II.10Разработка и эксплуатация AI/ML-систем

cs3darknet_m.c2ns_in1k — сверточная модель классификации изображений и извлечения признаков из семейства CS3-DarkNet, опубликованная в библиотеке timm. Она обучена на ImageNet-1k и может использоваться как классификатор изображений, базовая сеть для получения карт признаков и источник визуальных эмбеддингов. Модель содержит 9,3 млн параметров и требует изображения размером 288 × 288 при тестировании; обучение проводилось на изображениях 256 × 256. В обучении применялась схема ResNet Strikes Back C без repeat-augmentation, с усиленным mixup, оптимизатором SGD с Nesterov, адаптивным ограничением градиентов AGC и косинусным расписанием скорости обучения с разогревом. Вариант ns не использует stochastic depth. Модель распространяется под лицензией Apache-2.0. Карточка не сообщает о специализированной поддержке языков или других модальностей помимо изображений.

CSP-ResNeXt-50 RA — сверточная модель классификации изображений из семейства timm, обученная на ImageNet-1k. Архитектура сочетает идеи CSPNet и ResNeXt; в карточке указано 20,6 млн параметров, 4,0 GMACs и рекомендованный размер входного изображения 256 × 256 пикселей. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Обучение выполнено с рецептом RandAugment, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным спадом скорости обучения с прогревом. Подходит для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. Распространяется по лицензии Apache-2.0.

Это reward-модель на базе DeBERTa-v3-large-tasksource-nli, дообученная на датасете Anthropic/hh-rlhf за одну эпоху с learning rate 1e-5. Модель разработана для оценки ответов ассистента в сценариях обучения с подкреплением на основе обратной связи людей (RLHF): она присваивает тексту оценку, отражающую предпочтительность ответа. В метаданных указаны архитектура DeBERTa-v2 для классификации последовательностей, 533,8 млн параметров и контекст до 512 токенов. Модель подходит для ранжирования и сравнения текстовых ответов в обучающих или исследовательских конвейерах RLHF. В README сообщается о точности 75,16% на валидации — выше указанного результата сравниваемой reward-модели, 69,25%; подробности протокола оценки не приведены. Карточка не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Репозиторий ONNX Runtime содержит оптимизированные версии DeepSeek-R1-Distill-Qwen-1.5B и DeepSeek-R1-Distill-Qwen-7B для ускоренного инференса. Модели представлены в формате ONNX и предназначены для генерации текста; их можно запускать через ONNX Runtime на CPU и GPU, включая серверы, настольные компьютеры и мобильные CPU. Разработчик — ONNX Runtime. В репозитории есть конфигурации с квантизацией int4 методом RTN, а также варианты с разной точностью для целевых устройств. README приводит примеры более высокой скорости генерации на отдельных конфигурациях, но отмечает, что оптимизации могут немного менять ответы относительно базовой модели. Указана лицензия MIT. Подробности о задачах и языках базовых моделей приведены в карточках DeepSeek-R1-Distill-Qwen-1.5B и DeepSeek-R1-Distill-Qwen-7B; Python, C и C++ в README перечислены как языки программирования, а не естественные языки.

DeiT-III Base Patch16 224 — модель классификации изображений из семейства Vision Transformer, опубликованная авторами статьи DeiT III и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k; её также можно использовать как основу для извлечения визуальных признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache-2.0.

DETR-ResNet50-DC5 — модель обнаружения объектов, разработанная на основе реализации DETR от Facebook Research и оптимизированная Qualcomm для устройств с чипами Qualcomm. Модель обучена на наборе данных COCO и предназначена для обнаружения объектов на изображениях, в том числе в мобильных и периферийных приложениях на Android и других устройствах Qualcomm. Архитектура использует ResNet50-DC5 в качестве контрольной точки; входное разрешение составляет 480×480 пикселей, размер модели в формате float — около 160 МБ. Это визуальная модель с поддержкой развертывания через ONNX, QNN_DLC и TFLITE; доступны варианты с плавающей точкой и смешанной квантизацией w8a16. Предварительно экспортированные версии рассчитаны на универсальные конфигурации, а Qualcomm AI Hub Models позволяет задавать собственные веса, размеры входа, целевое устройство и runtime. Сильная сторона модели — готовность к запуску на NPU устройств Qualcomm и наличие оптимизированных артефактов для разных runtime и чипсетов. Производительность зависит от устройства и конфигурации: для ONNX float заявленное время инференса составляет примерно от 18 до 68 мс на перечисленных платформах. Ограничения включают фиксированное входное разрешение по умолчанию, зависимость производительности и потребления памяти от аппаратной платформы и отсутствие в README сведений о точности, поддерживаемых языках и качестве работы вне распределения COCO. Модель распространяется по лицензии Apache-2.0.

facebook/dinov2-with-registers-base-imagenet1k-1-layer — модель Vision Transformer базового размера с токенами-регистрами, основанная на DINOv2 и опубликованная командой Facebook. Это энкодер изображений с 113,2 млн параметров; карточка указывает задачу классификации изображений и библиотеку Transformers. Предварительное обучение формирует представления изображений без меток, а токены-регистры уменьшают артефакты в картах внимания и улучшают их интерпретируемость. Модель можно использовать для классификации изображений по 1000 классам ImageNet, извлечения признаковых представлений и построения классификаторов для размеченных наборов данных. Веса доступны в формате safetensors. Лицензия — Apache-2.0. В репозитории нет дообученных классификационных голов: для пользовательских классов потребуется обучить классификатор поверх энкодера. Карточка не приводит сведений о поддерживаемых естественных языках или длине контекста; модель работает с изображениями.

dm_nfnet_f0.dm_in1k — модель семейства NFNet для классификации изображений, опубликованная авторами исследований и доступная в библиотеке timm. Она обучена на ImageNet-1k и также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура NFNet основана на ResNet с предварительной активацией, но не содержит слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и около нелинейностей. Модель содержит 71,5 млн параметров; для оценки используются изображения размером 256 × 256 пикселей. Репозиторий предоставляет веса PyTorch и safetensors. Модель принимает изображения и предназначена для выдачи классов ImageNet-1k, а также признаков и эмбеддингов для последующей обработки. Лицензия — Apache-2.0.

Eagle3-Qwen3-32B-zh — черновая модель для алгоритма спекулятивного декодирования Eagle-3, разработанная на основе Qwen3-32B. Она предназначена для ускорения инференса большой языковой модели Qwen3-32B: черновая модель предлагает токены, которые основная модель параллельно проверяет. Обучение проводилось на смешанном китайско-английском наборе данных; авторы сообщают об улучшении принятия токенов для китайского текста и сохранении преимуществ на английском. В README указано, что модель обучена примерно на 100 тысячах примеров и рассчитана на работу с основными весами Qwen/Qwen3-32B через Eagle-3. Авторы сообщают об ускорении до почти 2 раз на GSM8K в тестах на четырёх NVIDIA RTX 4090 при параллелизме 4, а также примерно в 1,5 раза в китайских и английских сценариях. Конфигурация репозитория ориентирована на SGLang; для vLLM и других сред её может потребоваться адаптировать. Модель не предназначена для самостоятельного использования как обычный чат-ассистент: для спекулятивного декодирования нужны основная модель Qwen3-32B, поддерживающий Eagle-3 фреймворк и совместимая конфигурация. В метаданных указаны архитектура LlamaForCausalLMEagle3, формат PyTorch, контекст 40 960 токенов и размер 1,2 млрд параметров. Лицензия — Apache-2.0.

EfficientNet-B1 — сверточная модель классификации изображений из семейства EfficientNet, представленная проектом timm. Версия ft_in1k дообучена на ImageNet-1k и перенесена с исходных весов TensorFlow с padding типа SAME для использования в PyTorch. Модель содержит около 7,8 млн параметров; в карточке указаны размер изображения 224 × 224 для обучения и 256 × 256 для проверки, а также вычислительная сложность 0,6 GMACs. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Это компактная модель для классификации изображений общего назначения. Доступна по лицензии Apache-2.0.

Это сверточная модель EfficientNet-B1 для классификации изображений и извлечения признаков. Её обучил Росс Уайтман с помощью timm на ImageNet-1k; при обучении использовались гиперпараметры, вдохновлённые MobileNet-V4 Small и рецептами timm и «ResNet Strikes Back». Модель содержит около 7,8 млн параметров и выполняет примерно 0,7 GMAC на изображение. Модель предназначена для определения объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Размер изображения при обучении составлял 240 × 240 пикселей, при оценке — 288 × 288. Для использования доступны веса PyTorch и safetensors; модель работает с библиотекой timm. Распространяется по лицензии Apache-2.0.

nghuyong/ernie-2.0-large-en — англоязычная версия ERNIE 2.0, модели Baidu, созданной в рамках подхода continual pre-training с последовательным обучением набора задач посредством многозадачного обучения. В репозитории опубликована версия PyTorch, преобразованная из официальной модели ERNIE для PaddlePaddle; автор README сообщает, что точность преобразования проверялась экспериментами. Модель имеет плотную архитектуру ErnieModel с 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения контекстных признаковых представлений текста, которые можно использовать в NLP-конвейерах и как основу для последующих задач. В README описаны результаты ERNIE 2.0 на англоязычных задачах GLUE и ряде распространённых китайских задач, но карточка этой конкретной версии указывает на английскую направленность. Для использования доступны веса PyTorch и загрузка через Transformers AutoTokenizer и AutoModel. Лицензия в предоставленных данных не указана.

kittn/eupe_vitb16 — конверсия EUPE ViT-B/16 от Facebook в формат Hugging Face Transformers с архитектурой DINOv3 ViT. Модель содержит 113,2 млн параметров; её выход last_hidden_state представляет признаки изображения, поэтому её можно использовать как визуальный энкодер для извлечения представлений и построения последующих моделей компьютерного зрения. Архитектура включает 12 слоёв, скрытый размер 768, 12 голов внимания, четыре register-токена и патчи размером 16 пикселей. Для меньшего расхождения с исходным путём инференса README рекомендует запуск на CUDA с bf16 autocast. Реализация RoPE в стандартном коде Hugging Face не совпадает побитово с эталонной реализацией EUPE; README описывает способ восстановить такое совпадение. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в исходной карточке EUPE ViT-B. Модель предназначена для извлечения признаков изображений, а не для непосредственной генерации подписей или ответов на вопросы о них.

Falcon2-11B — плотная авторегрессионная языковая модель с декодерной архитектурой, разработанная Институтом технологических инноваций (TII). В README она описана как модель на 11 млрд параметров, обученная на более чем 5 трлн токенов RefinedWeb и отобранных корпусов; метаданные каталога указывают 16,4 млрд параметров. Архитектура включает 60 слоёв, rotary positional embeddings, multi-query attention и FlashAttention-2. Контекст — до 8192 токенов. Модель предназначена прежде всего для исследований и как основа для дообучения под генерацию текста, суммаризацию и диалоговые сценарии. Это исходная предобученная модель, поэтому для большинства прикладных задач её рекомендуется дополнительно адаптировать. README указывает английский, немецкий, испанский, французский, итальянский, португальский, польский, нидерландский, румынский, чешский и шведский языки; обучение преимущественно ориентировано на английский. Доступна по лицензии TII Falcon License 2.0, основанной на Apache 2.0 и включающей политику допустимого использования.

Fox-1-1.6B — базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer семейства Llama, разработанная TensorOpera AI. Она содержит около 1,7 млрд параметров и обучена на 3 трлн токенов текста и кода с трёхэтапной учебной программой; контекст составляет 8192 токена. В модели применены Grouped Query Attention с 4 группами ключей и значений и 16 головами внимания для ускорения вывода. Модель предназначена для генерации текста и кода, а также как отправная точка для дальнейшего дообучения под прикладные сценарии. В карточке приведены результаты оценок на тестах рассуждения, знаний и следования инструкциям. Это базовая, а не инструкционно настроенная модель, поэтому для большинства пользовательских задач потребуется дополнительное дообучение или другая настройка. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0.

iromu/Gemma3-1B-tools — компактная текстовая модель на базе Gemma 3 1B от Google, дообученная автором репозитория с помощью LoRA/PEFT для вызова инструментов и агентных взаимодействий. Модель содержит 1 млрд параметров, использует плотную архитектуру Gemma3ForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для структурированных вызовов функций, многошаговых агентных сценариев и развёртывания на устройствах с ограниченными ресурсами. Для формирования запросов к инструментам требуется применять включённый шаблон чата; модель выдаёт вызовы в формате JSON с именем инструмента и аргументами. В проверке на 50 примерах BF16-вариант достиг 66% точного совпадения аргументов, тогда как точность отдельных форматов и квантизаций различалась. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов. В карточке указан английский язык. Лицензия — Gemma. Автор отмечает, что модель не предназначена для замены более крупных моделей Gemma общего назначения.

Это черновая голова EAGLE3 для Google Gemma 4 31B, разработанная ThoughtWorks. Она дообучена методом EAGLE3 для ускорения авторегрессионной генерации: предлагает несколько токенов за шаг, после чего целевая модель проверяет их параллельно. По данным README, в тестах на разговорных и кодовых задачах ускорение составило от 1,14× до 1,72× без изменения качества выходных ответов. Модель представляет собой однослойный трансформер с архитектурой LlamaForCausalLMEagle3 и 1,8 млрд параметров; она работает с текстовыми скрытыми состояниями базовой Gemma 4 31B и контекстом до 4096 токенов. Это вспомогательная модель для speculative decoding, а не самостоятельная замена целевой модели; возможности Gemma для анализа изображений здесь не используются. Для запуска требуется форк SGLang от ThoughtWorks с поддержкой Gemma 4 EAGLE3. README также указывает на ограничения совместимости FlashInfer, использование Triton attention и возможное снижение доли принимаемых токенов на нетипичных и неанглоязычных входах. Лицензия — Gemma.

Cactus-Compute разработала Cactus Hybrid — дообученную диалоговую Gemma 4 E2B IT с дополнительным пробником, который оценивает вероятность ошибки в ответе и выдаёт оценку уверенности от 0 до 1. Модель предназначена для локального запуска и маршрутизации запросов: ответы с высокой уверенностью можно показывать сразу, а запросы с низкой — передавать более крупной модели. В каталоге указано 1,6 млрд параметров, архитектура Gemma4E2BItHybridForCausalLM, текстовая генерация и контекст до 131 072 токенов. Оценка уверенности передаётся в виде структурированного трейлера в конце ответа и рассчитана на поддержку маршрутизации, в том числе для ответов на текстовые и аудиозадачи. README приводит результаты AUROC на наборах MMLU, MMLU-Pro, ARC-Easy и аудиотестах. Базовая модель Gemma 4 E2B IT мультимодальна, однако описание этого репозитория подтверждает текстовую генерацию и работу пробника по скрытым состояниям; отдельные входы изображений или аудио в интерфейсе модели здесь не описаны. Для получения трейлера уверенности требуется запуск через Transformers с `trust_remote_code`; не поддерживаются continuous batching, пакетная генерация, beam search и assisted/speculative decoding. Пробник оценивает не более первых 1024 сгенерированных токенов. Лицензия — Gemma.

Это пакет Mesh LLM с разбитой на слои GGUF-моделью GLM-5.1-Q3_K_M-plus в варианте квантования Q3_K_M. Он предназначен для распределённого запуска и позволяет распределить слои модели между несколькими компьютерами в локальном кластере Mesh LLM, в том числе когда полный GGUF-файл не помещается на одном узле. Пакет поддерживает локальный приватный инференс и сценарии чата через API Mesh LLM, совместимый с OpenAI Chat Completions. Это упаковка исходного GGUF в отдельные артефакты по слоям, а не самостоятельное дообучение; исходная модель указана как meshllm/GLM-5.1-Q3_K_M-plus-GGUF. Подробности об архитектуре, языках, размере, контексте и лицензии зависят от карточки исходной модели и в предоставленных данных не приведены.

NVIDIA gpt-oss-120b-Eagle3-throughput — вспомогательный модуль Eagle3 для ускорения авторегрессионной генерации в модели OpenAI gpt-oss-120b. Он использует спекулятивное декодирование: предлагает один токен-кандидат, который базовая модель проверяет при генерации. Модуль рассчитан на высокую пропускную способность, сохраняет высокую долю принятых токенов при длинном контексте и предназначен для запуска с TensorRT-LLM на системах с GPU NVIDIA; заявлена совместимость с Blackwell. Метаданные указывают 739,4 млн параметров и контекст 131 072 токена. Сценарии применения включают ускорение чат-ботов, AI-агентов, RAG-систем и других приложений на базе gpt-oss-120b, а также обычное следование инструкциям. README приводит результаты оценки доли принятых токенов на MT-Bench при длине черновика 1. Это вспомогательный чекпойнт, а не самостоятельная замена базовой модели: для работы нужны gpt-oss-120b и поддерживающий Eagle3 режим инференс-движок. Модель оптимизирована для NVIDIA GPU; условия лицензии обозначены как other, поэтому перед использованием необходимо проверить лицензионные условия репозитория. В метаданных указана библиотека Model Optimizer и формат safetensors; README сообщает о квантизации с nvidia-modelopt версии 0.35.0.

Granite 3.0 8B Instruct - Intrinsics LoRA v0.1 — экспериментальная модель IBM Research на основе ibm-granite/granite-3.0-8b-instruct. Это объединённый LoRA-файнтюн, который сохраняет возможности базовой инструктивной модели и добавляет три режима: оценку уверенности в ответе, обнаружение неподтверждённых документами утверждений в RAG-сценариях и проверку запросов на небезопасное содержание. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GraniteForCausalLM и принимает текст; контекст — до 4096 токенов. Она рассчитана на диалоговое применение на английском языке и выдаёт обычные текстовые ответы, а в специальных режимах — оценку уверенности от 0 до 9 или однобуквенную классификацию Y/N. Лицензия — Apache 2.0. Оценка уверенности задумана как калиброванная, а режимы проверки галлюцинаций и безопасности — как бинарные классификаторы. Разработчик представляет модель как экспериментальную и не рекомендует использовать её в реальных развертываниях; результаты специализированных проверок следует валидировать для конкретной системы.

Graphite Alpha 26B-A4B-it-qat-w4a16-ct — экспериментальная диалоговая модель семейства Gemma 4, созданная на основе google/gemma-4-26B-A4B. Это разреженная модель Mixture-of-Experts класса 26B с примерно 4 млрд активных параметров на токен. Веса обучены с учётом квантования и представлены в формате compressed-tensors: симметричная 4-битная групповая квантизация с размером группы 32 при более высокой точности активаций. Модель предназначена для локального инференса, оценки качества, экспериментов с квантованием и проверки совместимости движков; поддерживает диалоговый режим и генерацию текста. В README указан настроенный контекст до 262 144 токенов, но качество на очень длинном контексте экспериментальное; используется локальное окно внимания 1 024 токена. Выпуск Alpha предназначен для раннего тестирования и сбора отзывов, а оценка бенчмарков ещё ведётся. Возможны различия в поведении, скорости и расходе памяти между бэкендами, проблемы совместимости с W4A16, а также ухудшение качества из-за низкобитного представления и на очень длинных последовательностях. Прежде чем применять модель в задачах с высокими требованиями к надёжности, её следует отдельно оценить. Условия лицензии в предоставленных источниках не приведены.

GRPO-Instruct-14B — языковая модель-верификатор кода из проекта Aletheia, разработанная для исследования обучения проверяющих моделей с подкреплением и проверяемыми наградами (RLVR). Она дообучена методом GRPO на Qwen/Qwen2.5-14B-Instruct с использованием отрицательных примеров и on-policy обучения, без промежуточных рассуждений: модель сразу выдаёт вердикт. Модель принимает условие задачи по программированию и несколько кандидатных решений, оценивает их корректность и ранжирует кандидатов. Её можно использовать как функцию награды при оптимизации генератора кода, для автоматической оценки решений и в исследованиях верификации кода. Архитектура — плотная Qwen2ForCausalLM, размер — 14 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Датасет обучения включает задачи и решения на Python, C++ и Java. Модель предназначена для прикладного использования в проверке решений задач по программированию и в исследовательских конвейерах постобучения. Карточка не приводит численных результатов качества; надёжность оценки может зависеть от формата запроса и сложности или смещения кандидатов. Лицензия CC BY-NC-SA 4.0 предусматривает некоммерческое использование и требования атрибуции и распространения производных на тех же условиях.

Hammer-1.5B — компактная языковая модель для вызова функций в приложениях с ИИ-агентами, разработанная командой MadeAgents. Это дообученная версия Qwen2-1.5B-Instruct с архитектурой Qwen2 и 1,5 млрд параметров. При обучении использовались методы маскирования функций и данные APIGen Function Calling, дополненные набором xlam-irrelevance-7.5k. Модель предназначена для выбора и вызова инструментов по запросу пользователя, в том числе в лёгких агентных приложениях, работающих на устройстве. Она принимает текст и генерирует текст с вызовом функции; поддерживает контекст до 32 768 токенов. Карточка сообщает о результатах оценки на бенчмарках вызова функций, но не приводит здесь численных показателей для версии 1.5B. Модель распространяется по лицензии CC BY 4.0. Она ориентирована на функцию вызова инструментов, поэтому её качество в других задачах общего назначения отдельно не подтверждено; приведённые сведения не устанавливают список поддерживаемых языков.

Hammer 2.0 1.5B — компактная языковая модель, разработанная командой MadeAgents и дообученная на базе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для вызова функций и инструментов в диалоговых агентных приложениях, в том числе на устройствах с ограниченными ресурсами. Для дообучения применялась техника function masking; среди данных указаны наборы для вызова функций APIGen/xLAM объёмом 60 тысяч примеров и набор нерелевантных вызовов xLAM объёмом 7,5 тысячи примеров. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров, принимает текст и генерирует текст с вызовами инструментов. Заявленный контекст — 32 768 токенов. Карточка сообщает о результатах на бенчмарке Berkeley Function-Calling Leaderboard и других академических тестах, но не приводит их числовые значения. Репозиторий использует формат safetensors; лицензия — CC BY 4.0.

HardCoReNAS — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучили авторы работы HardCoRe-NAS на ImageNet-1k с использованием их «зелёного» рецепта обучения. Репозиторий предоставляет веса в форматах PyTorch и safetensors и предназначен для использования с библиотекой timm. Модель содержит около 5,5 млн параметров, выполняет примерно 0,3 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. Её можно применять для классификации изображений ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Лицензия репозитория — Apache-2.0.

HazardAuditor — генеративная модель-охранник для аудита полных траекторий компьютерных агентов: она анализирует запрос, промежуточные рассуждения, вызовы инструментов, их аргументы, наблюдения среды и итоговые ответы, а затем выдаёт обоснование по свидетельствам и вердикт safe или unsafe. Модель разработана на базе Qwen3Guard-Gen-8B и дообучена с применением GuardPO; архитектура — плотная Qwen3ForCausalLM, размер — около 7,6 млрд параметров, контекст — до 32 768 токенов. Для воспроизводимого аудита требуется официальный протокол формирования промпта и декодирования; обычный вызов text-generation сам по себе его не реализует. Модель предназначена для офлайн-проверки журналов выполнения компьютерных агентов, оценки безопасности агентных систем и исследовательской работы с защитными моделями траекторий. Карточка приводит результаты на нескольких тестах безопасности, но они не гарантируют качество на других протоколах и распределениях. Возможны ложные срабатывания и пропуски; усечение длинного ввода может удалить поздние свидетельства, а объяснения модели не гарантируют точного описания причин решения. Она не заменяет контроль доступа, изоляцию, детерминированные проверки или человеческую проверку и не должна быть единственным механизмом авторизации. Лицензия — Apache-2.0.

hgnet_tiny.paddle_in1k — модель классификации изображений семейства HGNet (High Performance GPU Net), представленная авторами в библиотеке timm. Она обучена на ImageNet-1k и предназначена для отнесения изображений к классам этого набора данных; модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 14,7 млн параметров и требует 4,5 GMACs. Указанный размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

team-lucid разработала корейскую версию HuBERT Base — модели обучения речевых представлений, предложенной Facebook. Модель принимает аудиосигнал в виде сырой волновой формы и формирует последовательность скрытых представлений; в примере для входа длиной 16 000 отсчётов выход имеет размерность 49 × 768. Веса содержат 113,3 млн параметров, доступны в форматах PyTorch и Flax, включая safetensors. Модель обучали примерно на 4 000 часах корейской речи: свободных разговоров, многодикторских данных синтеза речи и разговорной речи из вещательного контента. Она предназначена для задач распознавания речи и получения речевых признаков; карточка связывает её с автоматическим распознаванием речи. Лицензия — Apache-2.0. Это речевая модель, а не генератор готовой расшифровки по умолчанию: пример показывает получение скрытых представлений через HubertModel. Для практического распознавания текста может потребоваться подходящая классификационная голова или дополнительная обработка. Указанные обучающие данные и карточка ориентированы на корейскую речь.

facebook/ijepa_vitg16_22k — модель I-JEPA от Meta для извлечения признаков изображений. Это версия архитектуры Giant, дообученная на ImageNet-22K; она использует самоконтролируемое обучение и предсказывает представления скрытых областей изображения по представлениям видимых частей. Вместо восстановления пикселей модель работает с семантическими представлениями в латентном пространстве. Чекпойнт предназначен прежде всего для получения признаков изображений, которые можно использовать в последующих задачах компьютерного зрения, например классификации. Модель содержит около 1,4 млрд параметров и доступна в формате safetensors для библиотеки Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Карточка описывает применение для извлечения признаков и классификации; иных ограничений качества или условий не сообщает.