II.10Разработка и эксплуатация AI/ML-систем

ResNet34.a3_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная сообществом timm на ImageNet-1k по рецепту ResNet Strikes Back A3. Архитектура ResNet использует активации ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в shortcut-связях. В модели около 21,8 млн параметров и 1,9 GMACs; обучение проводилось на изображениях 160×160, стандартный размер при оценке — 224×224. Модель предназначена для классификации изображений по категориям ImageNet, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Для воспроизводимости рецепт обучения включает оптимизатор LAMB, BCE loss и косинусное расписание скорости обучения с разогревом. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

ResNeXt-101 32x8d — сверточная модель классификации изображений из библиотеки timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и остаточные соединения с проекцией 1×1 для понижения размерности. Модель содержит около 88,8 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу компьютерного зрения или для подготовки признаков в прикладных конвейерах обработки изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — BSD 3-Clause.

RetrievalRouter (λ=0.3) — обученный авторами статьи RetrievalRouter: Joint Modality and Architecture Selection for Document Retrieval маршрутизатор поисковых конвейеров для RAG. По текстовому запросу он выбирает один из пяти вариантов поиска, сочетая текстовый или мультимодальный режим с плотным поиском и поздним переранжированием. Модель предназначена для систем с несколькими заранее подготовленными индексами: она решает, какой конвейер запустить для запроса, но сама документы не ищет и не ранжирует. В основе — Qwen/Qwen3-0.6B-Base с LoRA-дообучением; адаптеры объединены с весами. Представление запроса размерности 1024 формируется усреднением скрытых состояний энкодера, а линейная голова предсказывает распределение по пяти вариантам поиска. Чекпойнт λ=0.3 балансирует качество результатов и задержку. Обучение использовало 85 103 запроса из 11 бенчмарков; данные охватывают финансовые, научные и открытые домены на английском языке. Модель подходит для выбора экономичного поискового конвейера для простых запросов и более мощного мультимодального или переранжирующего варианта для сложных запросов, включая вопросы по изображениям страниц и графикам. В README сообщается о приросте nDCG@5 на 2,5% и скорости в 12,4 раза выше сильнейшего статического конвейера. Другие языки и домены не проверялись; необходимы собственные поисковые индексы и реализации выбранных конвейеров. Лицензия — MIT.

ReXNet-100 — компактная сверточная модель классификации изображений из семейства ReXNet, опубликованная авторами научной работы «Rethinking Channel Dimensions for Efficient Model Design» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-1k и содержит около 4,8 млн параметров; для стандартного распознавания использует изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Компактный размер и вычислительная стоимость около 0,4 GMAC делают её подходящей для ресурсоограниченного компьютерного зрения. Карточка не описывает поддержку языкового ввода или генерацию изображений. Распространяется по лицензии MIT.

RockAndEgg-313M — компактная модель-основа для классификации и извлечения признаков, созданная разработчиком moeshawky на основе Qwen/Qwen3-0.6B-Base. Это плотная причинная трансформерная архитектура Qwen3 без специализированной классификационной головы: сохранены первые 10 из 28 слоёв исходной модели, ширина скрытых представлений и токенизатор. В метаданных указано 281,4 млн параметров, а README оценивает backbone примерно в 312,89 млн параметров. Модель принимает текст, поддерживает контекст до 32 768 токенов и выдаёт скрытые представления для последующей классификации, регрессии, ранжирования или оценки после настройки под нужную задачу. Модель подходит для создания компактных классификаторов и моделей оценки, а также для экспериментов с признаковыми представлениями причинных языковых моделей. Для целевого применения необходимо задать и обучить собственную голову и согласовать обработку паддинга, маски внимания, усечения и последнего непустого токена. Сокращение глубины не сопровождалось дистилляцией; README не заявляет сохранение качества генерации, рассуждений, следования инструкциям, чата или работы с длинным контекстом относительно исходной модели. Лицензия — Apache-2.0.

SE-ResNeXt26ts.ch_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она объединяет блоки ResNeXt с механизмом Squeeze-and-Excitation, который учитывает важность каналов, трёхслойный входной стем и активации SiLU. В модели около 10,4 млн параметров; вычислительная сложность составляет 2,4 GMAC. Размер изображения при обучении — 256×256 пикселей, при тестировании — 288×288. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов в компьютерном зрении. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

SEW-D-mid — предварительно обученная модель обработки речи от ASAPP Research на архитектуре SEW-D, разработанной как более быстрая и эффективная альтернатива wav2vec 2.0. Модель содержит около 100,7 млн параметров и обучена на аудио с частотой дискретизации 16 кГц; входные записи для неё также должны быть приведены к 16 кГц. Чекпойнт предназначен для извлечения признаков из речи и последующего дообучения под прикладные задачи: автоматическое распознавание речи, идентификацию говорящего, классификацию намерений или эмоций. В статье об архитектуре SEW сообщается об ускорении инференса и улучшении качества распознавания на LibriSpeech по сравнению с wav2vec 2.0, однако эти результаты относятся к экспериментам статьи и не гарантируют качество данного чекпойнта без дообучения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

SKResNeXt-50 32x4d — модель классификации изображений из библиотеки timm, обученная Ross Wightman на ImageNet-1k по рецепту RA, вариант B из ResNet strikes back. Архитектура основана на Selective Kernel Networks и подходит также как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 27,5 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,5 GMACs. Её можно применять для определения объектов из набора классов ImageNet-1k и получения визуальных признаков изображений. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

Simon-Kotchou/ssast-small-patch-audioset-16-16 — модель Self-Supervised Audio Spectrogram Transformer (SSAST) для анализа аудио, основанная на архитектуре Vision Transformer, применённой к спектрограммам. Модель предобучена на AudioSet и LibriSpeech; в репозитории указано 28,3 млн параметров. Классификационная голова не обучена, поэтому перед классификацией её необходимо дообучить на целевой задаче. Модель предназначена для построения систем классификации аудио после настройки классификационной головы. Она принимает аудио, преобразованное в спектрограмму, и выдаёт классовые оценки. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — BSD 3-Clause.

StarNet S4 — модель компьютерного зрения для классификации изображений и извлечения признаковых представлений. Она распространяется в библиотеке timm и обучена авторами статьи на ImageNet-1k. Модель содержит около 7,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. StarNet S4 можно использовать для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Это компактная модель с вычислительной сложностью около 1,1 GMAC. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

timm/swiftformer_l1.dist_in1k — модель классификации изображений на архитектуре SwiftFormer, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 12,1 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 1,6 GMACs. SwiftFormer применяет эффективный механизм additive attention и предназначена для производительной компьютерного зрения, в том числе на мобильных устройствах. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Это модель классификации изображений на базе Swin Transformer V2, опубликованная авторами статьи и предварительно обученная на ImageNet-1k. Она предназначена для присвоения изображению метки класса и может использоваться как визуальная backbone-модель для извлечения карт признаков и эмбеддингов. Модель содержит 87,9 млн параметров, обрабатывает изображения размером 256 × 256 пикселей и требует около 22 GMACs на проход. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы указана библиотека timm. Лицензия — MIT.

orionweller/tart-dual-contriever-msmarco — модель на базе архитектуры BERT объёмом 136,7 млн параметров, опубликованная для удобства использования. Она предназначена для извлечения признаков из текста; метаданные указывают ограничение контекста в 512 токенов. Файлы модели представлены в формате Safetensors. Название указывает на связь с TART, Dual Contriever и MS MARCO, однако README не описывает обучение, назначение этих компонентов или конкретный сценарий применения. Лицензия в предоставленных данных не указана.

tf_efficientnet_b7.ap_in1k — сверточная модель классификации изображений семейства EfficientNet. Её обучили авторы исследовательской работы на ImageNet-1k с использованием AdvProp, а Ross Wightman перенёс веса из TensorFlow в PyTorch; модель доступна через библиотеку timm. В ней 66,3 млн параметров, вычислительная сложность составляет 38,3 GMACs, рекомендуемый размер входного изображения — 600 × 600 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно использовать как основу для извлечения признаковых карт и векторных представлений изображений. Она принимает изображения и выдаёт метки классов либо признаки, в зависимости от выбранного способа применения. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает поддержку других наборов классов или языковых задач.

tf_efficientnet_em.in1k — свёрточная модель классификации изображений семейства EfficientNet-EdgeTPU. Её обучили авторы исследований на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит 6,9 млн параметров, требует изображения размером 240 × 240 пикселей и выполняет около 3,0 GMACs вычислений. Она предсказывает классы из набора ImageNet-1k; данные не указывают на поддержку других модальностей или языковых задач. Репозиторий распространяет веса в форматах PyTorch и safetensors по лицензии Apache-2.0.

timm/tf_mixnet_s.in1k — модель семейства MixNet для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; репозиторий предоставляет модель через библиотеку timm. В модели около 4,1 млн параметров, вычислительная сложность составляет 0,3 GMACs, размер входного изображения — 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Архитектура MixNet использует смешанные глубинные свёрточные ядра. Лицензия репозитория — Apache-2.0. Карточка не приводит сведений о точности на других наборах данных или поддержке иных размеров входа; результаты вне описанного сценария могут отличаться.

tinynet_a.in1k — компактная модель компьютерного зрения семейства TinyNet, представленная авторами статьи «Model Rubik’s Cube: Twisting Resolution, Depth and Width for TinyNets» и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 6,2 млн параметров, требует примерно 0,3 GMAC на проход и рассчитана на входные изображения размером 192 × 192 пикселя. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Компактный размер и низкая вычислительная стоимость подходят для классификации изображений при ограниченных ресурсах. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; для специализированных категорий может потребоваться адаптация. Лицензия репозитория — Apache-2.0.

tinynete.in1k — компактная модель компьютерного зрения семейства TinyNet для классификации изображений. Она обучена авторами исследования на ImageNet-1k и содержит около 2 млн параметров; модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В карточке указано входное разрешение 106 × 106 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k и для сценариев, где нужен небольшой классификатор или компактные признаки изображения. Репозиторий использует библиотеку timm, веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

TinyViT 5M 224 — компактная модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи о TinyViT на ImageNet-1k; репозиторий опубликован в рамках timm и содержит веса в форматах PyTorch и safetensors. Модель имеет около 5,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Её можно применять для отнесения изображений к классам, извлечения карт признаков и получения векторных представлений изображений. Модель предназначена для задач общего распознавания изображений; обучение на ImageNet-1k задаёт её классификационный словарь и ограничивает прямое применение за пределами этого набора классов. Лицензия репозитория — Apache-2.0.

timm/twins_pcpvt_small.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи Twins на ImageNet-1k. Она основана на архитектуре Twins-PCPVT и может использоваться как для классификации, так и в качестве визуального backbone для извлечения признаков и эмбеддингов. Модель содержит 24,1 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 3,8 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

momergul/userlm_sft_llama3_1_8B_instruct — чат-модель на архитектуре Llama, дообученная методом supervised fine-tuning с использованием TRL. Она предназначена для генерации ответов на пользовательские сообщения и диалогового общения; карточка показывает запуск через Transformers с задачей text-generation. В репозитории указано 7,5 млрд параметров, контекст до 131 072 токенов и веса в формате safetensors. Карточка не раскрывает набор обучения, языковой охват или результаты оценки качества, поэтому их нельзя уверенно охарактеризовать. Лицензия в предоставленных данных не указана.

Vakgyata-small — модель классификации аудио для определения индийского языка по речевому сигналу. Её разработчики дообучили предварительно обученную Harveenchadha/wav2vec2-pretrained-clsril-23-10k, добавив Layer Normalization; архитектура основана на Wav2Vec2ForSequenceClassification. В README для варианта small указано 52 млн параметров, а в метаданных — 56,6 млн. Модель предназначена для распознавания языка речи, например, при предварительной маршрутизации аудио в системах речевой аналитики и контакт-центрах. Она принимает аудио с частотой дискретизации 16 кГц; рекомендован формат моно PCM, 16 бит. README перечисляет поддержку индийского английского, хинди, одия и другие языки, но полный список в доступном тексте обрезан. Метаданные указывают Apache-2.0; доступны веса в форматах Safetensors и ONNX.

VGG11 — свёрточная модель классификации изображений из семейства VGG, опубликованная в репозитории timm. Веса модели взяты из оригинальной реализации torchvision и обучены на ImageNet-1k. Модель содержит около 132,9 млн параметров, требует изображения размером 224 × 224 пикселя и выполняет классификацию по категориям ImageNet-1k. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Она подходит для распознавания объектов общего назначения и построения визуальных признаков в компьютерном зрении. В репозитории доступны веса PyTorch и safetensors; лицензия — BSD 3-Clause.

VGG16-BN — сверточная модель классификации изображений из библиотеки timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Она содержит около 138,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; также её можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель подходит для определения объектов и сцен по изображению, а также для получения визуальных признаков в системах компьютерного зрения. Репозиторий распространяет веса в форматах PyTorch и safetensors; библиотека timm. Лицензия — BSD-3-Clause.

Это веса VGG16, предварительно обученные на ImageNet и предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель применяют как основу для задач компьютерного зрения, в частности при построении сегментационных моделей. Карточка указывает архитектуру VGG16 и формат весов safetensors. Метаданные задают задачу классификации изображений; модель принимает изображения и выдаёт метки классов. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

VGG19.tv_in1k — свёрточная модель классификации изображений из библиотеки timm, использующая оригинальные веса torchvision, обученные на ImageNet-1k. Архитектура VGG19 содержит около 143,7 млн параметров; для стандартного входа используется изображение размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и получения векторных представлений изображений. Вычислительная сложность составляет 19,6 GMACs. Модель принимает изображения и выдаёт оценки классов; при извлечении признаков результатом могут быть карты признаков или эмбеддинги. Поддержка текстового ввода не заявлена. Лицензия — BSD 3-Clause.

Visformer Tiny — модель классификации изображений и извлечения визуальных признаков из семейства Visformer, опубликованная в библиотеке timm. Она обучена на ImageNet-1k и рассчитана на обработку изображений размером 224 × 224 пикселя. Модель содержит около 10,3 млн параметров и требует примерно 1,3 GMAC на изображение. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных эмбеддингов как основы для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не уточняет точный список классов или качество на пользовательских данных, поэтому для иных наборов категорий может потребоваться адаптация.

Perceiver IO for vision — модель классификации изображений на архитектуре Perceiver, разработанной исследователями DeepMind и представленной в работе Jaegle и соавторов. Модель предварительно обучена на ImageNet: 14 млн изображений и 1000 классов. Она обрабатывает исходные пиксели изображения и использует фиксированные двумерные позиционные Fourier embeddings; для классификации выдаёт оценки по классам. Архитектура выполняет self-attention над компактным набором латентных векторов, а входные данные связывает с ним через cross-attention. Это позволяет не привязывать стоимость self-attention к размеру входа. В описанном сценарии изображения обрезаются по центру, масштабируются до 224×224 и нормализуются по RGB-каналам. На ImageNet-1k модель достигла точности top-1 79,0%. Её можно использовать для классификации и извлечения признаков для последующих задач с размеченными изображениями. Модель распространяется по лицензии Apache-2.0. Результаты и назначение указаны для классификации изображений; для другого набора классов потребуется адаптация классификационного декодера и обучение на целевых данных.

VisualPRM-8B — мультимодальная модель оценки процесса рассуждения (Process Reward Model), разработанная OpenGVLab. Она анализирует ход решения мультимодальных задач и помогает выбирать более качественные ответы при стратегии Best-of-N: оценивает корректность отдельных шагов рассуждения и ранжирует варианты. По карточке это плотная модель семейства InternVL с 8 млрд параметров, построенная на основе InternVL2_5-8B; в метаданных также указана связь с InternVL2_5-8B-MPO. Для обучения использовались наборы MMPR-v1.1 и VisualPRM400K, а для оценки разработан бенчмарк VisualProcessBench с человеческой разметкой корректности шагов. Модель предназначена для мультимодального анализа, включая запросы с изображениями, и применяется как компонент отбора или оценки ответов, а не как самостоятельный генератор итоговых решений. README сообщает об улучшении результатов BoN на нескольких мультимодальных бенчмарках, в том числе приросте 5,9 пункта при применении к InternVL2.5-78B на семи бенчмарках. Лицензия — MIT.

vit_tiny_r_s16_p8_224.augreg_in21k — гибридная модель классификации изображений на основе ResNet и Vision Transformer (ViT). Её обучили авторы исследования How to train your ViT? на ImageNet-21k с аугментацией и регуляризацией; Ross Wightman перенёс веса из JAX в PyTorch. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для получения эмбеддингов. Модель содержит 10,4 млн параметров, обрабатывает изображения размером 224 × 224 и требует около 0,4 GMAC на проход. Она поставляется в форматах PyTorch и safetensors и доступна через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает поддержку нескольких языков: модель работает с изображениями, а не с текстом.