II.10Разработка и эксплуатация AI/ML-систем

MobileNetV4 Hybrid Medium — модель классификации изображений семейства MobileNetV4, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для присвоения изображениям меток классов и может использоваться как базовая сеть для извлечения признаков, карт признаков и эмбеддингов изображений. Модель имеет 11,1 млн параметров и требует около 1,3 GMAC на проход. Обучение проводилось на изображениях 256 × 256 пикселей; для оценки в карточке указано разрешение 320 × 320. Веса подготовлены для PyTorch и опубликованы в формате safetensors. Лицензия — Apache-2.0.

NeuralTxt Reward Model — компактная модель оценки ответов, разработанная paperbd и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она сравнивает ответ с эталонным ответом и выдаёт оценку соответствия по шкале 0–1; модель предназначена для быстрого получения сигналов вознаграждения при обучении языковых моделей, а также для оценки эквивалентности и корректности ответов в системах вопросов и ответов. Для сравнения подаётся текст в формате «эталон [SEP] ответ». Архитектура основана на BERT-энкодере с 25,9 млн параметров, слоем Dropout и линейной оценочной головой; максимальная длина контекста — 512 токенов. Модель принимает и обрабатывает английский текст. Обучение охватывает ответы на вопросы по научным статьям, примеры предпочтений и эквивалентности ответов, а также пары семантически похожих предложений. В карточке приведены результаты на нескольких тестовых наборах, включая точность 0,93 на задаче эквивалентности ответов. Лицензия — MIT. Модель лучше подходит для текстов вопросов и ответов, чем для творческих или разговорных ответов; ей необходим эталон, поэтому она не является самостоятельным оценщиком общего качества. Оценки систематически смещены вниз, и отдельные фактические подмены одного слова могут оставаться незамеченными.

Freepik разработала эту модель для классификации изображений по уровню контента NSFW. Это дообученный vision transformer на архитектуре EVA, представленный через обёртку timm; модель различает четыре класса: нейтральный, низкий, средний и высокий уровень. В README указано, что для обучения использовались 100 000 синтетически размеченных изображений. Модель подходит для модерации изображений, включая изображения, созданные ИИ. Она может возвращать класс или вероятности классов; при необходимости результат можно свести к бинарному ответу о наличии NSFW-контента. Авторы сообщают о внутренних сравнениях с другими детекторами, однако приводят результаты на собственных наборах данных, поэтому они не гарантируют такую же точность на других распределениях изображений. Модель принимает изображения и выдаёт метки классов и оценки вероятностей. В README приведены показатели производительности на NVIDIA RTX 3090; фактическая скорость зависит от оборудования и способа подачи данных. Лицензия — MIT.

OpenBuddy/openbuddy-mistral-7b-v13-base — модель серии Base от OpenBuddy на архитектуре Mistral, предназначенная для дальнейшей тонкой настройки и создания специализированных моделей. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми возможностями, но не прошла полноценную настройку для обычных бесед. Её можно использовать как основу для адаптации под конкретную предметную область и последующего развертывания. Метаданные указывают поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель распространяется в формате PyTorch по лицензии Apache 2.0. Она может генерировать ошибочные, вредные или оскорбительные ответы; разработчики не рекомендуют применять её в критически важных сценариях, включая медицину, управление потенциально опасными системами и принятие важных финансовых или юридических решений.

facebook/opt-13b — большая языковая модель Meta AI из семейства OPT, впервые выпущенного в 2022 году. Это плотный авторегрессионный трансформер с декодером, обученный предсказывать следующий токен на текстовых данных. В метаданных указано 17 млрд параметров и контекст до 2048 токенов; доступны версии в форматах PyTorch, TensorFlow и Flax. Модель предназначена для генерации текста, экспериментов с подсказками и оценки языковых моделей, а также может дообучаться для прикладных задач. Основной язык обучения — английский; в корпусе присутствовало небольшое количество неанглоязычных данных. Модель распространяется по лицензии с обозначением «other» на Hugging Face; точные условия следует проверять в карточке лицензии репозитория. Генерации могут содержать предвзятость и токсичное содержание, а также быть недостоверными или недостаточно разнообразными. Для запуска крупной версии README рекомендует использовать половинную точность и метод generate вместо стандартного text-generation pipeline, чтобы эффективнее расходовать память GPU.

PickScore v1 — модель оценки от разработчиков проекта PickScore, дообученная на CLIP-H на наборе данных Pick-a-Pic. Она принимает текстовый запрос и сгенерированное по нему изображение, а выдаёт оценку соответствия предпочтениям пользователей. Архитектура основана на CLIP; репозиторий содержит веса PyTorch и Safetensors. Модель предназначена для прогнозирования человеческих предпочтений, сравнения и ранжирования изображений, созданных генераторами текста в изображение, а также оценки моделей генерации изображений. Её можно использовать как функцию оценки при отборе изображений или сравнении результатов разных систем. Карточка не сообщает лицензию, поэтому условия использования здесь определить нельзя.

representativedownscaled — дообученная Henry202 модель на базе meta-llama/Llama-3.2-1B-Instruct, обученная с помощью TRL. Она предназначена для классификации текста с выдачей оценки score; пример в карточке показывает применение оценки как награды для текстового ответа. Модель имеет архитектуру LlamaForSequenceClassification, около 1,2 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Модель может подойти для оценки или ранжирования текстовых ответов в пайплайне обучения и отбора ответов. Карточка не приводит сведения о данных обучения, калибровке оценок или проверках качества, поэтому точность и переносимость оценок на новые задачи не установлены. Лицензия в предоставленных данных не указана.

PVT-v2 B5 — модель компьютерного зрения семейства Pyramid Vision Transformer, опубликованная авторами работы и обученная для классификации изображений на ImageNet-1k. Она также может служить визуальным backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 82 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 11,8 GMACs. Подходит для классификации изображений и получения визуальных признаков в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

mnoukhov/pythia410m-rm-tldr6.9b — модель оценки текстов на базе GPT-NeoX, разработанная как дообученная версия mnoukhov/pythia410m-sft-tldr. Она предназначена для классификации текста; вероятно, её используют как reward model для оценки ответов или кратких пересказов, однако README не уточняет назначение и схему меток. Модель содержит 454,2 млн параметров, принимает текст, выдаёт результат классификации и поддерживает контекст до 2048 токенов. В метаданных указаны формат Safetensors и лицензия Apache-2.0. README сообщает о результате на оценочном наборе: accuracy 0,7418 и loss 0,5162, но набор данных и условия оценки не описаны.

QRM-Llama3.1-8B-v2 — модель оценки вознаграждения для обучения с подкреплением на основе человеческих предпочтений (RLHF), разработанная Nicolai Dorka. Она формирует распределение возможных оценок вознаграждения, объединяя распределения по отдельным атрибутам, например полезности и безвредности; это позволяет использовать её для оценки ответов языковых моделей в сценариях RLHF. Модель построена на базе Skywork/Skywork-Reward-Llama-3.1-8B-v0.2 и содержит 7,5 млрд параметров. Веса доступны в формате safetensors, контекст составляет 8192 токена. Для обучения gating network использовался датасет Skywork/Skywork-Reward-Preference-80K-v0.2. Лицензия — Llama 3.

Qwen2-1.5B — базовая языковая модель с 1,5 млрд параметров из семейства Qwen2, разработанного командой Qwen. Это плотная авторегрессионная модель на архитектуре Transformer с активацией SwiGLU, смещениями в QKV-проекциях внимания и групповым запросным вниманием. Модель предназначена для дообучения и продолжения предварительного обучения; разработчик не рекомендует использовать базовую версию напрямую для генерации текста. Модель работает с текстом и использует токенизатор, рассчитанный на разные естественные языки и языки программирования. Заявленная длина контекста — до 131 072 токенов. В оценках проверялись понимание и генерация текста, вопросы и ответы, код, математика, рассуждения и многоязычные задачи, включая английский и китайский. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0.

Карточка модели Bongoosus/Qwen2.5-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B, поэтому описание составлено по ней. Qwen2.5-1.5B — базовая языковая модель компании Qwen, обученная на этапе предобучения. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров: 28 слоёв, RoPE, SwiGLU, RMSNorm и группированное внимание. Репозиторий содержит веса в формате safetensors, модель рассчитана на запуск через Transformers. Модель предназначена для дальнейшего дообучения и генерации текста. Семейство Qwen2.5 поддерживает следование инструкциям, код, математику, структурированные данные и более 29 языков, включая русский, однако этот чекпойнт является базовым: разработчик не рекомендует использовать его непосредственно для диалогов. В README для этого варианта указан контекст 32 768 токенов; метаданные каталога указывают 131 072 токена, поэтому длина контекста в источниках расходится. Модель может служить компактной основой для экспериментов, адаптации под предметную область и разработки генеративных приложений. Лицензия Apache-2.0 допускает широкое использование и модификацию при соблюдении её условий. Для работы рекомендуется актуальная версия Transformers.

Qwen3-0.6B Devin Draft — компактная плотная языковая модель на 507,9 млн параметров, предназначенная для ускорения генерации методом speculative decoding. Она предлагает последовательности токенов, которые затем проверяет целевая модель Qwen3-4B Devin SFT; в карточке заявлено ускорение инференса в 2–3 раза. Модель дообучена на основе Qwen/Qwen3-0.6B и предназначена для совместной работы с davidnichols-ops/qwen3-4b-devin-sft. Модель использует архитектуру Qwen3ForCausalLM, принимает и генерирует текст, поддерживает диалоговый режим и имеет контекст до 40 960 токенов. В метаданных указан английский язык; базовая модель описана как многоязычная. Распространяется в формате safetensors по лицензии Apache-2.0. Заявленное ускорение зависит от целевой модели и условий инференса; сама модель предназначена для роли чернового декодера, а не для самостоятельной замены целевой модели.

Qwen3-1.7B-Base — базовая причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 1,7 млрд параметров и 28 слоями, предварительно обученная для продолжения текста и построения собственных решений на её основе. Архитектура использует grouped-query attention с 16 головами запросов и 8 головами ключей и значений; контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под диалоговые и другие языковые сценарии. Обучение Qwen3 охватывало данные на 119 языках и включало код, STEM, рассуждения и длинные последовательности, однако карточка не уточняет языковое покрытие именно версии 1.7B-Base. Для работы рекомендуется актуальная версия библиотеки Transformers. Модель распространяется по лицензии Apache 2.0.

Qwen3-4B-Function-Calling-xLAM-Unsloth — языковая модель ermiaazarkhalili для генерации ответов с вызовом функций и инструментов. Это дообученная методом SFT версия плотной модели Qwen3-4B с адаптером LoRA, обученная на 60 000 примерах Salesforce/xlam-function-calling-60k. В метаданных указано 3,7 млрд параметров и контекст 40 960 токенов; автор сообщает, что при дообучении использовалось окно 2 048 токенов. Модель принимает текстовые запросы и описания инструментов, а выдаёт текст, включая структурированные аргументы для вызова функций. Предназначена для англоязычных сценариев, где языковая модель должна выбирать инструмент и формировать вызов по запросу пользователя. Доступна под лицензией Apache-2.0. Автор предупреждает о возможных галлюцинациях, ограничениях знаний базовой модели и недостаточной настройке безопасности.

code-critic-model/qwen3-4b-sft-prm — копия Qwen3-4B-Critic-SFT, критической языковой модели, дообученной авторами проекта Steer, Don't Solve на корпусе CWM + Qwen. Она основана на Qwen/Qwen3-4B-Instruct-2507 и предназначена для оценки и критики решений, в том числе в сценариях работы кодовых агентов. Веса совпадают побайтно с указанной моделью; README рекомендует обращаться к её полной карточке для подробностей. Это плотная модель Qwen3 с 3,7 млрд параметров, использующая архитектуру Qwen3ForCausalLM и формат safetensors. Метаданные указывают контекст до 262 144 токенов и поддержку чата. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных результатов оценки качества или подробных ограничений применения.

Карточка модели modal-labs/Qwen3.5-397B-A17B-DFlash на Hugging Face совпадает с карточкой lmsys/Qwen3.5-397B-A17B-DFlash, поэтому описание составлено по ней. Qwen3.5-397B-A17B-DFlash — черновая модель DFlash, выпущенная совместно Z-Lab, Modal и SGLang для использования вместе с целевой моделью Qwen/Qwen3.5-397B-A17B. Это не самостоятельная языковая модель: её подключают к серверу инференса, поддерживающему спекулятивное декодирование DFlash. Модель использует облегчённую блочную диффузионную архитектуру, чтобы параллельно предлагать несколько токенов, которые целевая модель проверяет; такой подход ускоряет генерацию, сохраняя распределение выходов целевой модели. В метаданных указаны 2,2 млрд параметров, контекст 262 144 токена, формат safetensors и библиотека Transformers. README приводит результаты тестов с SGLang на восьми NVIDIA B200: ускорение зависит от нагрузки и настроек, достигая 4,31 раза при конкуренции 1 и 2,77 раза при конкуренции 32. Проверялись задачи GSM8K, MATH500, HumanEval, MBPP и MT-Bench. Модель распространяется по лицензии Apache-2.0. Для работы требуется соответствующая целевая модель и сервер с поддержкой DFlash speculative decoding; приведённые показатели получены на конкретной конфигурации оборудования и тестовых нагрузках.

Qwen3.6-35B-A3B-DFlash — черновая модель для спекулятивного декодирования, совместно переобученная Z-Lab и Modal на базе Qwen/Qwen3.6-35B-A3B. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере инференса с поддержкой DFlash, чтобы ускорить генерацию текста. Лёгкая черновая модель на основе блочной диффузии параллельно предлагает несколько токенов, а целевая модель проверяет предложения, сохраняя своё распределение выходов. Модель обучена с длиной последовательности 40 тысяч токенов и скользящим окном внимания. В метаданных указан размер 798 млн параметров и нативный контекст 262 144 токена; файлы представлены в формате safetensors. В тестах авторов на одной NVIDIA B200 ускорение достигало 3,61 раза при конкурентности 1 и 2,89 раза при конкурентности 32, на наборах задач GSM8K, MATH500, HumanEval, MBPP и MT-Bench. Модель предназначена для ускорения серверной генерации с базовой Qwen3.6-35B-A3B, в том числе при решении математических задач, генерации кода и диалогах. Она требует совместимого сервера спекулятивного декодирования и целевой модели. Лицензия — Apache-2.0.

MLliu6/Qwen3-VL-8B-Instruct-AWQ-W4A16 — сторонняя посттренировочно квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная пользователем MLliu6 на базе модели Qwen. Модель предназначена для задач vision-language, включая обработку изображений и текста, эффективный мультимодальный инференс, оценивание в VLMEvalKit, эксперименты с vLLM и исследования посттренировочного квантования. Модель использует архитектуру и возможности базовой Qwen3-VL-8B-Instruct, однако README не приводит полный набор архитектурных характеристик. Указаны поддерживаемые языки английский и китайский, мультимодальный формат image-text-to-text и контекст калибровки до 2048 токенов. Веса сжаты методом AWQ в формате W4A16: линейные слои квантуются до 4-битных симметричных целых значений с group_size=128, тогда как lm_head и визуальные модули исключены из квантования. Заявлено уменьшение размера хранения примерно на 58,8% относительно исходной раскладки. К сильным сторонам относятся сниженные требования к хранению и потенциально более эффективное развертывание при использовании совместимых инструментов, включая llm-compressor и vLLM. Ограничение состоит в том, что это неофициальный чекпойнт, а квантование может ухудшать качество на отдельных мультимодальных задачах, особенно при детальном визуальном понимании и сложном рассуждении. Модель распространяется по лицензии Apache-2.0.

RegNetY-400MF — сверточная модель классификации изображений из семейства RegNetY, представленная в библиотеке timm. Веса предварительно обучены авторами статьи на ImageNet-1k. Модель содержит около 4,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; её также можно применять как основу для извлечения признаковых карт и эмбеддингов изображений. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как лёгкий визуальный backbone в прикладных системах компьютерного зрения. Реализация timm поддерживает стохастическую глубину, gradient checkpointing, настройку выходного stride и конфигурируемые слои активации и нормализации. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

RegNetY-3.2GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная авторами статьи и доступная в реализации библиотеки timm. Она предварительно обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения признаков и эмбеддингов. Модель содержит 19,4 млн параметров, требует 3,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Реализация timm поддерживает, среди прочего, стохастическую глубину, градиентное контрольное сохранение и настройку выходного шага сети. Лицензия репозитория — MIT.

RegNetY-16GF — модель классификации изображений из библиотеки timm, опубликованная авторами DeiT. Она предварительно обучена на ImageNet-1k и предназначена как учитель для дистилляции DeiT; также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель содержит 83,6 млн параметров и рассчитана на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Реализация timm включает стохастическую глубину, градиентный чекпоинтинг, послойное уменьшение скорости обучения и настраиваемый выходной шаг. Модель подходит для классификации изображений общего назначения и построения признаковых представлений. Распространяется по лицензии Apache-2.0.

ReMedy-9B-24 — модель оценки качества машинного перевода, разработанная авторами проекта ReMedy. Она формулирует оценивание как reward modeling на основе человеческих парных предпочтений и предназначена для оценки переводов на уровне отдельных сегментов и целых систем; модель также можно использовать как reward model в контурах RLHF для улучшения систем машинного перевода. В README заявлены результаты на наборах WMT22–24 для 39 языковых пар и устойчивость на низкокачественных переводах и данных вне домена. Это плотная модель семейства Gemma 2 с 9 млрд параметров, дообученная на базе google/gemma-2-9b-it; контекст — 8192 токена. Метаданные указывают архитектуру классификатора последовательностей, а README описывает применение для оценки переводов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка перечисляет варианты ReMedy-9B-22 и ReMedy-9B-23, но отдельные характеристики именно версии -24 в README не раскрыты.

timm/resnet152.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-B и оригинальных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и короткие связи с проекцией через свёртку 1×1. Модель содержит около 60,2 млн параметров; рекомендованный размер входного изображения — 224×224 пикселя. Репозиторий распространяет веса в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и как визуальный backbone для downstream-задач. Её лицензия — BSD-3-Clause.

ResNet34D RA2 In1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она также подходит как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 21,8 млн параметров и выполняет около 3,9 GMACs. Архитектура использует активации ReLU, трёхслойный блок начальных свёрток 3×3 с пулингом и shortcut-соединения с усредняющим пулингом 2×2 и свёрткой 1×1. Размер изображения при обучении составлял 224×224, при тестировании — 288×288. Модель работает с изображениями и выдаёт метки классов; обучение проводилось для ImageNet-1k.

ResNet-34 — свёрточная модель классификации изображений, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует около 3,7 GMACs. Размер изображения при обучении — 224 × 224 пикселя; для тестирования в карточке указан размер 288 × 288. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели CollectionStudio/resnet-50 на Hugging Face совпадает с карточкой microsoft/resnet-50, поэтому описание составлено по ней. microsoft/resnet-50 — сверточная ResNet-50 v1.5, представленная в статье Deep Residual Learning for Image Recognition Хэ и соавторов. Модель предварительно обучена на ImageNet-1k и классифицирует изображения по 1000 классам. Расчётный размер входного изображения при обучении — 224×224 пикселя. Остаточные связи и блоки с узким местом позволяют обучать глубокую сеть. Вариант v1.5 переносит шаг уменьшения разрешения на свёртку 3×3; по данным карточки, это даёт примерно на 0,5% более высокую точность top-1, чем v1, при снижении пропускной способности примерно на 5%. Модель подходит для классификации изображений общего назначения и может служить отправной точкой для дообученных версий под конкретные задачи. Распространяется по лицензии Apache-2.0.

ResNet-50 — сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена авторами статьи на подмножестве YFCC100M с использованием полу-контролируемого обучения, а затем дообучена на ImageNet-1k. Архитектура использует ReLU, свертку 7×7 с пулингом и остаточные связи с проекцией через свертки 1×1. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Она рассчитана на вход размером 224×224 и содержит 25,6 млн параметров. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ResNetV2-152x4 BiT — модель классификации изображений и визуальная основа для извлечения признаков, опубликованная авторами статьи Big Transfer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k. Архитектура — pre-activation ResNet-V2 с Group Normalization и Weight Standardization вместо Batch Normalization; размер модели составляет 936,5 млн параметров, а рекомендуемый размер входного изображения — 480 × 480 пикселей. Модель предназначена для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Она принимает изображения и выдаёт метки классов, а при использовании как backbone — визуальные признаки или эмбеддинги. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

ResNeXt-101 32x8d — модель классификации изображений и извлечения визуальных признаков из семейства ResNeXt, опубликованная авторами статьи и доступная через timm. Она содержит 88,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и свёрточные проекции в shortcut-связях. Модель предварительно обучена с помощью полу-supervised обучения на подмножестве YFCC100M, затем дообучена на ImageNet-1k. Её применяют для классификации изображений, извлечения карт признаков и получения эмбеддингов; формат весов PyTorch, включая safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.