II.10Разработка и эксплуатация AI/ML-систем

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm, в форматах PyTorch и safetensors, по лицензии Apache-2.0. Модель подходит для классификации изображений и использования в качестве визуального backbone или источника эмбеддингов. Она содержит 6,4 млн параметров, рассчитана на изображения размером 384 × 384 и требует 1,2 GMAC на изображение. Обучение на ImageNet делает её подходящей для задач распознавания объектов из набора классов ImageNet; перенос на другие предметные области может потребовать дополнительной настройки.

VOLO-D4 — модель семейства Vision Outlooker для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи на ImageNet-1k с разметкой токенов; карточка опубликована в репозитории timm. Модель содержит около 193 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 44,3 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений, например как визуальный backbone в компьютерном зрении. Репозиторий предоставляет веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его категории и качество ориентированы на этот набор данных; для иных предметных областей может потребоваться адаптация. Работа с изображениями другого размера может требовать изменения предобработки.

Модель keystats/w2v-bert-2.0-lang-id-lug-sna-lin-xog предназначена для определения языка речи в коротком аудиофрагменте: она относит запись к одному из четырёх классов — луганда, шона, лингала или лусога. Это дообученная на корпусе WAXAL модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2BertForSequenceClassification и классификационной головой; размер модели — 402,7 млн параметров. Модель подходит для предварительной маршрутизации аудио к системе распознавания речи для выбранного языка. По данным карточки, точность на разбиениях WAXAL составляет около 99,9%, однако эти результаты не гарантируют такого же качества на записях с другими условиями, говорящими или диалектами. Это закрытый классификатор: он всегда выбирает один из четырёх языков, в том числе для речи на другом языке или неречевого аудио, и не расшифровывает речь. Модель опубликована под лицензией Apache-2.0.

Wav2Vec2-base-VoxPopuli-V2 — акустический чекпойнт Facebook AI на архитектуре Wav2Vec2 с 113,3 млн параметров, предварительно обученный на немецкой речи из VoxPopuli V2. Обучение проводилось на 23,2 тыс. часов неразмеченных аудиоданных; модель принимает речь с частотой дискретизации 16 кГц. Модель предназначена для дальнейшей адаптации к распознаванию немецкой речи: для этого требуется создать токенизатор и дообучить её на размеченных аудиотекстовых данных. В текущем виде у неё нет токенизатора, поэтому она не готова выдавать текст транскрипции. Распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель автоматического распознавания речи на тайском языке, разработанная Wannaphong и обученная дообучением wav2vec2-large-xlsr-53 на данных Common Voice V8 с добавлением данных Common Voice V7. Модель использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; распознанные слова предварительно токенизировались по алгоритму newmm из PyThaiNLP. Модель предназначена для преобразования тайской речи в текст, например для транскрибирования записей и оценки систем распознавания речи. В тестах на наборах Common Voice V8 и V7 автор приводит показатели WER и CER; результаты зависят от тестового набора и способа токенизации текста. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Wav2Vec2-XLS-R-1B — разработанная Facebook AI многоязычная модель для предварительного обучения речевых представлений на архитектуре wav2vec 2.0. Она содержит 1,3 млрд параметров и обучена на 436 тысячах часов немаркированной речи из нескольких корпусов, включая VoxPopuli, MLS, Common Voice, BABEL и VoxLingua107; заявлена поддержка 128 языков. Для подачи аудио требуется частота дискретизации 16 кГц. Модель предназначена для дообучения под конкретную задачу: распознавание речи, перевод речи или классификацию, в том числе идентификацию языка. Это базовый речевой энкодер, а не готовая универсальная система распознавания или перевода; для прикладного использования нужны подходящая выходная голова и дообучение. Распространяется по лицензии Apache 2.0.

WavLM-Base-Plus — базовая модель Microsoft для извлечения речевых представлений из аудио. Это плотная Transformer-модель семейства WavLM с 113,3 млн параметров, построенная на основе подхода HuBERT. Она предварительно обучена на речевых аудиозаписях с частотой 16 кГц, в том числе на наборах Libri-Light, GigaSpeech и VoxPopuli. Модель предназначена для извлечения признаков речи, которые можно использовать как основу для последующего дообучения под распознавание речи, классификацию аудио и другие задачи обработки речи. Она сохраняет информацию о произнесённом содержании и особенностях говорящего. Для распознавания речи требуется отдельно создать токенизатор и дообучить модель на размеченных текстовых данных. Карточка указывает, что модель рассчитана на английскую речь; входное аудио следует подавать с частотой 16 кГц. Репозиторий содержит веса в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя. Модель не является готовой системой распознавания речи: без адаптации к целевой задаче она выдаёт аудиопризнаки, а качество для других языков карточкой не подтверждено.

Whisper Hindi Medium — модель распознавания речи, дообученная Vasista22 на основе openai/whisper-medium на данных для автоматического распознавания речи на хинди из нескольких открытых корпусов. Она предназначена для преобразования аудиозаписей на хинди в текст, в том числе для обработки речевых корпусов и оценки качества транскрипции. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров; доступны форматы PyTorch и Flax. Для работы с Flax в карточке упоминается библиотека whisper_jax. Обучение использовало GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающую и валидационную части Google Fleurs. Лицензия — Apache-2.0. Карточка не приводит количественных оценок качества, поэтому точность на конкретных типах записей по ней определить нельзя.

ardge-hf/whisper-large-v3-turbo-tokenizer-prevfix — это модифицированный токенизатор для модели автоматического распознавания речи openai/whisper-large-v3-turbo. Репозиторий содержит только файлы токенизатора и официальный config.json, но не содержит весов модели. Разработчик модификации — ardge-hf; исходные файлы предоставлены OpenAI по лицензии Apache-2.0. Токенизатор предназначен для серверного использования с vLLM и устраняет ошибку, из-за которой поле prompt в OpenAI-совместимом API /v1/audio/transcriptions некорректно обрабатывалось Whisper. Единственное изменение — строковое представление токена с идентификатором 50362 переименовано с <|startofprev|> в <|prev|> во всех соответствующих файлах. Размер словаря и все идентификаторы сохранены; строка <|prev|> теперь преобразуется непосредственно в токен 50362, обеспечивая корректное условное декодирование и обработку длинных аудиозаписей. Модель рассчитана на задачи автоматической транскрипции речи и поддерживает сценарии, в которых требуется передавать текстовую подсказку для управления распознаванием, например выбора языка, написания или пунктуации. Токенизатор предназначен для семейства Whisper v3 и предполагает использование с whisper-large-v3-turbo; для моделей семейства v2 требуется отдельная адаптация. Это серверный обходной путь, а не самостоятельная модель для инференса или дообучения. Использование актуально до появления в vLLM исправления, при котором сервер сам формирует токен <|startofprev|>. После этого рекомендуется вернуться к штатному токенизатору и убрать параметр --tokenizer. Лицензия указана как Apache-2.0.

timm/wide_resnet101_2.tv_in1k — модель классификации изображений семейства Wide ResNet, опубликованная в библиотеке timm. Она использует активации ReLU, начальную свёртку 7×7 с пулингом и свёрточные shortcut-связи 1×1. Модель обучена на ImageNet-1k и основана на оригинальных весах torchvision. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В карточке указаны 126,9 млн параметров и стандартный размер входного изображения 224×224 пикселя. Для запуска доступны веса PyTorch и safetensors. Лицензия — BSD-3-Clause. Карточка не описывает поддержку текстовых или иных модальностей; качество классификации за пределами ImageNet-1k и ограничения на таких данных отдельно не охарактеризованы.

timm/xception71.tf_in1k — модель классификации изображений семейства Aligned Xception, обученная на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она предназначена для распознавания объектов на изображениях и может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 42,3 млн параметров, использует свёртки с разделением по глубине и рассчитана на изображения размером 299 × 299 пикселей. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель обучена для классификации ImageNet-1k. Карточка также описывает извлечение признаков и эмбеддингов, но не приводит конкретных метрик качества или гарантий работы на данных вне ImageNet-1k.

XCiT Large 24 P8 384 — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), подготовленная авторами статьи и распространяемая через timm. Она предварительно обучена на ImageNet-1k с дистилляцией и рассчитана на изображения размером 384 × 384 пикселя. Модель содержит около 188,9 млн параметров и может использоваться как классификатор или как визуальный backbone для получения признаков и эмбеддингов. Модель подходит для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в системах компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому качество на специализированных областях и типах изображений может быть ниже без дополнительной адаптации.

XCiT Nano 12 P16 224 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи XCiT и доступная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией; в ней около 3,1 млн параметров, а ожидаемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для получения признаков и эмбеддингов. Компактный размер и вычислительная стоимость около 0,6 GMAC делают её подходящей для задач компьютерного зрения с ограниченными ресурсами. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

XCiT-Small/12 с патчами 8×8 — модель классификации изображений семейства Cross-Covariance Image Transformer, созданная авторами статьи XCiT и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Модель содержит 26,2 млн параметров и рассчитана на входные изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и Safetensors. Лицензия Apache-2.0 разрешает коммерческое и иное использование на её условиях. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на других предметных областях может отличаться.

XCiT-Tiny/12 с патчами 16×16 и входным разрешением 224×224 — модель классификации изображений на основе Cross-Covariance Image Transformer. Она разработана авторами XCiT и предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 6,7 млн параметров и может использоваться как классификатор или визуальная основа для извлечения признаков и эмбеддингов изображений. Модель предназначена для классификации изображений по категориям ImageNet-1k и получения визуальных представлений. Репозиторий предоставляет веса PyTorch и safetensors; для работы указана библиотека timm. Лицензия — Apache-2.0.

Это веса визуального энкодера AIM-v2, опубликованные Apple и совместимые с библиотекой timm. Модель предназначена для извлечения признаковых представлений из изображений; основной сценарий — получать визуальные признаки для последующей обработки другими моделями или системами компьютерного зрения. В репозитории указаны варианты весов PyTorch и safetensors. Карточка не сообщает сведения о размере модели, разрешении входа, обучающих данных или измеренных качествах. Лицензия — apple-ascl.

Это веса визуального энкодера AIM-v2 large с патчами 14×14, входным разрешением 336 пикселей, опубликованные в формате, совместимом с библиотекой timm. Карточка Hugging Face связывает репозиторий с Apple; модель предназначена для извлечения признаков изображений и может использоваться как визуальный энкодер в задачах компьютерного зрения. Метаданные указывают на форматы PyTorch и Safetensors и лицензию apple-ascl. Карточка не описывает качество на наборах данных, ограничения применения или поддержку текстовых и мультимодальных входов; поэтому модель следует рассматривать как энкодер изображений, а не как готовую систему генерации ответов.

Baichuan2-13B-Base — базовая плотная языковая модель на 13,3 млрд параметров, разработанная Baichuan Intelligence. Модель обучена на корпусе объёмом 2,6 трлн токенов и предназначена для генерации текста и использования как основа для дальнейшей адаптации; это Base-версия, а не диалоговая Chat-версия. Модель работает с текстом и ориентирована прежде всего на китайский и английский языки. Разработчик сообщает о тестировании серии Baichuan 2 на китайских и англоязычных наборах по общим знаниям, праву, медицине, математике, программированию и многоязычному переводу. Для запуска требуется PyTorch 2.0 или новее. Для исследовательского использования модель доступна на условиях Apache 2.0 и лицензии сообщества Baichuan 2. Коммерческое использование требует предварительного одобрения и коммерческой лицензии Baichuan; применяются ограничения для организаций и сервисов. Base-модель не заявлена как настроенная для безопасного диалога или следования инструкциям.

BatchOnline-GRPO-7B — языковый верификатор кода от команды Aletheia-Bench, дообученный на DeepSeek-R1-Distill-Qwen-7B с использованием полудинамического GRPO: политика генерации синхронизировалась каждые четыре шага. Это плотная модель семейства Qwen2 с 7,1 млрд параметров; она принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для оценки и ранжирования нескольких кандидатных решений задачи по программированию. Её можно применять как оценщик или награду для оптимизации генерации кода в RLHF/RLAIF-процессах, а также для автоматизированной проверки решений. Обучающие примеры включали задачи соревновательного программирования и наборы решений, среди которых ровно одно было подтверждено исполнением как правильное. Модель не выполняет код для проверки: она оценивает кандидатов по содержимому запроса, поэтому возможны ошибочные суждения, особенно на сложных или смещённых примерах. Карточка указывает лицензию CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов.

BEiT Base — базовая модель кодировщика изображений семейства Vision Transformer, разработанная Microsoft и представленная в статье Hangbo Bao, Li Dong и Furu Wei. Модель содержит около 119,5 млн параметров и предварительно обучена без учителя на ImageNet-21k (ImageNet-22k): она предсказывает визуальные токены на замаскированных патчах изображения. Входное изображение разбивается на патчи 16×16; предобучение выполнялось при разрешении 224×224 пикселя. Модель предназначена для классификации изображений и извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения, например дообучив классификатор на размеченных данных. Карточка указывает поддержку классификации изображений; архитектура в метаданных обозначена как BeitForMaskedImageModeling. Модель распространяется по лицензии Apache-2.0. Для тонкой настройки более высокое разрешение может давать лучшие результаты; специализированные задачи могут требовать дополнительного обучения.

caformer_s36.sail_in22k — модель классификации изображений и извлечения признаков из семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision и обученная на ImageNet-22k. Архитектура относится к MetaFormer; модель содержит около 82 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 8 GMACs. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для компьютерного зрения и как визуальный backbone в прикладных системах. Репозиторий предоставляет веса PyTorch и safetensors, а библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

TencentGameMate/chinese-hubert-large — предварительно обученная модель HuBERT Large от Tencent GameMate для извлечения признаков из аудио. Она обучена на подмножестве WenetSpeech L объёмом 10 тысяч часов и содержит около 402,7 млн параметров. Модель реализована как плотная архитектура HuBERT и распространяется в формате PyTorch; для работы с ней в карточке указана библиотека Transformers. Модель принимает аудио и формирует акустические представления, которые можно использовать как основу для последующей обработки речи. В частности, её можно дообучить на размеченных текстовых данных для распознавания речи. Токенизатора в комплекте нет, поскольку предобучение выполнялось только на аудио; сама модель не является готовой системой распознавания речи. Карточка указывает лицензию MIT. Для распознавания речи потребуется создать токенизатор и дообучить модель на размеченных аудиоданных.

hfl/chinese-pert-base — китайская модель семейства BERT, опубликованная HFL. Это плотный трансформер BertModel примерно на 129,5 млн параметров, предназначенный для извлечения признаков из текста; README рекомендует загружать её средствами для BERT. Модель принимает текст и формирует контекстные векторные представления токенов, которые можно использовать как признаки в последующих задачах обработки китайского языка. Контекст модели составляет 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях; лицензия также ограничивает коммерческое использование. Карточка находится в разработке и отсылает за дополнительными сведениями к репозиторию GitHub.

Карточка модели hfl/chinese-pert-large на Hugging Face совпадает с карточкой hfl/chinese-pert-base, поэтому описание составлено по ней. hfl/chinese-pert-base — китайская модель семейства BERT, опубликованная HFL. Это плотный трансформер BertModel примерно на 129,5 млн параметров, предназначенный для извлечения признаков из текста; README рекомендует загружать её средствами для BERT. Модель принимает текст и формирует контекстные векторные представления токенов, которые можно использовать как признаки в последующих задачах обработки китайского языка. Контекст модели составляет 512 токенов. Доступны веса PyTorch и TensorFlow. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях; лицензия также ограничивает коммерческое использование. Карточка находится в разработке и отсылает за дополнительными сведениями к репозиторию GitHub.

CoAtNet-1 RW 224 — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Архитектура CoAtNet сочетает свёрточные блоки MBConv на ранних этапах с блоками self-attention на поздних. Модель содержит 41,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображениям классов из набора ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы — timm. Модель обучена на ImageNet-1k и подходит для прикладной классификации изображений и экспериментов с визуальными представлениями. Лицензия — Apache-2.0.

CodeScaler-8B — reward-модель для оценки качества и предпочтительности ответов на задачи генерации кода. Её разработала LARK-Lab, дообучив Skywork/Skywork-Reward-V2-Qwen3-8B на наборе предпочтений LARK-Lab/CodeScalerPair-51K. Модель использует плотную архитектуру Qwen3 и содержит 7,6 млрд параметров; заявленная длина контекста — 40 960 токенов. Модель предназначена для обучения генераторов кода с подкреплением и для выбора или ранжирования кандидатов при выводе. Она оценивает решения без запуска кода; при обучении использованы синтаксически осознанное извлечение кода и формирование награды с учётом валидности. Карточка приводит результаты на RM-Bench, но не содержит полного описания методики оценки и всех результатов CodeScaler. Модель принимает текстовые ответы и выдаёт оценки предпочтительности, поэтому подходит для ранжирования вариантов, а не для самостоятельной генерации кода. Поддерживается английский язык. Лицензия — MIT.

Mitchins/comfyui-junior-safety — англоязычный классификатор семантической безопасности промптов для генерации изображений, разработанный для фильтрации запросов в детском приложении генерации изображений. Модель дообучена на DeBERTa-v3-base: энкодер из 12 слоёв с masked mean pooling и шестью независимыми порядковыми классификационными головами. Всего 211,6 млн параметров; в карточке Hugging Face указано ограничение контекста 512 токенов, а описанный в README конвейер токенизации использует максимум 256 токенов. Модель оценивает, какое содержание может быть изображено по текстовому промпту, по шести независимым шкалам, включая сексуализированный контент, наготу, насилие и увечья, наркотики, тревожные и фетишистские образы. Каждая голова выдаёт порядковые уровни через кумулятивные логиты. Эталонный путь дважды анализирует промпт — исходный и канонизированный — и берёт максимальную оценку по каждой шкале; опубликованы код инференса и канонизации без необходимости использовать trust_remote_code. Сильная сторона модели — специализированная предварительная проверка промптов по нескольким видам потенциально небезопасного изображения с возможностью самостоятельно задавать пороги блокировки. Модель предназначена для английского языка; качество на других языках непоследовательно. Она оценивает текстовый запрос, а не сгенерированное изображение, не предназначена для выявления материалов сексуального насилия над детьми или общей токсичности текста и не обеспечивает безопасность системы генерации сама по себе. Лицензия — MIT.

ConvFormer M36 — модель классификации изображений и визуальный backbone семейства MetaFormer. Она предварительно обучена на ImageNet-22k, а затем дообучена авторами статьи на ImageNet-1k. Модель содержит 57,1 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу для компьютерного зрения и как backbone в собственных системах анализа изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0.

ConvMixer 768/32 — модель классификации изображений семейства ConvMixer, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению метки из набора классов ImageNet, а также может использоваться как визуальный backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит около 21,1 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную стоимость 19,5 GMACs. Репозиторий предоставляет веса PyTorch и Safetensors; модель доступна через библиотеку timm. Лицензия — MIT.

ConvNeXt-Base — свёрточная модель для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и содержит 88,6 млн параметров. Для обучения указано разрешение 224 × 224 пикселя, для оценки — 288 × 288 пикселей. Модель присваивает изображениям классы, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для классификации изображений и построения компонентов компьютерного зрения. В README приведены результаты сравнения на ImageNet-1k, но характеристики из сравнительной таблицы относятся к другим моделям и не описывают точность этой версии. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги; сведения о текстовой или мультимодальной обработке не приводятся.