ГиБ отображается с SSD через memory mapping. В составе сохранена нативная однос layer MTP head, заявлена поддержка контекста до 262 144 токенов, а общий размер пакета составляет около 71,67 ГиБ. Мультимодальные vision-веса включены, но работа vision-пути для этой сборки не подтверждена. Сильными сторонами являются возможность запуска крупной MoE-модели на совместимой системе Apple Silicon, уменьшенный за счёт REAP-288 объём экспертов, поддержка локального OpenAI-compatible API и нативного MTP. К ограничениям относятся экспериментальный статус, отсутствие формальной оценки качества и степени снижения отказов, зависимость от mlx-serve и SSD, а также непроверенная мультимодальная функциональность. Сборка тестировалась на Apple M1 Max с 64 ГБ памяти и mlx-serve 26.8.11; приведённые результаты подтверждают загрузку и работу MTP, но не являются общим бенчмарком производительности. Указана лицензия qwen-community-license-1.0.

Qwen3-Coder-30B-A3B-DFlash — вспомогательная модель DFlash от z-lab для ускорения генерации кода. Это лёгкая черновая модель на основе блочной диффузии: она параллельно предлагает блоки токенов, которые затем проверяет целевая модель Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для работы в связке с этой целевой моделью и не является самостоятельной заменой ей. В карточке указано обучение на 289 тысячах примеров кода и следов выполнения Cline. В тестах SGLang на одном GPU B200 авторы сообщают об ускорении относительно обычной авторегрессионной генерации на HumanEval, MBPP и LiveCodeBench. Эти показатели относятся к описанной конфигурации и аппаратуре; фактическое ускорение зависит от целевой модели, оборудования и настроек спекулятивного декодирования. Метаданные указывают 688,7 млн параметров и контекст 262 144 токена; архитектура обозначена как DFlashDraftModel семейства Qwen3. Лицензия — MIT.

Qwen3-Embedding-0.6B-GraphQL — компактная модель эмбеддингов, дообученная xthor на базе Qwen/Qwen3-Embedding-0.6B с использованием набора данных xthor/Qwen3-Embedding-GraphQL-v1. Она предназначена для локального извлечения GraphQL-координат Type.field по вопросам на естественном языке, особенно в AI-агентах, которым нужно находить релевантные части большой схемы без передачи всей схемы в контекст. Указанный язык — английский. Модель основана на архитектуре SentenceTransformers, содержит около 0,6 млрд параметров и формирует векторы размерности 1024. Для запросов и документов корпуса предусмотрены отдельные промпты: query следует использовать для естественно-языковых вопросов, а document — для описаний GraphQL-координат. Поддерживаются веса SentenceTransformers и сборки GGUF для llama.cpp и Ollama; доступны варианты F16, Q8_0 и Q4_K_M с различным соотношением качества и размера. Ключевое преимущество — специализация на различении одинаковых имён полей у разных GraphQL-типов. На приведённом бенчмарке модель достигает recall@20 50,6% и recall@50 63,6%, превосходя базовую модель и указанные OpenAI-эмбеддинги по извлечению полевых координат. Качество существенно зависит от формата корпуса: рекомендуются SDL-фрагменты или форматирование dot_plus_gloss. Ограничения включают сравнительно невысокий размер контекста и специализацию на GraphQL retrieval; показатели зависят от структуры схемы и представления документов. Модель распространяется по лицензии Apache-2.0.

Это извлечённый из Qwen3-VL-4B-Instruct визуальный энкодер Qwen3 ViT, преобразованный для библиотеки timm. Модель содержит vision backbone, пространственный merger и проекцию признаков в размерность 2560; языковые веса и обученная классификационная голова отсутствуют. В карточке указаны 332,7 млн параметров и базовый размер изображения 768 × 768. Энкодер предназначен для получения признаков и пространственных токенов из изображений, а также промежуточных карт признаков. Он принимает RGB-изображения с размерами, кратными 16; для варианта с merger 2 × 2 размеры должны быть кратны 32. Поддерживаются прямоугольные изображения, позиционные эмбеддинги интерполируются для размера входной сетки. Реализация работает только с изображениями и не включает обработку языка или видео. Это перенос весов в формат timm без дополнительного обучения. Лицензия — Apache 2.0. Энкодер сам по себе не выполняет классификацию: для неё нужна классификационная голова.

Это модель извлечения признаков изображений, содержащая визуальный энкодер Qwen3-VL-8B-Instruct, перенесённый в формат timm. Веса энкодера включают пространственный merger и проекцию к размерности исходной языковой модели; обучающие веса языковой модели и голова классификации в репозиторий не входят. Дополнительного обучения при переносе не проводилось. Модель преобразует RGB-изображения в пространственные признаки и токены, пригодные для дальнейшей обработки. Поддерживаются прямоугольные изображения; размеры каждой стороны должны делиться на 16, а для вариантов с merger 2×2 — на 32. Указанный в карточке типичный размер изображения — 768×768. Модель содержит около 455 млн параметров; доступны промежуточные карты признаков. Энкодер подходит для извлечения визуальных признаков в мультимодальных системах и исследовательских конвейерах компьютерного зрения, но сам по себе не генерирует текст и не выполняет классификацию без добавленной головы. Для нормализации RGB используются среднее и стандартное отклонение 0,5 по каждому каналу. Лицензия — Apache 2.0.

Это визуальный энкодер Qwen3 ViT для извлечения признаков изображений, опубликованный в репозитории timm/qwen3_vit_416m.qwen3_8_flash_next. Модель содержит 415 млн параметров и представляет собой преобразование весов зрительной части Qwen3.8-Flash-Next в формат timm; дополнительного обучения при конвертации не было. В репозитории нет весов языковой модели и обученной головы классификации. Энкодер преобразует RGB-изображения в пространственные признаки и векторные представления. Использует MLP с GELU-tanh, обучаемые абсолютные позиции и осевой 2D RoPE; поддерживает изображения разных пропорций. Базовый размер изображения — 768 × 768. Размеры сторон должны делиться на 16, а для вариантов с объединением 2×2 — на 32. Для классификации необходимо обучить новую линейную голову на целевом наборе данных. Модель подходит для извлечения признаков и подготовки визуальных представлений для последующих задач компьютерного зрения. Опубликована под лицензией Qwen Community License 1.0.

Это пакет слоёв GGUF для запуска Qwen3-VL-235B-A22B-Instruct-UD-Q4_K_XL через Mesh LLM. Его подготовил проект Mesh LLM на основе unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF: веса распределены по отдельным артефактам для распределённого инференса на локальном кластере. Модель относится к семейству Qwen3 и предназначена для диалогового взаимодействия и генерации текста; пакет поддерживает запуск на нескольких машинах и локальный OpenAI-совместимый интерфейс чата. Квантованный вариант UD-Q4_K_XL поставляется в формате GGUF и рассчитан на сценарии, когда полную модель неудобно размещать на одном хосте. Карточка этого пакета не приводит параметры мультимодального ввода, размер контекста, языки или условия лицензии; за этими сведениями README направляет к карточке исходной модели.

Qwen-SEA-Guard-8B-2602 — модель для классификации безопасности, разработанная AI Products Pillar организации AI Singapore и дообученная на SEA-Guard для контекстов Юго-Восточной Азии. Это плотная мультимодальная модель семейства Qwen3-VL с декодерной архитектурой; она принимает текст и изображения и возвращает текстовую метку «safe» или «unsafe». Контекстное окно — 128 тыс. токенов. Модель предназначена для проверки безопасности текстового и визуально-текстового контента, в том числе с учётом культурных контекстов региона. Поддерживаемые языки: бирманский, английский, индонезийский, малайский, тагальский, тамильский, тайский и вьетнамский. В карточке указана лицензия Apache-2.0. Модель может выдавать галлюцинации, нерелевантные или необоснованные результаты, поэтому её метки следует проверять, а решения о безопасности не следует считать окончательными без дополнительной оценки. Для повышения скорости вывода поддерживается vLLM; карточка также указывает на возможность дальнейшего дообучения.

ReDimNet2 B1 — преобразованная для MLX версия официального чекпойнта b1-vox2-lm.pt, подготовленная для проверки и сравнения голосов. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и формирует вектор эмбеддинга диктора размерностью 192; карточка описывает её как версию с дообучением large-margin, рекомендованную авторами исходного чекпойнта. Модель предназначена для получения признаков голоса, которые можно использовать в системах верификации диктора и сравнения речевых записей. По данным карточки, эмбеддинги MLX совпадают с результатами PyTorch с относительной ошибкой до 3,4 × 10⁻⁶ в худшем случае на CPU при float32. Репозиторий содержит веса safetensors; лицензия — MIT. В карточке не указаны ограничения по языкам или известные ограничения качества.

causal/redimnet2-b2-vox2-ptn-mlx — преобразованная для MLX версия официального чекпойнта ReDimNet2 B2, обученного на VoxCeleb2-dev до этапа дообучения с large-margin. Модель принимает монофонический звук с частотой 16 кГц и выдаёт 192-мерные векторы голоса, предназначенные для задач распознавания и проверки личности говорящего. Репозиторий содержит веса в формате safetensors; библиотека MLX позволяет запускать их в совместимой с MLX среде. По заявлению карточки, эмбеддинги совпадают с PyTorch-референсом с относительной ошибкой до 3,6×10⁻⁶ в проверке на CPU с float32. Модель распространяется по лицензии MIT.

RegNetX-600MF — свёрточная модель классификации изображений из семейства RegNetX, представленная в библиотеке timm. Веса предварительно обучены авторами статьи на ImageNet-1k; модель содержит около 6,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения признаков, карт признаков и эмбеддингов изображений. В реализации timm предусмотрены стохастическая глубина, градиентный чекпойнтинг и настраиваемые параметры архитектуры. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель принимает изображения и выдаёт предсказания классов. Обучение на ImageNet-1k ориентирует её на классы этого набора данных; специализация на других предметных областях не заявлена. Лицензия — MIT.

RegNetY-3.2GF — свёрточная модель классификации изображений из семейства RegNetY, представленная авторами библиотеки timm. Веса предварительно обучены участниками torchvision на ImageNet-1k; модель также подходит как основа для извлечения признаков и карт признаков. Модель содержит 19,4 млн параметров и рассчитана на изображения размером 224 × 224. Вычислительная сложность составляет 3,2 GMACs. Реализация timm включает стохастическую глубину, контроль выходного шага и настраиваемые слои активации и нормализации. Лицензия репозитория — BSD-3-Clause. Модель предназначена для распознавания объектов и категорий на изображениях, а также получения визуальных признаков для последующих задач. README приводит сравнительные результаты на ImageNet, но не сообщает конкретную оценку этой версии; качество на других наборах данных может отличаться.

RegNetZ-4GF — модель классификации изображений и извлечения признаков, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Веса доступны в форматах PyTorch и Safetensors под лицензией Apache-2.0. Модель содержит 27,1 млн параметров и выполняет около 4,1 GMACs. Для обучения указано разрешение 256×256 пикселей, для тестирования — 320×320. Она подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Реализация timm включает стохастическую глубину, градиентный чекпойнтинг и настройку выходного шага сети. Модель ориентирована на изображения и не заявлена как специализированная для отдельных прикладных областей или языков. Качество за пределами ImageNet-1k и характеристики на иных разрешениях в карточке не приведены.

regnetz_c16.ra3_in1k — модель классификации изображений семейства RegNetZ, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура реализована через BYOBNet и использует блоки с расширением inverted bottleneck и линейными выходами блоков. Модель содержит около 13,5 млн параметров и требует примерно 2,5 GMACs; изображения при обучении имели размер 256×256, при тестировании — 320×320. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

repvgg_b2g4.rvgg_in1k — свёрточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm на основе гибкой архитектуры BYOBNet. Её обучили авторы статьи RepVGG на ImageNet-1k. Модель содержит 61,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Она подходит для распознавания объектов на изображениях и построения признаков для последующих задач компьютерного зрения. Репозиторий распространяется по лицензии MIT.

res2net101d.in1k — модель классификации изображений и извлечения визуальных признаков на архитектуре Res2Net, разработанной авторами статьи Res2Net: A New Multi-scale Backbone Architecture и обученной на ImageNet-1k. Модель содержит 45,2 млн параметров; для классификации использует изображения размером 224 × 224. Её многомасштабная архитектура подходит также для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для классификации изображений по категориям ImageNet-1k и может служить визуальным backbone для компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; для работы предусмотрена библиотека timm. Лицензия в метаданных Hugging Face обозначена как неизвестная.