II.10Разработка и эксплуатация AI/ML-систем

nli-MiniLM2-L6-H768-answerable-or-not — англоязычная модель классификации текста, дообученная leomaurodesenv на основе cross-encoder/nli-MiniLM2-L6-H768. Она предназначена для определения, можно ли ответить на запрос или вопрос, то есть для бинарной классификации «ответить / нельзя ответить». Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров; максимальная длина контекста — 514 токенов. Модель подходит для фильтрации вопросов и отбора запросов, на которые система может сформировать ответ. В README приведены результаты оценки: accuracy 0,9924 и loss 0,0394, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется по лицензии Apache-2.0.

ezb/NSFW-Prompt-Detector — модель классификации текста, опубликованная пользователем ezb на Hugging Face. Карточка демонстрирует её использование как text-classification и указывает архитектуру DistilBERT для классификации последовательностей; модель предназначена для обнаружения NSFW или неподходящих текстовых промптов, например перед их передачей генератору изображений. Поддерживаемый язык по тегам карточки — английский, а максимальная длина контекста по метаданным — 512 токенов. Репозиторий содержит веса PyTorch и safetensors. В конфигурации указан путь Zlatislav/NSFW-Prompt-Detector, что указывает на происхождение от этой модели; сведения о лицензии доступны в метаданных карточки как license: other. Карточка не приводит оценок качества или подробных ограничений, поэтому надёжность детекции за пределами заявленного сценария установить нельзя.

Это черновая голова EAGLE-3 для ускорения авторегрессионной генерации с помощью спекулятивного декодирования на базовой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B. Её разработала команда Thoughtworks; голова содержит один трансформерный слой и около 433,7 млн параметров, распространяется в формате Safetensors и требует отдельно получить совместимый базовый чекпойнт nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16. Базовая модель использует гибридную архитектуру Mamba-2, attention и mixture-of-experts, имеет контекст 262 144 токена. Модель предназначена для использования в качестве черновой головы EAGLE-3 в vLLM или адаптированной сборке SGLang. Она предлагает спекулятивное декодирование для задач математики, программирования и общего чата, но результаты зависят от оборудования, движка и конфигурации. На H200 с vLLM при размере пакета 1 пропускная способность соответствовала нативному MTP на математике, была на 1% выше на коде и на 11% ниже на общем чате; эквивалентность точности показана только для GSM8K. Лицензия указана как other; условия использования следует уточнять на странице модели.

OLMo-2-1124-7B-RM-Preview — англоязычная reward-модель Allen Institute for AI (Ai2), созданная на основе диалоговой OLMo 2 7B SFT и обученная на варианте набора Tülu 3 и данных предпочтений. Это плотная модель семейства OLMo 2 с 6,9 млрд параметров, контекстом до 4096 токенов и архитектурой классификации последовательностей; она принимает текст и оценивает ответы для задач ранжирования предпочтений и обучения с подкреплением. Модель использовалась для инициализации value-моделей в обучении RLVR. Карточка не приводит отдельного бенчмарка reward-модели, поэтому её качество как самостоятельного оценщика не подтверждено. OLMo 2 имеет ограниченное обучение безопасности и может выдавать проблемные ответы при соответствующих запросах. Веса распространяются по лицензии Apache 2.0.

giangndm/omniASR-LLM-300M-encoder — отдельная аудиоэнкодерная часть omniASR-LLM-300M, опубликованная в формате bfloat16 SafeTensors. Модель основана на архитектуре Wav2Vec2 с Conformer-подобным SSL-энкодером из 24 слоёв, 16 головами внимания и размером скрытого представления 1024; в метаданных указано около 402,7 млн параметров. Она совместима с Transformers через AutoModel, Wav2Vec2Model и AutoFeatureExtractor. Энкодер принимает аудио с частотой дискретизации 16 кГц и выдаёт векторные представления размерности 1024 с частотой 50 кадров в секунду, то есть один кадр каждые 20 мс. Модель предназначена для извлечения признаков речи, которые могут служить входом для последующих задач распознавания и анализа речи; карточка связывает её с многоязычным корпусом Omnilingual ASR. Лицензия — Apache-2.0. В репозитории опубликован именно энкодер, поэтому он сам по себе не выдаёт транскрипты и для прикладного распознавания речи потребуется декодер или другая последующая модель.

OpenBuddy — это базовая многоязычная языковая модель команды OpenBuddy, построенная на плотной архитектуре Llama и содержащая 66,6 млрд параметров. Модель предназначена для дальнейшего дообучения и создания специализированных моделей; она обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми способностями, но не прошла полную настройку для обычных бесед. Для готового чат-бота рекомендуется использовать версии OpenBuddy без суффикса «-base». Модель работает с текстом, использует библиотеку Transformers и распространяется в формате safetensors. Контекст составляет 4096 токенов. В метаданных указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского, русского и финского языков. Лицензия обозначена как other, а README указывает лицензию базовой модели DeepSeek. Модель может выдавать ошибочные, вредные или оскорбительные ответы; её не следует применять в критических медицинских, финансовых, юридических сценариях или для управления потенциально опасными системами.

Ornith-1.5-9B-uncensored — опубликованная junafinity версия модели Ornith-1.5-9B от Ornith AI с ослабленным отказным поведением. Это плотная модель семейства Qwen3.5 примерно на 9 млрд параметров; весовой чекпойнт в формате Safetensors и bf16. Сохраняет возможности чата и обработки изображений, включая генерацию описаний по изображению. Модель предназначена прежде всего для контролируемого red teaming и исследований защитной кибербезопасности: оценки возможностей базовой модели, тестирования фильтров, классификаторов и защиты от инъекций, а также подготовки примеров для детекторов злоупотреблений. Изменение весов выполняет ZeroFuse: по описанию автора, оно направлено на снижение отказов при малом изменении поведения на безвредных запросах. Автор сообщает, что на тестовом наборе отказов стало 0 из 64 вместо 9 из 64, однако часть отказов может сохраняться, в частности при многоходовом диалоге, системных инструкциях и запросах через зрительный канал. Для публичного развёртывания README требует независимый слой модерации и рекомендует сравнивать результаты с базовой моделью. Лицензия — Apache-2.0.

Phi-4-mini ADR Detector — дообученная методом LoRA модель Microsoft Phi-4-mini-instruct, разработанная для классификации трасс выполнения AI-агентов на доброкачественные и вредоносные. Модель ориентирована на задачи безопасности агентных систем, включая обнаружение prompt injection, атак на инструменты, подмены или злоупотребления MCP-серверами, захвата управления и других угроз в журналах выполнения. Обучение проводилось на датасете sumitguha13/adr-agent-trace-detection, а оценка — на ранее не использовавшемся наборе Uber ADR-Bench. Модель относится к классу text-generation и принимает текстовые трассы, представленные строками формата role: content. Она основана на Phi-4-mini-instruct с контекстным окном 131 072 токена, что позволяет обрабатывать целиком трассы длиной до 27 932 токенов в использованном тесте. Язык README указан как английский. Дообучение выполнено с LoRA-параметрами r=32, alpha=64 и dropout 0,05; для работы рекомендуется bfloat16 и SDPA, поскольку полное внимание может исчерпывать память на длинных трассах. На ADR-Bench модель достигла accuracy 82,2%, balanced accuracy 72,7% и F1 0,481; вредоносные трассы обнаруживались с полнотой 59,5%, поэтому примерно две из пяти атак пропускаются. Она особенно хорошо выявляла injection-подобные атаки, но полностью пропустила Semantic Data Poisoning и испытывала трудности с Control-Flow Hijacking. Precision составила 0,403, что означает заметное число ложных срабатываний. Модель предназначена для помощи в триаже, а не для автономного средства защиты; обобщение на другие агентные фреймворки не проверялось. Распространяется по лицензии MIT.

timm/pit_ti_224.in1k — модель компьютерного зрения семейства PiT (Pooling based Vision Transformer), обученная авторами статьи на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 4,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Для неё указаны вычислительная сложность 0,7 GMAC и 6,2 млн активаций. Модель принимает изображения и выдаёт классы либо признаки, в зависимости от способа использования. Весами можно пользоваться через библиотеку timm; доступны форматы PyTorch и safetensors. Лицензия — Apache-2.0. Обучение на ImageNet-1k ориентирует модель на распознавание объектов из набора классов ImageNet; для других доменов точность может отличаться.

poolformer_m36.sail_in1k — модель PoolFormer семейства MetaFormer для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи «MetaFormer Is Actually What You Need for Vision» на ImageNet-1k. Модель содержит 56,2 млн параметров; для классификации использует изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображению метки из набора классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она реализована на PyTorch и доступна в форматах PyTorch и safetensors; библиотека для работы с ней — timm. Лицензия — Apache-2.0.

PoolFormer S24 — модель классификации изображений семейства MetaFormer, опубликованная авторами статьи «MetaFormer Is Actually What You Need for Vision» и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,4 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 3,4 GMACs. Репозиторий распространяет веса в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0.

PoolFormer-v2 S36 — модель классификации изображений и извлечения признаков из семейства MetaFormer. Её обучили авторы статьи на ImageNet-1k; в модели 30,8 млн параметров, расчётный размер изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальную основу в системах распознавания и анализа изображений. Репозиторий содержит веса PyTorch и Safetensors и использует библиотеку timm. Лицензия — Apache 2.0. Описание не сообщает показатели качества и ограничения на применение; результаты могут зависеть от набора данных и последующей настройки.

Qwen1.5-32B — предварительно обученная плотная авторегрессионная языковая модель семейства Qwen от Alibaba Cloud, бета-версия Qwen2. Она построена на архитектуре Transformer с декодером и содержит 31,7 млрд параметров; версия 32B использует group query attention. Модель принимает текст и генерирует текст, поддерживает многоязычные данные и контекст до 32 768 токенов. Чекпойнт предназначен для дальнейшего обучения и адаптации, например с помощью SFT, RLHF или продолжения предобучения. В карточке указана задача генерации текста, а метаданные отмечают поддержку диалогового применения. Авторы не рекомендуют использовать базовые языковые модели этой серии для прямой генерации текста без последующего обучения. Модель распространяется в формате Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и документацией репозитория.

Qwen2-Math-RM-72B — англоязычная reward-модель, разработанная командой Qwen для оценки качества математических рассуждений и промежуточных шагов. Она построена на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров; контекст — до 4096 токенов. Модель дообучена на Qwen/Qwen2-Math-72B-Instruct. Её применяют для отбора качественных ответов с помощью rejection sampling, подачи сигнала вознаграждения при обучении с подкреплением и выбора лучшего варианта из нескольких сгенерированных ответов (Best-of-N, RM@N). README также описывает использование оценок для улучшения математических данных и моделей Qwen2-Math. Модель принимает текст и выдаёт классификационную оценку качества рассуждений. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

NVIDIA Qwen3-235B-A22B-Eagle3 — текстовая модель для ускорения генерации в режиме спекулятивного декодирования Eagle. Она основана на Qwen3-235B-A22B: обученные на синтетических данных модули Eagle предлагают несколько следующих токенов, а базовая модель проверяет кандидатов. Это позволяет за один шаг генерации принять больше одного токена. В метаданных указаны класс LlamaForCausalLMEagle3 и размер 809 млн параметров; в README базовая модель описана как MoE с 32 млрд активируемых параметров и 1 трлн параметров всего. Модель принимает последовательности текста и выдаёт текст. Она предназначена для разработчиков чат-ботов, агентных систем, RAG-приложений и других решений на базе ИИ, а также для типовых задач следования инструкциям. Контекст — до 40 960 токенов по метаданным. Для запуска README указывает TensorRT-LLM и NVIDIA Blackwell; версия Model Optimizer — 0.35.0. Это специализированная Eagle-надстройка для спекулятивного декодирования, поэтому для работы ей нужна совместимая базовая Qwen3-235B-A22B и среда TensorRT-LLM. README заявляет возможность коммерческого и некоммерческого использования, но метаданные обозначают лицензию как other; перед внедрением следует проверить условия лицензии репозитория.

Это черновая модель DSpark для ускорения авторегрессионной генерации методом спекулятивного декодирования вместе с Qwen/Qwen3-4B. Она предлагает до 16 токенов за итерацию, а основная модель-верификатор принимает или отклоняет эти предложения. Модель предназначена для работы через vLLM и реализацию speculators с поддержкой DSpark; самостоятельно генерировать текст без соответствующего верификатора она не предназначена. Архитектура включает 5 слоёв draft-трансформера, один слой состояния верификатора, vanilla Markov head ранга 256 и включённую confidence head. Веса сохранены в safetensors с точностью bfloat16; размер файла параметров — 1,23 ГБ. В README приведены результаты проверки на задачах программирования, рассуждений и ответов на вопросы, однако фактическая скорость зависит от запросов, оборудования, размера пакета и конфигурации сервинга. Это экспериментальный базовый чекпойнт, обученный один эпох на данных, связанных с Qwen3-4B; он наследует поведение и ограничения модели-верификатора. Для применения нужны совместимые версии vLLM и speculators, а также исходные Qwen/Qwen3-4B и её токенизатор. Лицензия репозитория — Apache-2.0; ограничения лицензии верификатора также применяются.

Это черновая модель DSpark для спекулятивного декодирования, разработанная на базе Qwen/Qwen3-4B и предназначенная для совместной работы с ней как моделью-проверяющим. Она предлагает до восьми токенов за итерацию генерации, чтобы ускорить вывод в vLLM с библиотекой speculators; самостоятельно генерировать текст как полноценная языковая модель не предназначена. Модель использует пять черновых трансформерных слоёв, Markov head ранга 256 и голову оценки уверенности; при обучении применялся метод взвешивания позиций D-PARD. В README приведены результаты валидации и бенчмарков для задач программирования, математических рассуждений и вопросов и ответов. Для работы требуются совместимые версии vLLM и speculators, а также модель-проверяющий и токенизатор Qwen/Qwen3-4B. Эффективность зависит от запросов, оборудования, размера пакета, версии ПО и настроек обслуживания; длина принятых последовательностей сама по себе не гарантирует ускорения общей пропускной способности. Модель распространяется по лицензии Apache-2.0, а ограничения и условия лицензии проверяющей модели также применимы.

Qwen3.5-35B-A3B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для ускорения генерации с целевой моделью Qwen/Qwen3.5-35B-A3B. Это не самостоятельная языковая модель: её подключают к серверу инференса с поддержкой спекулятивного декодирования DFlash, например SGLang. Модель использует облегчённый блочно-диффузионный черновой алгоритм, который предлагает несколько токенов параллельно, а целевая модель проверяет предложения, сохраняя своё распределение выходов. В README указаны обучение на последовательностях длиной 40 тысяч токенов и скользящее оконное внимание; метаданные указывают 798 млн параметров и нативный контекст 262 144 токена. Формат весов — safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель предназначена для увеличения пропускной способности при обслуживании запросов к целевой модели; приведённые в карточке тесты показывают ускорение на задачах математики и программирования. Результаты зависят от сервера, оборудования и параметров декодирования. Для работы необходима совместимая целевая модель и поддержка DFlash в сервере инференса; использовать этот чекпойнт как самостоятельную модель нельзя.

Qwen3.5-4B PerfectBlend DSpark — пятислойная черновая модель спекулятивного декодирования, дообученная shanjiaz для Qwen/Qwen3.5-4B. Она предлагает до восьми токенов за шаг, используя скрытые состояния слоёв 19, 23, 27, 29 и 31 основной модели; целевая модель проверяет эти предложения, поэтому черновая модель ускоряет генерацию, сохраняя распределение выходов основной модели. Модель предназначена для использования с vLLM, поддерживающим DSpark. В тестах на девяти наборах, включая HumanEval, математические рассуждения и вопросы-ответы, средняя доля принятых черновых токенов составила 39,26% при температуре 0. Обучение проходило на 10 000 примерах Qwen/Qwen3.5-4B, сгенерированных при температуре 0; при вероятностной генерации принятие заметно ниже, поэтому параметры семплирования следует проверять на целевой нагрузке. Это вспомогательная модель для ускорения текстовой генерации, а не самостоятельная замена базовой Qwen3.5-4B. Репозиторий содержит веса safetensors, библиотека — speculators. Лицензия Apache-2.0.

Qwen3.6-27B MTP — модель чернового предсказания от Inferencer Labs на основе Qwen/Qwen3.6-27B. Она содержит извлечённые слои Multi-Token Prediction (MTP) и предназначена для совместной работы с Qwen3.6-27B-MLX в режиме спекулятивного декодирования, чтобы ускорять генерацию токенов. Карточка сообщает о тестировании на компьютере с M3 Ultra и 512 ГБ памяти через приложение Inferencer; в тесте программирования вариант с квантованием Q4.5 обеспечивал более высокую пропускную способность без потери качества и с меньшими требованиями к памяти. Модель относится к семейству Qwen3.5 MTP, имеет плотную архитектуру и опубликована в формате safetensors для библиотеки MLX. Метаданные указывают поддержку изображений и задачу image-text-to-text; базовая Qwen3.6-27B описана как мультимодальная модель на 27 млрд параметров для программирования, агентных задач и работы с изображениями. Язык карточки — английский. Лицензия в предоставленных данных не указана.

Это модель-энкодер изображений Qwen ViT, преобразованная из vision-компонента Qwen3.8-27B в формат timm. Она предназначена для извлечения признаков и получения векторных представлений изображений, которые можно использовать в последующих задачах классификации или других компьютерно-зрительных пайплайнах. Весов языковой модели и обученной классификационной головы в репозитории нет. Модель содержит около 459,8 млн параметров: ширина backbone — 1152, проекция признаков — 5120. Она использует GELU-tanh MLP, обучаемые абсолютные позиционные эмбеддинги, осевое 2D RoPE и пространственный merger; выходные признаки усредняются и нормализуются без аффинных параметров. Указанный размер изображения — 768 × 768; поддерживаются прямоугольные изображения, размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. Модель принимает RGB-изображения с нормализацией mean и std 0,5. Лицензия — Apache 2.0. README указывает, что это перенос весов в timm без дополнительного обучения. Поэтому новая классификационная голова инициализируется случайно и требует обучения на целевом наборе данных; извлечённые признаки сами по себе не являются готовыми метками классов.

Это модель-энкодер для извлечения признаков изображений, созданная как нативное для timm представление весов визуального энкодера Qwen3.5-0.8B. Разработчики перенесли архитектуру vision backbone в timm без дополнительного обучения; в чекпойнте около 87,4 млн параметров, классификационной головы и весов языковой модели нет. Модель рассчитана на получение пространственных признаков и векторных представлений изображений, а не на диалог или генерацию текста. Энкодер использует MLP-блоки с GELU-tanh, обучаемые абсолютные позиционные представления и осевой двумерный RoPE. Поддерживаются прямоугольные входы; размер каждой стороны должен делиться на 16, а для вариантов с объединением токенов 2×2 — на 32. Входные RGB-пиксели нормализуются со средним и стандартным отклонением 0,5. Для входного изображения временное измерение исходного ядра свёртки сводится к двумерной свёртке. Модель подходит для извлечения признаков перед обучением классификатора или другими задачами компьютерного зрения. Усреднённое пулинг-представление можно использовать как эмбеддинг изображения, а пространственные карты признаков — как основу для последующей обработки. Для классификации требуется обучить новую линейную голову на целевом наборе данных. Лицензия — Apache 2.0.

RakutenAI-7B — базовая языковая модель, разработанная Rakuten Group, Inc. на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель с 7,2 млрд параметров и контекстом до 32 768 токенов. Для японского языка словарь расширен с 32 тыс. до 48 тыс. токенов, чтобы эффективнее представлять японские символы. Модель предназначена для генерации текста и оценки или последующей адаптации под задачи на японском и английском языках. В карточке приведены результаты тестирования на японских и английских бенчмарках понимания языка. Это базовая модель, а не версия для инструкций или чата; для диалога разработчик предлагает отдельные instruct- и chat-варианты. Модель может создавать предвзятый, неточный или небезопасный текст. Распространяется по лицензии Apache 2.0.

regnetx_160.tv2_in1k — модель компьютерного зрения семейства RegNetX-16GF, подготовленная авторами torchvision и представленная в реализации timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Модель содержит 54,3 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных признаков и конфигурируемые слои активации и нормализации. Веса доступны в форматах PyTorch и safetensors. Модель подходит для распознавания объектов и категорий на изображениях общего назначения и может служить визуальным backbone для последующих задач. Она обучена на ImageNet-1k, поэтому её классификация ограничена категориями и распределением данных этого набора; для других предметных областей может потребоваться адаптация. Лицензия — BSD 3-Clause.

RegNetY-16GF — модель классификации изображений и извлечения признаков из семейства RegNet, опубликованная Ross Wightman в библиотеке timm. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; число параметров — около 83,6 млн. Для обучения указано разрешение 224×224 пикселя, для тестирования — 288×288. Модель подходит для классификации изображений по категориям ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настройку выходного шага сети. Модель принимает изображения и выдаёт классы либо признаки, в зависимости от выбранного режима использования. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях по применению.

RepGhostNet 1.3.0 — модель классификации изображений и извлечения признаков из семейства RepGhostNet, опубликованная авторами статьи RepGhost и обученная на ImageNet-1k. Она подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов в приложениях компьютерного зрения. Модель содержит около 5,5 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную стоимость около 0,2 GMAC. Архитектура использует аппаратно-эффективный модуль Ghost с перепараметризацией. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

ResNet-101 Gluon In1k — свёрточная модель классификации изображений и извлечения признаков, представленная в библиотеке timm. Она обучена на ImageNet-1k в Apache Gluon по рецептам Bag of Tricks. Архитектура ResNet-B использует активации ReLU, свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1; модель содержит 44,5 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

ResNet152D Gluon IN1K — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецептам Bag of Tricks. Архитектура ResNet-D использует ReLU, начальный блок из трёх свёрток 3×3 с пулингом и короткие соединения с усредняющим пулингом 2×2 и свёрткой 1×1. Модель содержит 60,2 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель подходит для классификации изображений на категории ImageNet-1k, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Доступна в форматах PyTorch и safetensors; библиотека модели — timm. Лицензия Apache-2.0.

Это предварительно обученные веса энкодера ResNet-18 с меткой swsl, подготовленные для использования в библиотеке segmentation-models-pytorch. Модель предназначена для извлечения признаков изображений как части систем компьютерного зрения, в частности сегментационных моделей; в метаданных также указана задача классификации изображений. Архитектура — ResNet-18, веса сохранены в формате safetensors. Карточка не сообщает размер модели, языки или подробности обучения. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории.

timm/resnet32ts.ra2_in1k — модель классификации изображений, разработанная Россом Уайтманом и обученная на ImageNet-1k с использованием библиотеки timm. Она основана на архитектуре ResNet и реализована через гибкую систему BYOBNet в timm. Модель содержит около 18 млн параметров; в README указаны размеры изображений 256 × 256 для обучения и 288 × 288 для тестирования. Вариант ra2 использует трёхуровневый ступенчатый stem без pooling и активации SiLU. Модель предназначена для классификации изображений, а также может использоваться как backbone для извлечения признаковых карт и векторов изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Заявленные характеристики вычислений составляют 4,6 GMACs и 11,6 млн активаций. README не приводит перечень классов, точность на тестовых наборах или параметры контекста; качество результатов зависит от входных изображений и используемого сценария.