II.10Разработка и эксплуатация AI/ML-систем

timm/coat_lite_mini.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения признаков. Её обучили авторы статьи на ImageNet-1k; модель распространяется в формате PyTorch и содержит около 11 млн параметров. Модель предназначена для распознавания объектов на изображениях и получения векторных представлений, которые можно использовать как основу для последующих задач компьютерного зрения. Указанный размер входного изображения — 224 × 224 пикселя; вычислительная сложность составляет около 2 GMACs. Лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k, поэтому качество на иных наборах данных и в специализированных предметных областях может отличаться.

CoAtNet RMLP 1 RW2 224 SW IN12k FT IN1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом. Она предварительно обучена на подмножестве ImageNet-22k с 11 821 классом, затем дообучена на ImageNet-1k. Модель сочетает сверточные блоки MBConv на ранних этапах с блоками self-attention на поздних; вариант использует MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. Размер входного изображения — 224 × 224 пикселя, число параметров — 41,7 млн, вычислительная сложность — 8,1 GMAC. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXT-Large — сверточная модель компьютерного зрения, опубликованная командой ConvNeXT и представленная в работе «A ConvNet for the 2020s» Лю и соавторов. Модель предварительно обучена на ImageNet-22k, а затем дообучена на ImageNet-1k для классификации изображений при разрешении 224×224 пикселя. Архитектура — чистая ConvNet, дизайн которой модернизирован с опорой на идеи Vision Transformers и Swin Transformer. Модель принимает изображение и предсказывает один из 1000 классов ImageNet-1k; её можно использовать как готовый классификатор или отправную точку для адаптации к другим задачам компьютерного зрения. Доступны веса в форматах PyTorch и TensorFlow. Лицензия Apache-2.0 разрешает использование, изменение и распространение модели с соблюдением её условий. Классификатор ограничен набором из 1000 классов ImageNet-1k и входным разрешением 224×224; для иных категорий или задач потребуется подходящая донастройка.

Это модель ConvNeXt-Nano для распознавания лиц, разработанная gaunernst и обученная на наборе данных MS1MV3. Она предназначена для извлечения признаков лица: на вход подаётся изображение размером 112 × 112 пикселей, а на выходе получается вектор из 512 признаков. Для сравнения лиц выходной вектор следует нормализовать, поскольку модель сама его не нормализует. Модель совместима с библиотекой timm и загружается из Hugging Face Hub через timm. Её можно использовать для построения систем верификации и идентификации лиц, сопоставляя полученные векторы. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

ConvNeXt Small — модель компьютерного зрения для классификации изображений из библиотеки timm. Авторы статьи «A ConvNet for the 2020s» предварительно обучили её на ImageNet-22k и дообучили на ImageNet-1k. В модели около 50,2 млн параметров; размер изображений при обучении — 224×224 пикселя, при оценке — 288×288. Модель предсказывает класс изображения и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. В README приведены метрики на ImageNet-1k, но подробные значения для этой модели в доступной части таблицы отсутствуют. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

timm/convnextv2_base.fcmae_ft_in1k — сверточная модель классификации изображений семейства ConvNeXt-V2, представленная в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-1k. Модель содержит 88,7 млн параметров; размер изображений при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов в задачах компьютерного зрения. В приведённом сравнении для варианта указаны точность top-1 88,848% и top-5 98,742%; для других размеров и вариантов ConvNeXt-V2 результаты отличаются. Модель принимает изображения и выдаёт оценки классов. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

ConvNeXt-V2 Femto FCMAE — компактная сверточная модель представления изображений из библиотеки timm. Она предварительно обучена на ImageNet-1k методом FCMAE, который восстанавливает маскированные области изображения. У модели около 4,8 млн параметров, вычислительная сложность — 0,8 GMAC, стандартный размер входного изображения — 224 × 224 пикселя. Модель предназначена для извлечения признаков и эмбеддингов изображений либо для дообучения под задачи классификации. Предварительно обученной классификационной головы нет, поэтому для классификации потребуется добавить и обучить голову; модель также не является готовым универсальным классификатором. Репозиторий распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

NVIDIA C-RADIO — модель извлечения визуальных признаков на основе Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для использования в последующих моделях. Модель возвращает глобальное представление изображения и пространственные признаки, подходящие для задач классификации, семантической сегментации и интеграции с языковой моделью. Поддерживаются изображения с разрешением до 2048×2028 пикселей с шагом 16 пикселей. Модель обучалась на наборе NV-CC-Img-Text-Dataset, включающем 700 миллионов изображений; для оценки использовался ImageNet. Для применения эмбеддингов требуется downstream-модель. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией и условиями NVIDIA.

Это конверсия модели DeiT3 Large от сообщества zeromodels, основанная на timm/deit3_large_patch16_384.fb_in1k. Модель относится к семейству Vision Transformer и предназначена для классификации изображений; её также можно использовать как визуальный backbone для извлечения признаков. Вариант использует патчи размером 16 пикселей и входное разрешение 384 пикселя. Чекпойнт преобразован в формат Keras 3 и запускается с бэкендами TensorFlow, PyTorch или JAX. Классификационная модель выдаёт логиты классов, а режим DeiTModel может возвращать признаки. Лицензия — Apache 2.0. Количество параметров и поддерживаемые естественные языки в предоставленных данных не указаны.

DeiT-III Small Patch16 384 — модель классификации изображений семейства Vision Transformer, опубликованная авторами статьи и обученная на ImageNet-1k. Она принимает изображения размером 384 × 384 пикселя и предсказывает класс изображения; также её можно использовать как визуальный backbone для получения признаковых представлений. В модели 22,2 млн параметров, вычислительная сложность составляет 15,5 GMACs. Модель подходит для классификации изображений из набора ImageNet-1k и извлечения визуальных признаков в системах компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0 допускает широкое использование и распространение с соблюдением её условий.

Это оптимизированная версия Detoxify, подготовленная dcferreira как эксперимент по освоению библиотеки 🤗 Optimum. Модель классифицирует текст и предназначена для выявления токсичного содержания; архитектура — XLM-RoBERTa для классификации последовательностей, размер — около 305,2 млн параметров, контекст — до 514 токенов. Репозиторий содержит ONNX-формат, для загрузки требуется 🤗 Optimum. По приведённым автором замерам оптимизация ONNX Runtime O4 сокращает объём файлов с 1,1 ГБ до 540 МБ и потребление видеопамяти с 3 ГБ до 2 ГБ, а скорость на GPU повышается с 250 до 650 образцов в секунду. Точность в сравнении указана как 92,1031% против 92,1083% у исходной модели, то есть снижение небольшое. Лицензия — Apache-2.0.

Dicta-LM 3.0-24B-Base — базовая языковая модель с открытыми весами, разработанная Dicta. Она предварительно обучена на больших корпусах текстов на иврите и английском языке и предназначена для дальнейшей адаптации и дообучения под конкретные задачи. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, представленная в формате BF16; исходная инициализация выполнена на базе Mistral-Small-3.1-24B-Base-2503. Модель не является чат-моделью. Модель подходит для продолжения обучения и создания специализированных генеративных систем на иврите и английском. Заявленный контекст составляет до 65 280 токенов. Веса доступны для скачивания и использования по лицензии Apache-2.0. Поскольку это предварительно обученная базовая модель, у неё нет встроенных механизмов модерации.

zeromodels/dinov2-small — конверсия модели DINOv2-small от Facebook AI Research в Keras 3, подготовленная проектом zeromodels. Это самообученный Vision Transformer без отдельной целевой головы: он принимает изображения и возвращает признаки и токены патчей для последующего использования в визуальных задачах и downstream-моделях. Модель предназначена для извлечения переносимых визуальных признаков, например для построения классификаторов и других задач компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX; в репозитории указана версия весов TensorFlow. Процессор нормализует входные изображения, поэтому настройки нормализации при подаче данных следует согласовать с ним. Модель основана на facebook/dinov2-small и выпущена по лицензии Apache 2.0. В карточке не приведены параметры размера входного изображения или численный размер вектора признаков.

Это конвертированная в LiteRT модель DINOv2 ViT-S/14, разработанная сообществом LiteRT на основе весов facebookresearch/dinov2. Она извлекает плотные признаки из изображений: для входа RGB размером 448×448 выдаёт 1024 вектора патчей размерности 384, без CLS-токена. Архитектура — визуальный трансформер ViT-S/14 с 12 блоками и 6 головами внимания; веса сохранены в формате TFLite fp16, размер файла — около 45 МБ. Модель предназначена для извлечения признаков на устройстве, в том числе на Android через LiteRT GPU delegate. Плотные токены можно использовать для визуализации семантически похожих областей, поиска изображений или как признаки для последующей обработки. В README приведены результаты работы на Pixel 8a и других устройствах, но скорость зависит от выбранного ускорителя и варианта файла. Вход должен быть представлен как NCHW и нормализован по ImageNet; размер фиксирован, позиционные эмбеддинги рассчитаны на сетку 448×448. Лицензия — Apache-2.0.

Это преобразованная в формат Keras 3 модель zeromodels на основе facebook/dinov3-convnext-base-pretrain-lvd1689m, созданной авторами DINOv3 из Meta. Модель использует архитектуру ConvNeXt Base и предназначена для извлечения визуальных признаков из изображений; это самообученный backbone без специализированной выходной головы для отдельной задачи. Полученные признаки можно использовать для обучения downstream-классификаторов и других задач компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Для подготовки входных изображений предусмотрен процессор нормализации; при его использовании нормализацию следует отключить на стороне модели, чтобы не применять её повторно. Репозиторий содержит конверсию upstream-весов в TensorFlow-формат. Лицензия указана как other и отсылает к лицензии DINOv3; upstream-веса доступны на условиях этой лицензии.

facebook/dino-vits8 — визуальный энкодер Vision Transformer, обученный методом DINO командой, представившей исследование «Emerging Properties in Self-Supervised Vision Transformers». Модель содержит 28,3 млн параметров и предварительно обучена без учителя на ImageNet-1k; изображения размером 224×224 разбиваются на патчи 8×8. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель извлекает признаки изображений и может служить основой для последующих задач компьютерного зрения, например классификации: для этого поверх представлений энкодера обучают отдельный классификатор. Веса не содержат дообученной классификационной головы. README указывает на разрешение 224×224 при предобучении; использование на других разрешениях или с другими задачами требует отдельной проверки.

dla60_res2net.in1k — модель компьютерного зрения с архитектурой DLA (Deep Layer Aggregation) и блоками Res2Net, размещённая в библиотеке timm. Авторы статьи Res2Net обучили её на ImageNet-1k для классификации изображений; также её можно использовать как backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит 20,8 млн параметров, выполняет около 4,1 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors. Лицензия в метаданных указана как unknown.

timm/dpn131.mx_in1k — модель классификации изображений на архитектуре DPN (Dual-Path Network). Её обучили авторы Dual Path Networks на ImageNet-1k в MXNet, затем Ross Wightman перенёс веса в PyTorch. Модель также подходит как backbone для извлечения признаков и эмбеддингов изображений. В модели 79,3 млн параметров; указанная вычислительная сложность — 16,1 GMACs. Она рассчитана на изображения размером 224 × 224 пикселя и распознаёт классы ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0.

timm/dpn68b.mx_in1k — модель классификации изображений на архитектуре Dual-Path Network (DPN), первоначально обученная авторами статьи на ImageNet-1k в MXNet и перенесённая в PyTorch Россом Вайтманом. Она также подходит как backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 12,6 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 2,4 GMACs. Обучающий набор — ImageNet-1k; репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

DPO-Think-1.5B — компактная языковая модель-верификатор кода, разработанная командой Aletheia-Bench. Она основана на DeepSeek-R1-Distill-Qwen-1.5B и дообучена методом DPO на наборе Aletheia-DPO с примерами рассуждений и предпочтений. Архитектура — плотная Qwen2 с 1,5 млрд параметров; модель принимает текстовые условия задач и варианты решений, а в ответ оценивает и ранжирует решения. Модель предназначена для проверки решений задач по программированию, автоматизированного сравнения кандидатов и использования в качестве функции вознаграждения при оптимизации генераторов кода в контурах RLHF или RLAIF. Карточка приводит контекстное окно 131 072 токена. Набор обучения включает задачи и решения на Python, C++ и Java; это не означает, что модель генерирует или проверяет код во всех языках программирования одинаково хорошо. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты верификации могут ошибаться, поэтому для критически важных оценок нужна независимая проверка, например запуском решений.

eca_resnext26ts.ch_in1k — свёрточная модель классификации изображений семейства ECA-ResNeXt, разработанная Россом Уайтманом в библиотеке timm. Она основана на ResNeXt с механизмом Efficient Channel Attention и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель обучена на ImageNet-1k; в карточке указаны 10,3 млн параметров, 2,4 GMACs и размеры изображений 256 × 256 для обучения и 288 × 288 для тестирования. Архитектура использует трёхслойный stem и активации SiLU. Веса доступны в форматах PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0 разрешает использование и модификацию на её условиях. Модель предназначена для изображений общего назначения; качество на специализированных или существенно отличающихся от ImageNet данных может быть ниже, а размер входного изображения при применении влияет на результаты.

EdgeNeXt Small RW — модель классификации изображений и извлечения визуальных признаков из семейства EdgeNeXt, обученная Ross Wightman с библиотекой timm на ImageNet-1k по рецепту обучения, вдохновлённому Swin Transformer. Модель содержит 7,8 млн параметров и рассчитана на мобильные сценарии компьютерного зрения. Модель принимает изображения: для обучения использовался размер 256 × 256 пикселей, для тестирования — 320 × 320. Помимо классификации, её можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

EditReward — мультимодальная модель TIGER-Lab для оценки результатов редактирования изображений по текстовой инструкции. Она сравнивает соответствие изображения запросу и человеческим предпочтениям, чтобы ранжировать варианты редактирования и оценивать качество систем, выполняющих такие правки. Модель основана на Qwen2.5-VL-7B-Instruct и дообучена на наборе EditReward-Data, содержащем более 200 тысяч вручную размеченных пар предпочтений. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовую оценку или предпочтение. В метаданных указаны контекст до 128 000 токенов; поддерживаемый язык карточки — английский. README сообщает о высокой согласованности с человеческими оценками на нескольких бенчмарках для редактирования изображений. Лицензия — Apache-2.0.

Это веса EfficientNet-B3, предварительно обученной на ImageNet модели, которую можно использовать как энкодер в библиотеке segmentation-models-pytorch. Репозиторий опубликован smp-hub; веса сохранены в формате safetensors. Модель предназначена для классификации изображений и извлечения признаков, в том числе как основы энкодера в задачах сегментации. Она принимает изображения и выдаёт классы или признаки. Карточка не приводит сведения о размере модели, языках, обучающих деталях и конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

EfficientNet-B3 RA2 — сверточная модель классификации изображений из библиотеки timm, обученная командой timm на ImageNet-1k с рецептом RandAugment RA2. Она предназначена для классификации изображений, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 12,2 млн параметров; размер изображения при обучении — 288 × 288 пикселей, при тестировании — 320 × 320. Вычислительная сложность составляет около 1,6 GMACs. Обучение включало оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Модель принимает изображения и выдаёт классовые предсказания; при использовании в качестве основы также позволяет получать признаки и эмбеддинги. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k и рассчитана на классификацию изображений в рамках его классов. README не заявляет языковую поддержку; для сценариев за пределами обучающего набора качество не установлено.

Репозиторий smp-hub содержит предобученные на ImageNet веса EfficientNet-B6, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель можно применять для классификации изображений или как основу энкодера в сегментационных моделях библиотеки. EfficientNet-B6 — сверточная архитектура для обработки изображений. В репозитории веса представлены в формате safetensors. Карточка указывает лицензию other; конкретные условия лицензии из доступных сведений определить нельзя.

leomaurodesenv/electra-base-discriminator-answerable-or-not — дообученный энкодер ELECTRA для бинарной классификации текста: определения, является ли вопрос отвечаемым. Модель основана на google/electra-base-discriminator и содержит 136,7 млн параметров; она реализована как ElectraForSequenceClassification и работает с текстом длиной до 512 токенов. Модель подходит для предварительной фильтрации вопросов в системах поиска и ответов: она может помочь отсеивать вопросы, на которые в имеющихся материалах нет ответа. В карточке приведены результаты оценки: accuracy 0,9949 и loss 0,0461, однако набор данных и условия оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется под лицензией Apache-2.0. Веса представлены в формате Safetensors; язык обучения и поддерживаемые языки в карточке не уточнены.

f2 — Face Detector (ONNX) — компактная модель компьютерного зрения для локализации лиц на изображениях в конвейере PULAO; найденные лица передаются модели ArcFace для получения эмбеддингов. Модель запускается через ONNX Runtime и принимает RGB-изображение размером 320×320 в формате float32 после масштабирования значений пикселей. Выход содержит координаты рамок лиц в формате xywh и оценки, после чего конвейер применяет подавление немаксимумов (NMS). Файл модели занимает 2,4 МБ и экспортирован в ONNX из PyTorch. Архитектура, обучающие данные и происхождение весов не установлены. README обозначает модель как предназначенную для исследований и прототипирования. Лицензия и право на распространение не подтверждены; перед использованием или распространением следует установить их условия.

FLUX.2 Small Decoder — декодер VAE от Black Forest Labs, дистиллированная компактная замена стандартному декодеру FLUX.2. Он предназначен для декодирования латентных представлений в изображения в совместимых моделях FLUX.2: Klein 4B, Klein 9B, Klein 9B-KV и Dev; кодировщик при этом остаётся без изменений. Декодер содержит около 28 млн параметров против примерно 50 млн у полной версии и использует более узкие каналы. По данным карточки, он декодирует примерно в 1,4 раза быстрее и требует примерно в 1,4 раза меньше видеопамяти, сохраняя почти такое же качество изображений. Указана лицензия Apache 2.0. Модель предназначена для использования как компонент совместимого пайплайна генерации или редактирования изображений, а не для самостоятельного диалога или выдачи фактических ответов. Карточка отмечает возможные искажения текста на изображениях, несоответствие результата запросу и влияние стиля промпта.

Многоязычный классификатор токсичности от TextDetox, созданный дообучением Glot500 на бинарной задаче классификации токсичности с использованием датасета textdetox/multilingual_toxicity_dataset. Модель построена на архитектуре XLM-RoBERTa для классификации последовательностей и содержит 421,3 млн параметров. Модель предназначена для определения токсичности текста на 15 языках. В README приведены оценки F1 для английского (0,9071), русского (0,9022) и украинского (0,9075); модель можно применять для фильтрации пользовательских сообщений и анализа текстовых корпусов. Максимальный контекст — 514 токенов. Весовые файлы доступны в формате Safetensors, для загрузки указана библиотека Transformers. Лицензия — OpenRAIL++; условия использования следует сверять с её текстом.