II.10Разработка и эксплуатация AI/ML-систем

Genstruct 7B — модель NousResearch для генерации инструкций на основе предоставленного исходного текста. Она дообучена на Mistral-7B-v0.1 и предназначена для создания частично синтетических наборов данных для последующего обучения моделей, в том числе вопросов, привязанных к контексту и требующих рассуждений в сложных сценариях. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов; работает с текстом и рассчитана на английский язык. Модель подходит для подготовки инструкций и вопросов по корпусам документов, чтобы формировать обучающие примеры с опорой на исходные фрагменты. Карточка приводит примеры для разных тем, включая право и здоровье, но не заявляет специализацию на этих областях. Модель распространяется по лицензии Apache-2.0. Ее назначение — генерация обучающих данных, поэтому качество и фактическую корректность созданных инструкций следует проверять перед использованием.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет GGUF-слоёв для распределённого запуска GLM-5.3-Flash в кластере Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-Flash-GGUF: исходное распределение модели разделено на артефакты по слоям. В метаданных указаны библиотека mesh-llm и возможность чатового взаимодействия. Модель предназначена для локального приватного инференса, распределения вычислений между несколькими машинами, когда полный GGUF слишком велик для одного узла, и предоставления локального API, совместимого с OpenAI Chat Completions. Указан вариант UD-Q4_K_XL; репозиторий содержит GGUF-пакет слоёв. Языки и размер контекста в предоставленных данных не описаны. Лицензия — MIT. Для запуска требуется Mesh LLM; характеристики и рекомендации по использованию исходной модели следует сверять с карточкой unsloth/GLM-5.3-Flash-GGUF.

RedHatAI/gpt-oss-20b-speculator.eagle3 — вспомогательная модель Red Hat для ускорения генерации текста методом speculative decoding EAGLE-3. Она предназначена для совместного использования с openai/gpt-oss-20b: основная модель проверяет предложенные токены, а speculator формирует кандидаты. Для запуска README рекомендует шаблон чата gpt-oss-20b и сервер vLLM с методом eagle3; модель не предназначена для самостоятельного диалога. Модель построена на архитектуре Eagle3Speculator и реализована классом Eagle3DraftModel. Она обучена на скрытых состояниях, полученных дистилляцией от openai/gpt-oss-120b, с использованием набора inference-optimization/gpt-oss-120b. В README приведены измерения длины принятых последовательностей для задач программирования, математических рассуждений и вопросов-ответов; это результаты конкретных кратких экспериментов на одной A100, а не гарантия ускорения во всех сценариях. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Для работы требуется совместимая основная модель и поддержка EAGLE-3 в среде инференса.

Hammer-4b — чат-модель на базе Qwen1.5-4B-Chat, дообученная командой MadeAgents для вызова функций языковыми агентами. Модель использует плотную архитектуру Qwen2 с 3,6 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель обучали с применением function masking на 60 тысячах примеров для вызова функций из набора xLAM. Она предназначена для выбора и вызова инструментов в агентных приложениях, в том числе на устройствах с ограниченными ресурсами. README сообщает о сравнении серии Hammer с другими моделями на бенчмарках вызова функций, но конкретные результаты Hammer-4b в предоставленных данных не приведены. Модель принимает текст и генерирует текст, включая структуру вызова функции. Данные указывают на многоязычную основу Qwen1.5, но конкретный список поддерживаемых языков не приведён. Лицензия указана как other, поэтому условия использования следует проверить в карточке модели.

HGNet Small SSLD IN1K — сверточная модель классификации изображений семейства High Performance GPU Net, опубликованная авторами модели в репозитории timm. Она обучена на ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Модель содержит 24,4 млн параметров и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов. Для обучения указано разрешение изображений 224×224, для тестирования — 288×288. В репозитории доступны веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Модель подходит для прикладных систем, которым нужно относить изображения к классам ImageNet или получать визуальные признаки для последующих этапов обработки. Лицензия — Apache-2.0.

Модель награды для оценки ответов ассистента по полезности, разработанная на базе openlm-research/open_llama_3b с использованием LMFlow. Это плотная Llama-модель с 3,3 млрд параметров для классификации последовательностей; она присваивает оценку тексту диалога и предназначена для сравнения вариантов ответа и отбора предпочтительных ответов в сценариях RLHF и RAFT. Модель обучена на полезной части набора HH-RLHF: использовались пары выбранных и отклонённых ответов, а перед обучением выполнялась настройка на выбранных ответах. В README сообщается о точности оценки 75,48% на тестовой части HH-RLHF и о проверках обобщения на наборах Open Assistant и chatbot. Контекст модели — 2048 токенов. Автор рекомендует вместо неё использовать weqweasdas/RM-Gemma-2B. Модель принимает текст и выдаёт классификационную оценку, а не готовый ответ пользователю. Основные ограничения — обучение на полезной части HH-RLHF, возможная утечка данных в этом наборе и предупреждение автора о переобучении при обучении дольше одного прохода. Лицензия в предоставленных данных не указана.

Hiera Base Plus 224 — модель компьютерного зрения семейства Hiera, представленная в экосистеме timm. Она предварительно обучена на ImageNet-1k методом самообучения Masked Autoencoder (MAE), затем дообучена на ImageNet-1k для классификации изображений. Модель содержит 69,9 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя; также её можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предназначена для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. В карточке указана точность Top-1 85,134% и Top-5 97,158% на ImageNet-1k. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения правообладателя.

HPSv2-hf — версия модели HPSv2 в формате Hugging Face CLIPModel, подготовленная adams-story путём конвертации весов из формата OpenCLIP. Модель обучена предсказывать человеческие предпочтения между изображениями, созданными ИИ, сопоставляя изображения и текстовые описания через CLIP-эмбеддинги. Модель подходит для оценки соответствия сгенерированного изображения текстовому запросу и ранжирования изображений по предполагаемым человеческим предпочтениям. README сообщает, что текстовые и визуальные эмбеддинги совпадают с исходной моделью после конвертации; для обработки используется стандартный CLIPProcessor с процессором openai/clip-vit-base-patch32. Репозиторий содержит веса PyTorch. Это конверсия исходной модели, а не новое дообучение; автор карточки отдаёт заслугу создателям HPSv2. Условия лицензирования в предоставленных данных не описаны.

HRNet-W18 Small V2 — сверточная модель для классификации изображений и извлечения визуальных признаков, представленная авторами Apache MXNet GluonCV и доступная в библиотеке timm. Модель обучена на ImageNet-1k; содержит около 15,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для прикладных компьютерно-зрительных систем. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это модель компьютерного зрения: она принимает изображения и выдаёт предсказания классов или визуальные признаки. В карточке не приведены сведения о поведении на данных вне ImageNet-1k, поэтому точность для других доменов не следует считать установленной.

Jash Vora разработал эту модель как нейронный компонент гибридного конвейера модерации hybrid-guardrails и как отдельную базовую модель для экспериментов. Это дообученная DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification: 12 слоёв, размер скрытого состояния 768, около 211,6 млн параметров и контекст до 512 токенов. Модель относит текст к одному из двух классов: safe или unsafe. Модель предназначена для оценки текстовых запросов и проверки подходов к модерации вредоносных инструкций и токсичных высказываний, в том числе в гибридных системах с символьными правилами. В экспериментах на наборах проекта указаны precision 0,890, recall 0,952 и F1 0,919; эти результаты не подтверждают пригодность для произвольной производственной модерации. Для обучения использовались AdvBench, ToxiGen и Alpaca-Cleaned. Веса распространяются по лицензии MIT, однако условия использования и распространения обучающих данных различаются, включая ограничения некоммерческого использования для Alpaca-Cleaned.

ImageShield-MMCF-2B-vl — мультимодальная модель-классификатор безопасности визуального контента от prithivMLmods, дообученная на базе Qwen/Qwen3-VL-2B-Instruct на датасете ImageShield-Guardrail-Multimodal-20K. Она принимает изображения и предназначена для классификации содержимого как безопасного или небезопасного, в частности для обнаружения чувственного контента NSFW и других потенциально чувствительных сцен. Модель может применяться в системах модерации, родительского контроля и исследовательских проектах по мультимодальной безопасности. Модель построена на архитектуре Qwen3-VL и формирует структурированный JSON с подписью изображения, классификацией и объяснением. Она использует консервативный порог, поэтому может помечать безобидные изображения как небезопасные. Возможны также пропуски чувствительного контента и нестабильные результаты, зависящие от качества изображения, контекста и инструкции; классификация не является окончательным юридическим или экспертным заключением. Лицензия — Apache-2.0.

Instruction Synthesizer — языковая модель, представленная авторами исследования Instruction Pre-Training: Language Models are Supervised Multitask Learners. Это контекстный синтезатор инструкций: по фрагменту исходного текста он генерирует пары «инструкция — ответ», чтобы расширять корпуса для предварительного обучения и дообучения. Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории веса в формате safetensors. Модель предназначена для создания обучающих примеров по разным типам задач и преобразования больших текстовых корпусов в наборы с инструкциями. В работе авторы сообщают о синтезе сотен миллионов пар более чем для 40 категорий задач. Карточка описывает текстовый сценарий; мультимодальная версия упоминается отдельно. Модель поддерживает английский язык. Лицензия — Apache-2.0.

novita/kimi-k2.7-code-eagle3-mla — компактная черновая модель EAGLE-3 с Multi-Latent Attention (MLA), разработанная для ускорения инференса Kimi-K2.7-Code методом speculative decoding в vLLM. Она предлагает несколько возможных токенов за шаг, а основная модель проверяет их параллельно; при этом распределение выходных токенов сохраняется таким же, как при обычной авторегрессионной генерации. Чекпойнт содержит около 1,8 млрд параметров и рассчитан на контекст до 262 144 токенов. Архитектура включает один черновой слой декодера MLA и слой слияния вспомогательных скрытых состояний. Модель разделяет с основной моделью эмбеддинги, нормализацию и выходную голову, поэтому для инференса ей требуется Kimi-K2.7-Code; входные эмбеддинги загружаются из неё отдельно. MLA снижает нагрузку на KV-кэш, а модель предназначена для ускорения генерации в задачах диалога, программирования и математики. В README приведены результаты бенчмарков по средней длине принятой последовательности токенов. Для запуска требуются GPU NVIDIA с CUDA 12.0 или новее и vLLM версии 0.20.0 или новее. README сообщает, что поддержка этой MLA-версии черновой модели в SGLang пока отсутствует. Лицензия — MIT.

LEMorals-Guard — созданная автором карточки LoRA-настройка Qwen3.6-35B-A3B для мультимодальной модерации контента. Она проверяет текст и изображения на вредное содержание для фильтрации обучающих корпусов и онлайн-модерации, а также для исследований защитных механизмов и согласования ценностей. Работа модели опирается на редактируемый справочник ценностей, включаемый в системный запрос, поэтому правила модерации можно менять без изменения кода. Модель диалоговая, с архитектурой Qwen3.5 MoE, и формирует структурированный вердикт: безопасен ли контент, к какой категории вреда он относится, насколько серьёзно нарушение и почему. Поддерживаются китайский и английский языки. В README приведены результаты оценки, включая F1 0,854 на отложенной выборке и повышенный охват опасного контента; при этом автор отмечает компромисс с ложными срабатываниями и склонностью к чрезмерному отказу. Для работы требуется системный запрос, сформированный из справочника ценностей, и совместимая версия Transformers. Лицензия репозитория указана как other; README предупреждает, что ограничения лицензий обучающих данных BeaverTails и ToxicChat могут ограничивать коммерческое использование.

LFM2.5-8B-A1B-DSpark — черновая модель speculative decoding от Liquid AI для ускорения генерации целевой модели LiquidAI/LFM2.5-8B-A1B. В SGLang она предлагает блоки токенов, которые целевая модель проверяет; согласно карточке, этот способ сохраняет результат генерации таким, каким он был бы без черновой модели. Указано ускорение декодирования примерно в 2,6 раза в SGLang и поддержка запуска на устройствах Apple с Metal. Модель использует архитектуру DSpark с пятью слоями полного внимания, Markov head ранга 256 и confidence head. В README указано 327,7 млн параметров в BF16, размер блока 9 и словарь из 128 000 токенов; в метаданных каталога указано 503,3 млн параметров. Контекст целевой модели составляет до 128 000 токенов. Для работы модель подключается к целевой LFM2.5-8B-A1B через сборку SGLang с поддержкой DSpark. Она предназначена для ускорения инференса совместимой целевой модели, а не для самостоятельной генерации. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

Ling3-DSpark — модель-черновик для спекулятивного декодирования целевой Ling-3.0-flash, опубликованная inclusionAI. Она предлагает токены-кандидаты, которые целевая модель проверяет при генерации текста, чтобы ускорить инференс без замены целевой модели. Модель обучена с помощью SpecForge и предназначена для запуска через SGLang или сборку llama.cpp с поддержкой DSpark. Архитектура — плотная модель семейства Qwen3 с классом LingDSparkModel; в метаданных указан размер 769,4 млн параметров, а в README отдельно указаны 1,36 млрд параметров черновой части. Модель содержит пять слоёв полного внимания, использует MHA с 32 головами запросов и 32 головами ключей и значений, вспомогательные признаки целевой модели и голову уверенности, которая динамически выбирает число черновых токенов. Размер блока — 8 токенов, максимальная длина позиций — 262 144. В тестах README средняя длина принятых токенов по девяти нагрузкам составила 5,29; для GSM8K, MATH-500 и AIME 2025 приведены отдельные значения. Это специализированный компонент ускорения текстовой генерации, которому нужна совместимая целевая модель Ling-3.0-flash и среда выполнения с поддержкой DSpark; он не предназначен для самостоятельного диалога или генерации без целевой модели. Репозиторий содержит веса Safetensors, а лицензия в метаданных обозначена как other без уточнения условий.

LlavaGuard v1.1-7B — мультимодальная модель семейства LLaVA, разработанная исследователями TU Darmstadt для оценки безопасности изображений и отбора визуальных данных. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ с оценкой и обоснованием; версия 1.1 улучшает рассуждения в пояснениях по сравнению с предыдущей версией. Модель предназначена для проверки изображений на соответствие заданной таксономии безопасности и помощи при курировании наборов данных. Веса преобразованы для библиотеки Transformers и опубликованы в формате Safetensors. Для дообучения или запуска через SGLang авторы рекомендуют обратиться к базовой модели. Лицензия и точный размер контекста в предоставленных данных не описаны.

LlavaGuard-v1.2-7B-OV — мультимодальная модель семейства LLaVA, разработанная исследовательской группой AIML-TUDA. Она дообучена на LlavaGuard-DS на базе lmms-lab/llava-onevision-qwen2-7b-ov и предназначена для оценки безопасности запросов и содержимого изображений в диалоговом формате с текстовыми ответами и обоснованиями. Модель содержит 7,1 млрд параметров, использует плотную архитектуру LlavaQwenForCausalLM и имеет контекстное окно 32 768 токенов. Она принимает текст и изображения; базовая модель также поддерживает работу с несколькими изображениями и видео, но README конкретно описывает LlavaGuard как оценщик безопасности. В карточке заявлено улучшение рассуждений в обоснованиях. Для запуска подходят SGLang и реализация LLaVA; README сообщает о несовместимости этой версии с реализацией Transformers. Модель допускает LoRA и полное дообучение. Условия лицензии в предоставленных данных не указаны.

Human-CentricAI/LLM-Refusal-Classifier — дообученная модель RoBERTa-large для классификации ответов языковых моделей по наличию отказа или оговорки и их причине. Она относит ответ к одному из пяти классов: обычный ответ, отказ по этическим причинам, оговорка об этических причинах при попытке ответить, отказ из-за ограничений возможностей или оговорка об ограничениях при попытке ответить. Модель обучена на 2 450 ответах из Chatbot Arena и предназначена для анализа поведения LLM, оценки отказов и разметки ответов в исследованиях и системах мониторинга. Архитектура — RoBERTa для классификации последовательностей; размер — 454,1 млн параметров, контекст — 514 токенов. Карточка не сообщает языки обучающих данных, поэтому языковую поддержку нельзя надёжно определить. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Обучение на небольшом наборе ответов Chatbot Arena может ограничивать переносимость классификации на другие модели, языки и типы запросов.

NVIDIA MiniMax-M2.7 DFlash — черновая модель DFlash для ускорения авторегрессионной генерации целевой моделью MiniMaxAI/MiniMax-M2.7. Это плотная трансформерная архитектура семейства Qwen3; модуль содержит около 1,31 млрд параметров по README, а в метаданных репозитория указано 1,8 млрд. Он предназначен для speculative decoding: предлагает несколько следующих токенов, которые проверяет целевая модель. Поддерживается запуск через vLLM в режиме DFlash. Модель принимает и выдаёт текст. Контекстное окно — до 196 608 токенов; при этом обучение велось на длине 4 096 токенов, а расширение выполнено через YaRN rope scaling. Обучающие данные включали многоязычные синтетические примеры по математике, коду, STEM и диалогам. Модель рассчитана на разработчиков чат-ботов, AI-агентов и RAG-систем, но сама по себе является черновым модулем ускорения, а не полной целевой языковой моделью. README прямо указывает, что модель предназначена для демонстраций, а не для промышленного применения; перед интеграцией необходимы проверки на данных конкретного сценария. Для работы описана связка vLLM и NVIDIA GPU, включая архитектуры Hopper и Blackwell. Использование регулируется лицензией NVIDIA Software and Model Evaluation; в метаданных лицензия обозначена как other.

MiniMax-M3-EAGLE3.1 — черновая модель EAGLE3.1 для ускорения генерации текста целевой моделью amd/MiniMax-M3-MXFP4 с помощью спекулятивного декодирования. Её разработала команда AMD Quark; модель обучена с нуля на ускорителях AMD Instinct MI350X. Это плотная архитектура на базе LlamaForCausalLMEagle3 с одним декодерным слоем, полным словарём и весами BF16. Размер — 1,7 млрд параметров; заявленный контекст — до 1 048 576 токенов. Модель принимает текст и выдаёт текст, используя токенизатор целевой модели, файлы токенизатора отдельно не поставляются. Модель предназначена для совместного запуска с MiniMax-M3-MXFP4 в vLLM на ROCm; README указывает поддержку AMD Instinct MI350X и MI355X. По приведённым тестам SPEED-Bench она повышает пропускную способность генерации и сокращает сквозную задержку, но увеличивает задержку до первого токена. Спекулятивное декодирование сохраняет распределение выходов целевой модели, поскольку каждый черновой токен проверяется ею. Лицензия — MIT.

Это текстовая версия базовой модели Ministral 3, подготовленная aimeri из mistralai/Ministral-3-14B-Base-2512. При экспорте удалены башня зрения Pixtral и мультимодальный проектор, а веса языковой модели сохранены без изменений: модель не дообучалась, не объединялась с другими и не квантизировалась. Архитектура — плотная авторегрессионная Ministral3ForCausalLM с 13,4 млрд параметров, 40 слоями и контекстом до 262 144 токенов. Модель предназначена для генерации текста и использования в качестве базовой точки для дальнейшей настройки. В карточке перечислена поддержка английского, французского, испанского, немецкого, итальянского, португальского, нидерландского, китайского, японского, корейского и арабского языков. Она распространяется в формате safetensors по лицензии Apache-2.0. Это базовая, а не чат-модель: готового шаблона диалога нет. По README, большинство управляющих токенов не обучены и не должны использоваться без дополнительной настройки или замены соответствующих весов. При загрузке через AutoTokenizer также есть ограничения на работу с пользовательскими Jinja-шаблонами; для таких сценариев README рекомендует PreTrainedTokenizerFast.

timm/mixnet_m.ft_in1k — модель классификации изображений из семейства MixNet, опубликованная авторами библиотеки timm. Она дообучена на ImageNet-1k на основе исходных весов TensorFlow с padding типа SAME и адаптирована для PyTorch. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В модели около 5 млн параметров; для входного изображения указан размер 224 × 224, вычислительная сложность — 0,4 GMAC. Она предназначена для классификации изображений по категориям ImageNet-1k и может служить компактным визуальным backbone. Весы доступны в форматах PyTorch и SafeTensors; лицензия — Apache-2.0.

alexandrainst/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-da — модель token classification из семейства ModernBERT, опубликованная организацией Alexandrainst. По названию модели она предназначена для анализа синтетических галлюцинаций в системах вопросно-ответного поиска по Википедии, вероятно для датского языка. В метаданных указаны библиотека Transformers, 140,5 млн параметров и нативное контекстное окно до 8192 токенов. Модель может использоваться как компонент контроля качества ответов и выявления признаков галлюцинаций в пайплайнах question answering или retrieval-augmented generation. README не содержит сведений о точной схеме разметки, формате входов и выходов, обучающих и тестовых данных, показателях качества, разработчиках и лицензии, поэтому практическую применимость необходимо проверять на собственных данных.

Это датская версия модели EuroEval для токенной классификации, опубликованная на Hugging Face и продублированная из репозитория alexandrainst. Она предназначена для разметки фрагментов текста, связанных с галлюцинациями в ответах на вопросы по материалам Википедии в сценарии RAG; название указывает на синтетические галлюцинации и данные RAGTruth. Модель построена на архитектуре ModernBERT, содержит 140,5 млн параметров, принимает текст и выдаёт метки токенов. Максимальный контекст — 8192 токена. Карточка модели автоматически сгенерирована и не описывает разработчика, лицензию, обучение или оценочные результаты; использовать её можно как модель токенной классификации, но качество для конкретного применения следует проверять отдельно.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-sv — модель на базе архитектуры ModernBERT для задачи token classification. По названию модели она связана с выявлением синтетических галлюцинаций в сценариях вопросов и ответов с использованием RAGTruth и предназначена для разметки отдельных токенов в тексте. Модель реализована в библиотеке Transformers и содержит около 140,5 млн параметров. Модель рассчитана на обработку последовательностей длиной до 8192 токенов и может использоваться как компонент систем контроля качества ответов, анализа галлюцинаций и оценки результатов retrieval-augmented generation. Сведения о разработчике, поддерживаемых естественных языках, лицензии, методике обучения и результатах оценки в доступных материалах не приведены. Практическая точность, устойчивость к различным доменам и применимость за пределами данных, связанных с RAGTruth, требуют отдельной проверки. README не содержит инструкций по использованию, описания ограничений или опубликованных метрик.

mobilenetv2_110d.ra_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она основана на архитектуре MobileNetV2 и предназначена для присвоения изображению метки класса; её также можно использовать как сверточную основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 4,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMACs на обработку изображения. При обучении использовались аугментации RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для классификации изображений и извлечения визуальных признаков в приложениях компьютерного зрения. Карточка указывает лицензию Apache-2.0. Описанные результаты обучения относятся к ImageNet-1k; качество на иных наборах данных может отличаться.

mobilenetv3_small_100.lamb_in1k — компактная сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом на основе оптимизатора LAMB и усреднения весов EMA. Модель содержит около 2,5 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную сложность около 0,1 GMAC. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Небольшой размер делает её подходящей для задач компьютерного зрения с ограниченными вычислительными ресурсами. Это модель семейства MobileNetV3, распространяемая в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому её классы и качество вне этого набора могут не соответствовать конкретной прикладной задаче; для другой предметной области может потребоваться адаптация.

MobileNetV4 Conv Large — сверточная модель классификации изображений, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k и предназначена для присвоения изображениям меток из набора классов ImageNet, а также может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Модель содержит около 32,6 млн параметров и требует примерно 2,9 GMACs на изображение. Размер входа при обучении составлял 256 × 256 пикселей, при тестировании — 320 × 320. Веса обучены скриптами timm с гиперпараметрами, вдохновлёнными статьёй MobileNetV4 и дополнениями timm. В карточке указано, что официальные веса TensorFlow-моделей на тот момент не были опубликованы; доступны веса этой реализации. Репозиторий содержит форматы PyTorch и safetensors. Модель подходит для классификации изображений и извлечения визуальных признаков в приложениях компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество за пределами этого набора данных могут не соответствовать конкретной предметной области без дополнительной адаптации. Лицензия — Apache-2.0.

MobileNetV4 Hybrid Medium — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Росс Уайтман; модель обучена на ImageNet-12k и распространяется в библиотеке timm. Вариант Hybrid сочетает компоненты мобильной архитектуры MobileNetV4. Модель подходит для присвоения изображениям категорий, получения карт признаков и векторных представлений, а также как компактная основа для прикладных систем компьютерного зрения. В ней 24,9 млн параметров и вычислительная сложность 1,3 GMAC; размер изображения при обучении — 256×256, при проверке — 320×320 пикселей. Для использования доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Качество на конкретных наборах данных и применимость к изображениям вне распределения ImageNet-12k могут отличаться; в карточке нет численных результатов для этого варианта модели.