II.10Разработка и эксплуатация AI/ML-систем

ResNet33ts.ra2_in1k — свёрточная модель для классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и реализованная в библиотеке timm. Она обучена на ImageNet-1k и содержит 19,7 млн параметров. Архитектура BYOBNet использует трёхуровневый stem без pooling и активации SiLU; модель также поддерживает извлечение карт признаков и эмбеддингов. Размер изображения при обучении составлял 256 × 256, при тестировании — 288 × 288. Модель подходит для определения объектов на изображениях и как backbone для последующих задач компьютерного зрения. Опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet-50.a2_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A2. Она использует архитектуру ResNet с активациями ReLU, начальной свёрткой 7×7 с pooling и shortcut-свёртками 1×1. Модель содержит 25,6 млн параметров и предназначена для классификации изображений и извлечения признаковых карт и эмбеддингов. Модель подходит для распознавания объектов и категорий на изображениях, а также как визуальная основа для других систем компьютерного зрения. В README указаны размер обучения 224×224 и тестирования 288×288 пикселей. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet50.fb_swsl_ig1b_ft_in1k — модель классификации изображений семейства ResNet, опубликованная авторами timm. Она содержит 25,6 млн параметров и также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура включает ReLU, свёртку 7×7 с pooling и shortcut-соединения с понижающей свёрткой 1×1; стандартный размер изображения — 224×224 пикселя. Модель предварительно обучена на хештегах Instagram-1B методом semi-weakly supervised learning, затем дообучена авторами исходной работы на ImageNet-1k. Она предназначена для отнесения изображений к классам ImageNet, а также для получения визуальных признаков в задачах компьютерного зрения. Репозиторий поддерживает PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ResNetAA50.a1h_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она использует архитектуру ResNet-B с Rectangle-2 Anti-Aliasing, ReLU, свёрткой 7×7 с последующим пулингом и обходными соединениями с проекцией 1×1. Модель содержит 25,6 млн параметров и подходит также как основа для извлечения признаковых карт и эмбеддингов изображений. Модель обучалась по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, аугментацией RandAugment, dropout, stochastic depth и косинусным расписанием скорости обучения с разогревом. Размер изображений при обучении — 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNetV2-101 A1H — сверточная модель классификации изображений из библиотеки timm, подготовленная Россом Уайтманом. Модель обучена на ImageNet-1k по рецепту A1 из работы «ResNet Strikes Back» и также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В архитектуре ResNet-V2 с предварительной активацией около 44,5 млн параметров; вычислительная сложность составляет 7,8 GMACs. Рекомендуемый размер изображения — 224 × 224 пикселя. Модель принимает изображение и предсказывает класс из набора ImageNet-1k; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач. Её обучение ориентировано на классы ImageNet-1k, поэтому качество на других наборах данных и предметных областях может отличаться; для узкоспециализированных задач может потребоваться адаптация.

ResNetV2-18 — модель классификации изображений и сверточная основа для извлечения признаков, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она подходит для распознавания объектов на изображениях, построения карт признаков и извлечения эмбеддингов для последующих задач компьютерного зрения. Модель содержит 11,7 млн параметров и требует около 1,8 GMAC на изображение. При обучении использовался размер изображения 224×224 пикселя, при оценке — 288×288. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Обучение сочетает гиперпараметры, вдохновлённые MobileNet-V4 Small, стандартные настройки timm и подходы из работы «ResNet Strikes Back». Обучение на ImageNet-1k ориентирует модель на классификацию категорий этого набора; качество на иных данных может отличаться, и для специализированных классов может потребоваться дообучение.

ResNeXt-50 32x4d Gluon IN1k — сверточная модель классификации изображений из библиотеки timm, разработанная на основе архитектуры ResNeXt и обученная на ImageNet-1k по рецептам Bag of Tricks в Apache Gluon. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 25 млн параметров, использует ReLU, начальную свертку 7×7 с пулингом, групповые свертки 3×3 в bottleneck-блоках и проекции 1×1 в shortcut-соединениях. Рекомендуемый размер входного изображения — 224×224. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель рассчитана на распознавание объектов из ImageNet-1k; перенос на другие наборы классов или предметные области может потребовать дополнительного обучения. В карточке не приведены языковые возможности, поскольку модель обрабатывает изображения и выдаёт классы, а не текст.

RetrievalRouter-lambda-l70 — контрольная точка маршрутизатора поиска по документам, разработанная для работы по запросу из статьи RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval. Модель на основе Qwen3-0.6B-Base с адаптерами LoRA кодирует текстовый запрос в вектор размерности 1024 и выбирает один из пяти вариантов поискового конвейера: текстовый или мультимодальный поиск, с плотным поиском и возможным поздним переранжированием. Параметр λ=0,7 задаёт компромисс в пользу меньшей задержки при сохранении качества поиска. Модель предназначена для систем RAG и поиска по документам, где заранее подготовлено несколько индексов и поисковых конвейеров. Она классифицирует запрос, чтобы направить его в подходящий конвейер до начала поиска; сама документы не извлекает и не ранжирует. Обучена на английских запросах из финансовых, научных и открытых корпусов; применение к другим языкам и областям не проверено. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — MIT.

SelecSLS60b.in1k — сверточная модель компьютерного зрения для классификации изображений и извлечения признаков. Она обучена авторами статьи на ImageNet-1k; в карточке указано 32,8 млн параметров, 3,6 GMACs и размер входного изображения 224 × 224 пикселя. Модель можно использовать для отнесения изображения к одному из классов ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она доступна через библиотеку timm в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0.

seresnet50.ra2_in1k — модель классификации изображений семейства SE-ResNet, опубликованная командой timm. Она использует остаточную архитектуру ResNet с механизмом Squeeze-and-Excitation для внимания к каналам; в карточке указаны активации ReLU, свёртка 7×7 с пулингом и 1×1-свёртки в обходных соединениях. Модель содержит 28,1 млн параметров и обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов. Для обучения указано разрешение 224×224 пикселя, для проверки — 288×288. В репозитории представлены веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка приводит общие сведения об архитектуре и обучении, но не уточняет число классов классификатора и метрики именно этой версии.

seresnextaa101d_32x8d.ah_in1k — свёрточная модель классификации изображений из библиотеки timm. Она использует архитектуру SE-ResNeXt-D с группированными свёртками, остаточными связями, механизмом Squeeze-and-Excitation для внимания к каналам и Rectangle-2 Anti-Aliasing. Модель обучена на ImageNet-1k по рецепту на основе ResNet Strikes Back A1. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Она содержит 93,6 млн параметров; размер изображений при обучении составляет 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

Shieldstral-1.0-3B-GGUF — это набор квантизированных весов в формате GGUF для компактного мультимодального классификатора безопасности Shieldstral-1.0-3B, разработанного Mistral AI. Репозиторий Abiray содержит варианты весов для запуска через llama.cpp на CPU и GPU, включая текстовые модели и отдельный проектор для обработки изображений. Модель предназначена для адаптивной модерации текста и изображений: вместо фиксированных категорий безопасности она оценивает контент по политике, сформулированной на естественном языке. Результат сводится к бинарному ответу «yes» или «no», при этом модель также формирует непрерывную оценку уверенности на основе вероятностей токенов. Она ориентирована на лёгкую работу в реальном времени на периферийных устройствах и обычном пользовательском оборудовании. Доступны квантизации от Q3_K_M до Q8_0; размер текстовых файлов составляет примерно от 1,80 до 3,65 ГБ. Рекомендуется Q4_K_M как компромисс между размером, скоростью и качеством. Для мультимодальной модерации необходим отдельный проектор mmproj в формате BF16 или F16 размером около 840–850 МБ; для изображений рекомендуется контекст 4096 токенов. README не указывает поддерживаемые языки и точную архитектуру базовой модели. Надёжность может различаться для языков и предметных областей, представленных в обучающих данных неравномерно. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование открытых весов.

UBC-NLP/Simba-SLID-49 — модель семейства Simba, разработанная UBC-NLP и представленная в работе «Voice of a Continent». Это модель распознавания устного языка: она анализирует аудиозапись речи и определяет, на каком из 49 поддерживаемых языков она произнесена, что подходит для маршрутизации аудиозапросов к языковым системам. Модель построена на архитектуре HuBERT и содержит 113,3 млн параметров. Она ориентирована прежде всего на африканские языки, включая хауса, игбо, суахили, йоруба и другие, а также поддерживает английский, арабский и африкаанс. В метаданных указан набор SimbaBench. Модель распространяется по лицензии CC BY 4.0.

RUSpam/spam_deberta_v4 — русскоязычная модель классификации текста на спам и не спам, разработанная на основе архитектуры DeBERTa и дообученная на наборе данных RUSpam/spam_dataset_v4. Она подходит для фильтрации спам-сообщений и автоматической разметки входящих текстов. Модель содержит 95,2 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса. Распространяется в форматах PyTorch и Safetensors по лицензии MIT.

timm/starnet_s2.in1k — модель StarNet для классификации изображений, обученная авторами архитектуры на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует около 0,5 GMACs вычислений и рассчитана на изображения размером 224 × 224 пикселя. Она доступна в формате PyTorch с весами Safetensors и используется через библиотеку timm. Подходит для классификации изображений и получения визуальных признаков в компьютерном зрении, особенно когда важны компактный размер и низкая вычислительная стоимость. Языковой ввод не поддерживает. Лицензия — Apache-2.0.

timm/swin_base_patch4_window12_384.ms_in1k — модель классификации изображений на архитектуре Swin Transformer, опубликованная авторами статьи и распространяемая через библиотеку timm. Она предварительно обучена на ImageNet-1k и может использоваться для классификации изображений, извлечения карт признаков и получения эмбеддингов. Модель содержит 87,9 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Swin Transformer использует иерархическую структуру и сдвинутые окна внимания для обработки визуальных данных. В репозитории доступны веса PyTorch и Safetensors. Лицензия MIT разрешает свободное использование и распространение при соблюдении её условий. Карточка не сообщает о специальных ограничениях применения.

Swin Small Patch4 Window7 224 ms in1k — модель классификации изображений и визуальная backbone-модель из библиотеки timm. Она основана на архитектуре Swin Transformer с иерархическими представлениями и сдвинутыми окнами внимания. Модель разработана авторами Swin Transformer и предварительно обучена на ImageNet-1k. Веса содержат 49,6 млн параметров; модель рассчитана на изображения размером 224 × 224 пикселя и требует 8,8 GMACs на проход. Помимо классификации, её можно использовать для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — MIT.

Swin Tiny — модель классификации изображений на базе иерархического Vision Transformer со сдвинутыми окнами внимания. Её распространяет библиотека timm; исходную модель обучили авторы статьи Swin Transformer: сначала на ImageNet-22k, затем дообучили на ImageNet-1k. В модели 28,3 млн параметров, она рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для распознавания объектов и сцен на изображениях, а также для построения прикладных систем компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT.

TabPFNMix Classifier — модель AutoGluon для классификации табличных данных. Это табличная фундаментальная модель на основе 12-слойного Transformer с архитектурой encoder-decoder и 37 млн параметров. Она предварительно обучена на синтетических наборах данных, полученных от смеси случайных классификаторов, и использует обучение в контексте, аналогичное TabPFN и TabForestPFN. Модель предназначена для предсказания классов по строкам табличных данных. Для использования автор рекомендует библиотеку AutoGluon. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Technique Router — англоязычный классификатор на базе MiniLM, дообученный для выбора способа подготовки изображения к запросу в Headroom SDK. Он принимает текстовый запрос пользователя об изображении и относит его к одной из техник оптимизации, например transcode для извлечения текста и OCR, crop для запросов о конкретной области или preserve для сохранения изображения. Такой выбор помогает сокращать расход токенов при анализе изображений моделями vision-language. Модель построена на архитектуре BERT и содержит около 40 млн параметров; контекст — до 512 токенов. По карточке, обучение проводилось на 1 157 примерах, а точность на валидационной выборке составила 93,7%. Модель рассчитана на англоязычные запросы; указана лицензия Apache-2.0. Классификатор оптимизирован для распространённых запросов об изображениях и может хуже обобщать на специализированную терминологию. Указанная точность получена на ограниченной валидационной выборке и не гарантирует аналогичного результата на других данных.

tf_efficientnet_b6.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Ross Wightman перенёс веса в PyTorch. Модель содержит около 43 млн параметров, использует изображения размером 528 × 528 и также может служить основой для извлечения карт признаков и эмбеддингов. Модель предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в прикладных системах компьютерного зрения. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сведения о поддерживаемых естественных языках; модель работает с изображениями и выдаёт классы либо признаки.

Это веса EfficientNet-B4, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель классифицирует изображения и извлекает визуальные признаки, которые можно применять как основу для задач сегментации изображений. Репозиторий предоставляет веса в формате safetensors; библиотека использует PyTorch. Карточка не сообщает размер модели, поддерживаемые языки или отдельные характеристики точности. Лицензия указана как other, поэтому условия использования следует проверить в репозитории.

В репозитории smp-hub размещены предварительно обученные на ImageNet веса EfficientNet-B5 из семейства timm. Модель предназначена для классификации изображений и может использоваться как энкодер в библиотеке segmentation-models-pytorch, в том числе в моделях сегментации. Весовые файлы представлены в формате safetensors; библиотека для работы с моделью — segmentation-models-pytorch. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и исходных весов. В карточке не приведены сведения о точности, размере модели и ограничениях применения.

TinyLlama-1.1B-Chat-v0.2 — компактная чат-модель проекта TinyLlama, дообученная на базе промежуточного чекпойнта PY007/TinyLlama-1.1B-intermediate-step-240k-503b на наборе OpenAssistant/oasst_top1_2023-08-25. Она использует плотную архитектуру Llama с 1,1 млрд параметров и токенизатор Llama 2; диалоги оформляются в формате ChatML. Модель предназначена для генерации ответов в диалоге и интеграции в приложения с ограниченными требованиями к памяти и вычислениям. Контекст составляет 2048 токенов, поддерживается генерация текста на английском языке. Выпущена под лицензией Apache-2.0.

tiny_vit_21m_224.dist_in22k — модель TinyViT для классификации изображений, опубликованная авторами timm. Она предварительно обучена на ImageNet-22k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 33,2 млн параметров, выполняет около 4,1 GMAC на изображение и рассчитана на вход размером 224 × 224 пикселя. Модель подходит для классификации изображений и получения визуальных признаков в прикладных конвейерах компьютерного зрения. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

TIPS-Qwen3-4B-Thinking-2507-Math — языковая модель семейства Qwen3, разработанная XingYing-stack на основе Qwen/Qwen3-4B-Thinking-2507. Чекпойнт дообучен методом GRPO на данных TIPS и предназначен для оценки математических решений: модель рассуждает по решению, затем выдаёт метки для отдельных шагов и итоговую оценку. Это генеративная reward-модель для проверки хода рассуждений, а не универсальный чат-бот. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Принимает текстовые математические решения и генерирует текстовые оценки. Для работы авторы рекомендуют использовать шаблоны промптов и скрипты оценки из репозитория TIPS. Модель доступна по лицензии Apache-2.0.

T-one — потоковая модель автоматического распознавания русской речи, разработанная T-Software DC для телефонных разговоров и других аудиосценариев. В состав решения входят акустическая модель, детектор границ фраз и декодер CTC с поиском по лучу на основе KenLM; доступны примеры для потоковой и пакетной обработки, дообучения и развёртывания. Акустическая часть содержит 71 млн параметров и основана на архитектуре Conformer с CTC-обучением. Она обрабатывает аудио фрагментами по 300 мс и поддерживает потоковый вывод текста с временными метками слов. В README приведены результаты сравнительных тестов, в которых модель показывает сильные результаты на телефонных данных, включая записи колл-центров. Модель обучена на более чем 80 тысячах часов русской речи из телефонных, дальнепольных и смешанных данных. Хотя основной сценарий — телефонное аудио, README указывает на устойчивость к другим доменам. Модель распространяется по лицензии Apache-2.0.

Tulu V2.5 13B RM — англоязычная модель вознаграждения, разработанная AllenAI для обучения с подкреплением на основе человеческих предпочтений. Она оценивает текстовые ответы помощника и предназначена прежде всего для использования в PPO-пайплайнах и исследованиях методов RLHF, а не как самостоятельный чат-бот. Модель основана на архитектуре Llama 2, содержит 12,9 млрд параметров и принимает текст с шаблоном диалога, заданным в токенизаторе; контекст составляет 4096 токенов. Модель дообучена на наборе HH-RLHF 60k с использованием данных Tulu и обучалась с помощью JAX RM trainer на EasyLM. Карточка указывает английский язык и лицензию Apache 2.0. Оценки модели отражают предпочтения, усвоенные из обучающих данных, и могут не совпадать с предпочтениями конкретного приложения; для надёжного применения требуется оценка и настройка в целевом пайплайне.

Tulu V2.5 7B RM — англоязычная reward-модель серии Tulu, разработанной AllenAI. Она оценивает ответы языковой модели и предназначена для использования в обучении с подкреплением по PPO на основе предпочтений. Модель дообучена на базе allenai/tulu-2-7b; в карточке указано, что при обучении использовался набор UltraFeedback, включая раздел ultrafeedback_mean_aspects. Архитектура — плотная Llama с классификационной головой для последовательностей, размер — 6,6 млрд параметров, контекст — 2048 токенов. Модель принимает текст в формате, предусмотренном шаблоном чата токенизатора, и выдаёт оценку текста. Она рассчитана на английский язык и может применяться в конвейерах RLHF, в частности при обучении PPO. Лицензия — Apache 2.0. Карточка характеризует модель как исследовательский артефакт; оценки качества и другие ограничения отдельно не описаны.

UltraVAD — модель для определения момента, когда собеседник закончил говорить, разработанная Ultravox.ai. Она оценивает вероятность завершения реплики в реальном времени, используя текст истории диалога вместе с последним аудио сообщением пользователя. Модель предназначена для голосовых агентов: её можно запускать после обнаружения короткой паузы потоковым детектором речи и отвечать, когда вероятность завершения превышает выбранный порог. Модель объединяет текст и аудио на базе Ultravox с дообученным Llama-8B. Она поддерживает 26 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. По данным карточки, прямой проход занимает около 65–110 мс на A6000. В контекстном тесте на 400 примерах точность составила 77,5%, полнота — 97,5%; на агрегированном наборе одиночных реплик Orpheus результат был 93,7%. Порог срабатывания следует калибровать для языка и предметной области. Лицензия в предоставленных данных не указана.