II.10Разработка и эксплуатация AI/ML-систем

Vaayu-Base — небольшая языковая модель, разработанная командой Vaayu и обученная с нуля для генерации структурированных вызовов инструментов. Она предназначена для локального выполнения, встраивания в приложения и работы с инструментами через Model Context Protocol (MCP), включая сценарии автономных агентных циклов. Модель использует плотную архитектуру декодера Transformer с RoPE, Grouped Query Attention, SwiGLU и Pre-RMSNorm. В метаданных указано 213,1 млн параметров, а README приводит точное значение 245 924 864 параметра. Контекст составляет 2048 токенов. Заявленная специализация — схемы JSON-RPC и контракты инструментов; модель поддерживает английский язык и выдаёт текстовые структурированные payload. README приводит результаты внутренних и стандартизированных оценок, но они не подтверждают пригодность для широкого диалога. Модель распространяется под лицензией MIT. Она не предназначена для открытого творческого письма или ответов на общие вопросы; короткий контекст ограничивает работу с большим числом подробных схем инструментов. Среда выполнения должна проверять и безопасно ограничивать действия, запрошенные моделью.

Vela Safety — модель классификации текста для выявления общих рисков безопасности и маршрутизации запросов к подходящей обработке. Её разработала команда llm-semantic-router как дообученную версию Vela-1.0-Encoder-307M на базе ModernBERT с архитектурой ModernBertForSequenceClassification. Модель содержит 306,9 млн параметров и принимает до 32 768 токенов, включая специальные токены. В оценках на наборах Reviewed safety и CultureGuard Vela показала более высокий Macro F1, чем исходная модель mmBERT Safety, а на AEGIS — более низкий. Эти наборы использовались при выборе модели и не являются независимыми тестами. Сигнал риска может требовать поддерживающего ответа, в том числе помощи при кризисной ситуации, и сам по себе не означает необходимость отказа. Репозиторий содержит веса safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0.

Vela Safety — модель классификации текста от vLLM Semantic Router для выявления общих рисков в пользовательских сообщениях и маршрутизации запросов к подходящей обработке безопасности. Она содержит 306,9 млн параметров, построена на архитектуре ModernBERT и принимает входы длиной до 32 768 токенов, включая специальные токены. Модель предназначена для анализа запросов перед передачей их соответствующему сценарию обработки; сигнал риска может указывать на необходимость поддерживающей реакции, например помощи в кризисной ситуации, и сам по себе не означает, что запрос нужно отклонить. В карточке приведены результаты оценки на трёх наборах: Vela превосходит исходную mmBERT Safety на Reviewed safety и CultureGuard, но уступает на AEGIS. Эти наборы использовались при выборе модели и не являются независимыми тестами; кроме того, результаты зависят от порога unsafe probability 0,5. Модель дообучена на vllm-sr/Vela-1.0-Encoder-307M, доступна в форматах Safetensors и ONNX и распространяется по лицензии Apache-2.0.

vgg13.tv_in1k — сверточная модель семейства VGG13 для классификации изображений и извлечения визуальных признаков. Модель опубликована разработчиками timm и использует оригинальные веса torchvision, обученные на ImageNet-1k. Она содержит около 133 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Она может служить визуальным backbone в более крупных компьютерно-зрительных системах. Для работы с изображениями произвольного размера или задачами вне обучающего набора потребуется соответствующая предобработка или адаптация. Веса доступны в форматах PyTorch и Safetensors. Лицензия — BSD-3-Clause.

Это модель компьютерного зрения на архитектуре Vision Transformer (ViT), распространяемая проектом timm. Авторы статьи предварительно обучили её на ImageNet-21k, затем Росс Уайтман дообучил её на ImageNet-1k с дополнительной аугментацией и регуляризацией. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по классам ImageNet-1k; её также можно использовать как основу для извлечения признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и Safetensors и использует библиотеку timm. Лицензия — Apache-2.0. Качество и применимость на изображениях вне обучающих наборов зависят от конкретной задачи и данных.

vit_mediumd_patch16_reg4_gap_256.sbb2_e200_in12k — модель классификации изображений на основе Vision Transformer (ViT), разработанная Россом Уайтманом и обученная с помощью библиотеки timm на ImageNet-12k. Архитектура использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит около 69,7 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке приведены результаты сравнения родственных вариантов, но отдельные метрики этой версии не указаны. Модель распространяется по лицензии Apache-2.0.

facebook/vit-msn-base — базовая модель Vision Transformer, предварительно обученная методом Masked Siamese Networks (MSN). MSN разработан Mahmoud Assran, Mathilde Caron и соавторами; веса модели впервые опубликованы в связанном репозитории. Архитектура ViT преобразует изображение в последовательность патчей и кодирует её трансформерным энкодером; модель содержит 113,2 млн параметров. Модель извлекает признаки изображений для последующих задач компьютерного зрения. Её можно использовать как основу классификатора, добавив обучаемый классификационный слой; предварительное обучение особенно полезно, когда для целевой задачи доступно мало размеченных изображений. Модель предназначена для изображений и не генерирует текстовые описания. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит конкретные ограничения по разрешению входа или числу классов; качество на целевой задаче зависит от последующего обучения и данных.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), обученная авторами исследований на ImageNet-21k и дообученная на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса из JAX в PyTorch; модель распространяется в форматах PyTorch и safetensors через библиотеку timm. Модель содержит 22,2 млн параметров, рассчитана на изображения размером 384 × 384 и может использоваться как классификатор или основа для извлечения признаков и эмбеддингов изображений. Она предназначена для распознавания объектов и других классов ImageNet на изображениях. Лицензия — Apache-2.0. Модель обучена на ImageNet, поэтому её качество и набор распознаваемых категорий ограничены содержимым и разметкой этого датасета; для изображений вне этого распределения точность может снижаться.

timm/vit_small_r26_s32_384.augreg_in21k_ft_in1k — гибридная модель классификации изображений, объединяющая свёрточный ResNet и Vision Transformer. Её обучили авторы статьи на ImageNet-21k, а затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса в PyTorch; модель доступна в форматах PyTorch и Safetensors и рассчитана на работу с изображениями размером 384 × 384 пикселя. Модель можно применять для классификации изображений по категориям ImageNet, а также использовать как основу для извлечения визуальных признаков и эмбеддингов. В ней около 36,5 млн параметров; указанные вычислительные характеристики — 10,2 GMACs и 27,7 млн активаций. Лицензия — Apache-2.0. Модель ориентирована на классы и данные ImageNet, поэтому её точность может снижаться на изображениях и категориях, отличающихся от обучающих данных. Для специализированных классов или иных условий съёмки может потребоваться дообучение.

Это модель классификации изображений на основе Vision Transformer (ViT), опубликованная Ross Wightman в библиотеке timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков; модель также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она рассчитана на изображения размером 256×256 пикселей и содержит 134,1 млн параметров. В README приведены показатели сравнения с другими вариантами семейства, но не отдельные результаты этой модели. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Это гибридная модель ResNet и Vision Transformer для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-21k, затем дообучили на ImageNet-1k с аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm. В модели около 6,3 млн параметров; она рассчитана на изображения размером 224 × 224. Её можно применять для классификации изображений и получать эмбеддинги как визуальные признаки. Обучение охватывает классы ImageNet, поэтому качество на других типах изображений или специализированных данных может потребовать отдельной проверки и адаптации. Лицензия — Apache 2.0.

VOLO-D1 — модель компьютерного зрения семейства Vision Outlooker для классификации изображений и извлечения признаков. Репозиторий timm содержит вариант, обученный на ImageNet-1k с разметкой токенов, предложенной авторами статьи VOLO. Модель использует изображения размером 384 × 384 пикселя и насчитывает 26,8 млн параметров; также её можно применять как основу для получения эмбеддингов изображений. Модель предназначена для определения объектов и категорий на изображениях, в том числе как визуальный backbone в системах компьютерного зрения. Она доступна в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Описание не сообщает об ограничениях на конкретные типы изображений или метриках качества; обучение на ImageNet-1k задаёт основной сценарий распознавания категорий этого набора.

eugenehp/w2v-bert-2.0 — это staging-репозиторий с перераспространёнными весами энкодера Seamless W2V-BERT 2.0 Conformer для запуска через RLX. Модель содержит 402,7 млн параметров; доступны веса Safetensors и GGUF в формате F16. Репозиторий подготовлен для загрузчиков RLX и ссылается на пакет rlx-wav2vec2-bert. Энкодер предназначен для извлечения признаков из аудио и может служить компонентом речевых ML-конвейеров. README предупреждает, что эти файлы не являются основным поддерживаемым runtime-пакетом RLX, а репозиторий опубликован как стабильная точка загрузки для рецептов RLX. Лицензия — MIT.

Facebook AI разработала Wav2Vec2-base-VoxPopuli-V2 — базовую модель wav2vec 2.0 с 113,3 млн параметров, предварительно обученную на 21,4 тыс. часов неразмеченной испанской речи из VoxPopuli. Она принимает аудио с частотой дискретизации 16 кГц и строит речевые представления; для распознавания речи её необходимо дополнить токенизатором и дообучить на размеченных аудиозаписях и текстах на испанском языке. Модель подходит как основа для экспериментов и разработки систем распознавания испанской речи после дообучения. В текущем виде она не содержит токенизатора и не выдаёт текст транскрипции напрямую. Распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

anton-l/wav2vec2-base-lang-id — дообученная модель классификации аудио на основе facebook/wav2vec2-base. Она предназначена для определения языка по аудиозаписи и обучена на наборе данных anton-l/common_language. Модель содержит 113,3 млн параметров; в проверке на оценочном наборе показала точность 0,7945 и loss 0,9836. Модель использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает поддерживаемый перечень языков и условия записи аудио, поэтому результаты для конкретных языков и акустических условий по приведённым данным определить нельзя.

nguyenvulebinh/wav2vec2-base-vi — акустическая модель на архитектуре wav2vec2, разработанная для самоконтролируемого предварительного обучения на вьетнамской речи. Модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Для обучения использовался набор из примерно 13 тысяч часов аудио с YouTube на вьетнамском языке: чистая и зашумлённая речь, разговоры, разные голоса и диалекты. Модель предназначена как акустическая основа для распознавания вьетнамской речи. В README приведены результаты на тестовом наборе VLSP 2020 для семейства base и large; показатели base составляют WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

facebook/wav2vec2-conformer-rope-large — акустическая модель семейства Wav2Vec2-Conformer, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko и Juan Pino. Модель содержит 402,7 млн параметров и предварительно обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц; в архитектуре используются rotary position embeddings. Модель предназначена для извлечения акустических представлений речи и может служить основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных текстовых данных. Она принимает аудио с частотой 16 кГц и не выдаёт готовую транскрипцию без такой дополнительной настройки. В карточке указан английский язык и набор данных LibriSpeech ASR. Весы опубликованы в формате PyTorch по лицензии Apache-2.0. Ключевое ограничение — это предобученная на аудио модель без токенизатора, поэтому для распознавания речи требуется отдельная настройка на размеченных данных.

chaanks/wav2vec2-small — модель на архитектуре Wav2Vec2, опубликованная пользователем chaanks на Hugging Face. Она предназначена для извлечения признаков из аудиосигналов речи и может использоваться как речевой энкодер в последующих задачах машинного обучения. Модель содержит около 113,3 млн параметров и распространяется в формате Safetensors для PyTorch и Transformers. Основная модальность — аудио; в метаданных указан pipeline feature-extraction. Языковая специализация и длина контекста не определены по доступным данным. Лицензия в доступных источниках не указана.

ACR-instance-segmentaiton-refinement-v1.0.0 — это пакет развёртывания модели сегментации экземпляров, опубликованный cmes-deepvision. Он основан на чекпойнте эксперимента exp5 refinement-only и преобразован из ONNX в смешанную точность TensorRT FP16; архитектура относится к Deformable DETR с классом OpenVocabMaskPromptMaskDINO. Модель принимает изображение 1280×1280 и маску пикселей, а также использует промпты possible и impossible для уточнения сегментации. Пакет предназначен для уточнения масок объектов и ускоренного инференса на GPU. В фиксированной оценке на 120 изображениях TensorRT-вариант показал F1 0,6711 и ускорение примерно в 6,7 раза относительно PyTorch FP32 в исходном серверном замере; на RTX 5080 и RTX 5070 также наблюдалось ускорение без заметного изменения F1. Для повышения численной устойчивости часть слоёв оставлена в FP32. В репозитории есть ONNX-модель и TensorRT-движки для A100 и RTX 5080; формат safetensors также указан в метаданных. TensorRT-движки зависят от архитектуры GPU и версии TensorRT: для другой конфигурации README рекомендует пересобрать движок из ONNX. Лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

dccuchile/ALBERT Base Spanish — базовая языковая модель семейства ALBERT, обученная на большом корпусе испанских текстов. Разработчик — dccuchile; карточка указывает, что обучение проводилось на TPU v3-8 примерно 70 дней. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена как испаноязычная основа для задач понимания и обработки текста, а также для последующего дообучения под конкретные сценарии. В метаданных указан класс AlbertForPreTraining и теги pretraining, но отдельный pipeline_tag и конкретные downstream-задачи не приведены. Лицензия в доступных данных не указана.

ALBERT XXLarge v2 — англоязычная предварительно обученная модель семейства ALBERT, представленная авторами ALBERT и опубликованная командой Hugging Face. Она обучена предсказывать замаскированные токены и порядок двух соседних фрагментов текста; основное применение — заполнение пропусков, получение признаков текста и последующая тонкая настройка для задач классификации, разметки токенов и ответов на вопросы. Архитектура — плотный Transformer с 12 повторно используемыми слоями и общими весами. Карточка описывает конфигурацию XXLarge v2 как 223 млн параметров, тогда как метаданные репозитория указывают 3,3 млрд параметров. Модель использует регистр-независимую обработку английского текста и контекст до 512 токенов. Указанные обучающие данные — BookCorpus и английская Википедия. Модель рассчитана на задачи, использующие контекст всего предложения, и не предназначена для генерации свободного текста. Предсказания могут отражать смещения из обучающих данных. Лицензия — Apache-2.0.

Aurora-Spec-Qwen3-Coder-Next-FP8 — компактная черновая модель EAGLE3 от Together Computer для ускорения генерации кода целевой моделью Qwen/Qwen3-Coder-Next-FP8. Согласно карточке, её обучили с нуля в рамках системы Aurora для обучения во время инференса; архитектура — однослойный Transformer-декодер с древовидным вниманием, точность FP8, размер около 421,3 млн параметров, контекст — до 262 144 токенов. Модель предлагает кандидаты на следующие токены, которые целевая модель проверяет параллельно в режиме speculative decoding. Она рассчитана на интеграцию в EAGLE3-совместимый inference-пайплайн, например с SGLang, и нацелена на ускорение генерации кода; карточка сообщает о среднем принятии около 3,1 токена и наибольшем выигрыше при небольших пакетах запросов. Лицензия — Apache-2.0. Модель предназначена для конкретной целевой модели и требует совместимого EAGLE3-инференса. Выигрыш зависит от размера пакета: при больших пакетах накладные расходы проверки могут свести ускорение на нет или сделать генерацию медленнее; на других доменах производительность может отличаться.

Avito-relevance-ruroberta-v3-20260824 — русскоязычный бинарный классификатор релевантности сообщений для сценариев Avito. Модель разработана на основе энкодера ai-forever/ruRoBERTa-large и дообучена с классификационной головой AvitoRelevanceClassifier из слоёв GELU и классификации. Она присваивает сообщению метку 0 (нерелевантно) или 1 (релевантно); максимальная длина входа — 384 токена. Модель предназначена для отбора релевантных сообщений в потоке Avito. В карточке указаны test macro F1 0,945 и ROC-AUC 0,972; рекомендованный порог релевантности — 0,17. Для загрузки кастомной PyTorch-головы требуется создать архитектуру по config.json и прочитать веса model.safetensors через safetensors. Модель обучена на размеченных данных Avito, поэтому на новом домене или после существенного изменения потока сообщений качество следует проверить и при необходимости заново откалибровать порог. Лицензия в предоставленных данных не указана.

Aletheia-Bench разработала BatchOnline-GRPO-1.5B — компактный проверяющий модельный чекпойнт для оценки решений задач по программированию. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, созданная дообучением DeepSeek-R1-Distill-Qwen-1.5B методом полуонлайнового GRPO: политика генератора синхронизируется каждые четыре шага. Модель принимает условие задачи по соревновательному программированию и несколько кандидатных решений, после чего определяет и ранжирует их по корректности. Основные сценарии — оценка кандидатов в системах генерации кода, выбор правильного решения среди нескольких вариантов и использование проверяющей модели как функции вознаграждения в оптимизации генератора. Чекпойнт обучен на Aletheia-Train; в описании набора указаны задачи и решения на Python, C++ и Java. Метаданные указывают контекст до 131072 токенов, библиотеку Transformers и формат Safetensors. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях. Модель предназначена для оценки кода в формате с несколькими кандидатами; README отсылает к репозиторию проекта за точным форматом запроса. Она не заявлена как универсальный помощник по программированию или как средство исполнения кода: её оценки следует проверять, особенно при переносе на задачи и распределения, отличающиеся от обучающих.

BAT-ResNeXt26ts.ch_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Архитектура ResNeXt использует Grouped Bilinear Attention Transforms, трёхслойный stem и активации SiLU; модель построена на гибкой реализации BYOBNet в timm. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. В ней около 10,7 млн параметров, вычислительная сложность — 2,5 GMACs; указанный размер входного изображения — 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

aajrami/bert-mlm-small — компактная языковая модель семейства RoBERTa, разработанная для извлечения признаков из текста. В README модель описана как BERT-подобная модель малого размера, предварительно обученная с целью masked language modeling (MLM); размер составляет 42,5 млн параметров, длина контекста — 514 токенов. Модель предназначена для получения контекстных представлений текста, которые можно использовать в последующих NLP-системах. Она поддерживает входной текст и выдаёт векторные представления токенов или последовательностей. Веса доступны в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0. Карточка не описывает отдельную специализацию по языкам или прикладным областям; название и описание не дают достаточных оснований приписать модели конкретный основной язык.

Карточка модели yrrhall/bert-tiny-toxicity на Hugging Face совпадает с карточкой gravitee-io/bert-tiny-toxicity, поэтому описание составлено по ней. gravitee-io разработала компактный классификатор токсичности на базе BERT-tiny, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «not-toxic» или «toxic», поэтому подходит для автоматической модерации пользовательских сообщений и фильтрации потенциально токсичного контента. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах Safetensors и ONNX. В карточке приведены результаты оценки для нескольких языков; качество различается между языками. Лицензия — OpenRAIL++.

MediaTek Research Breeze-7B-Base-v0_1 — базовая языковая модель на 7,2 млрд параметров для последующего дообучения под конкретные задачи. Это плотный авторегрессионный трансформер с декодером Mistral, созданный на основе mistralai/Mistral-7B-v0.1. Словарь расширен с 32 тыс. до 62 тыс. токенов для поддержки традиционного китайского; метаданные указывают контекст до 32 768 токенов, а карточка версии v0_1 — 8 тыс. токенов. Модель предназначена для разработчиков, располагающих данными для тонкой настройки. Она генерирует текст и рассчитана прежде всего на традиционный китайский (zh-tw), также поддерживает английский. Карточка отмечает ускорение инференса на традиционном китайском благодаря расширенному словарю, но предупреждает, что few-shot prompting не всегда помогает получить корректный ответ. Распространяется по лицензии Apache-2.0.

CaiT XXS24 224 — модель классификации изображений на основе архитектуры CaiT (Class-Attention in Image Transformers), опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 12 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или основа для извлечения признаков и эмбеддингов изображений. Модель подходит для классификации объектов на изображениях и получения визуальных представлений для последующей обработки. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели ldov/campplus на Hugging Face совпадает с карточкой funasr/campplus, поэтому описание составлено по ней. CAM++ — модель извлечения голосовых эмбеддингов из аудио, разработанная командой FunASR. Она предназначена для верификации говорящего: определения, принадлежат ли записи одному человеку, и для диаризации — распознавания, кто и когда говорил в аудиозаписи. Её можно подключить к конвейеру FunASR через параметр spk_model, например для присвоения меток говорящих сегментам речи в записи встречи. Модель использует архитектуру CAM++ (Class-Aware Multi-scale), выдаёт эмбеддинги размерностью 192 и рассчитана на аудио с частотой дискретизации 16 кГц. Репозиторий поддерживает FunASR; в карточке указаны китайский и английский языки. Модель распространяется по лицензии Apache-2.0. Карточка описывает извлечение эмбеддингов и применение для верификации и диаризации, но не приводит оценок качества или условий работы с шумной и многоканальной записью.