II.10Разработка и эксплуатация AI/ML-систем

ConvNeXt Nano — свёрточная нейросеть для классификации изображений и извлечения признаков, обученная Ross Wightman с библиотекой timm на ImageNet-1k. Модель содержит 15,6 млн параметров; для обучения использовались изображения размером 224 × 224, для оценки — 288 × 288. В карточке приведены результаты классификации ImageNet-1k и примеры извлечения карт признаков и эмбеддингов. Модель подходит для определения объектов и категорий на изображениях, а также как компактная визуальная основа для прикладных систем компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXt V2 Base — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и выпущенная в репозитории Facebook. Она предварительно обучена в рамках FCMAE, а затем дообучена на ImageNet-1K для классификации изображений с разрешением 224×224 пикселя по 1000 классам ImageNet. Архитектура — чистая ConvNet с механизмом fully convolutional masked autoencoder и слоем Global Response Normalization (GRN). Модель предназначена для классификации изображений; её можно использовать как готовый классификатор или отправную точку для адаптации к другим задачам компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель работает с изображениями и выдаёт метки классов и оценки для них. README не описывает дополнительные ограничения качества или сценарии применения.

Это конверсия ConvNeXt V2 Large из чекпойнта timm, подготовленная zeromodels в формате Keras 3. Модель использует сверточную архитектуру ConvNeXt V2 с Global Response Normalization; исходный вариант прошёл предобучение FCMAE и дообучение для классификации ImageNet-22k и ImageNet-1k. Реализация работает с TensorFlow, PyTorch и JAX. Модель принимает изображения и предназначена для классификации, а также для извлечения визуальных признаков в качестве backbone. Классификационная голова выдаёт логиты классов, а вариант backbone — признаки, в том числе многоуровневые признаки стадий. Лицензия репозитория — CC BY-NC 4.0, которая ограничивает коммерческое использование.

ConvNeXt-V2 Tiny — сверточная модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами timm. Модель с 28,6 млн параметров предварительно обучена методом FCMAE, затем дообучена на ImageNet-22k и ImageNet-1k. Для оценки в карточке указаны размер изображения 288 × 288 и вычислительная сложность 4,5 GMACs. Модель подходит для определения объектов и сцен на изображении, получения карт признаков и эмбеддингов, а также как визуальная основа для других систем. Карточка сообщает результаты классификации на ImageNet, но они не гарантируют такого же качества на других наборах данных. Для адаптации к новым классам или предметным областям может потребоваться дополнительное обучение. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Covenant-72B — базовая языковая модель на 70,6 млрд параметров, обученная с нуля командой 1Covenant. Модель создана более чем 20 участниками на децентрализованной инфраструктуре Bittensor; для распределённого обучения применялся оптимизатор SparseLoCo. Архитектура — плотная LLaMA-совместимая автрорегрессионная модель LlamaForCausalLM с 80 слоями. Модель обучена на 1,1 трлн токенов английского текста из набора DCLM-baseline и предназначена для генерации текста и использования как базовая модель для дальнейшей адаптации. В README приведены результаты тестирования на наборах ARC, PIQA, OpenBookQA, HellaSwag, WinoGrande и MMLU. Нативная длина контекста — 2048 токенов. Модель принимает текст и генерирует текст. Это базовая, а не инструкционная версия; для диалогов и выполнения инструкций предназначен вариант Covenant-72B-Chat. Распространяется под лицензией Apache 2.0.

cs3darknetfocusl.c2nsin1k — сверточная модель классификации изображений семейства CS3-DarkNet, опубликованная в timm. Она обучена на ImageNet-1k и может использоваться как для предсказания классов изображений, так и в качестве визуального backbone для извлечения карт признаков и эмбеддингов. Модель содержит 21,2 млн параметров и требует изображения размером 288 × 288 пикселей на этапе оценки; для обучения использовался размер 256 × 256. Веса доступны в форматах PyTorch и Safetensors, библиотека — timm. В обучении применялась схема ResNet Strikes Back C с оптимизатором SGD с Nesterov, адаптивным ограничением градиента, усиленным mixup и косинусным расписанием скорости обучения с разогревом; вариант ns не использует stochastic depth. Лицензия — Apache-2.0. Карточка не приводит результатов точности или ограничений применения, поэтому качество для конкретного набора данных следует оценивать отдельно.

ADAFACE IR18 WEBFACE4M — предварительно обученная модель распознавания лиц из семейства CVLFace, опубликованная пользователем minchul. Она предназначена для извлечения признаков лица и построения систем сравнения или идентификации по изображениям лиц. Название указывает на архитектуру IR18 и обучение на WEBFACE4M; подход AdaFace использует адаптивный к качеству изображения margin для распознавания лиц. Модель выдаёт векторные признаки лица. В метаданных указан формат весов safetensors и задача feature-extraction. README просит соблюдать лицензию обучающего датасета; отдельная лицензия модели в предоставленных данных не приведена.

microsoft/cvt-21-384-22k — модель Convolutional Vision Transformer (CvT-21), опубликованная Microsoft. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k для классификации изображений при разрешении 384×384 пикселя. Модель можно использовать, чтобы отнести изображение к одному из 1000 классов ImageNet. Архитектура сочетает свёрточные операции с Vision Transformer; карточка указывает класс CvtForImageClassification. Доступны веса PyTorch и TensorFlow. Модель ориентирована на задачи классификации изображений общего назначения. Лицензия — Apache-2.0.

DART (Detect Anything in Real Time) — набор дистиллированных облегчённых backbone-моделей для системы обнаружения объектов с открытым словарём, описанной Mehmet Kerem Turkcan. Они заменяют 439-миллионный backbone ViT-H/14 в SAM3 более компактными вариантами; обучаемый FPN-адаптер проецирует признаки нового backbone в пространство признаков ViT-H, а энкодер-декодер SAM3 остаётся замороженным. В набор входят варианты с прореженным ViT-H и backbone RepViT, TinyViT и EfficientViT; число параметров backbone составляет примерно от 5,3 млн до 220 млн для облегчённых вариантов, а исходный учитель имеет 439 млн параметров. Модель предназначена для обнаружения объектов по текстовым запросам и классам без обучения детектора на разметке обнаружения. В README приведены результаты на COCO val2017 и скорости для нескольких чисел классов; показатели зависят от backbone и конфигурации запуска. Для работы требуются PyTorch, timm и контрольная точка SAM3; для TensorRT-развёртывания нужен TensorRT. Репозиторий использует лицензию other, условия которой README не поясняет.

DaViT Base — модель классификации изображений и визуальный backbone на архитектуре Dual Attention Vision Transformer, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Вариант содержит около 88 млн параметров и рассчитан на изображения размером 224 × 224 пикселя. Модель присваивает изображениям классы ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В карточке указана точность Top-1 84,634% и Top-5 97,014% на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги в зависимости от способа использования. Она обучена на ImageNet-1k, поэтому её качество и набор классов ориентированы на эту задачу и могут не подходить для изображений из иных областей без дополнительной адаптации. Лицензия — Apache-2.0.

DeiT Small Distilled Patch16 224 — модель компьютерного зрения семейства DeiT для классификации изображений и получения визуальных признаковых представлений. Она разработана авторами статьи о data-efficient image transformers и обучена на ImageNet-1k с использованием токенов дистилляции. Модель содержит 22,4 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и требует около 4,6 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet-1k и извлечения эмбеддингов изображений как признаков для последующих задач компьютерного зрения. Реализация доступна через библиотеку timm, веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Классификатор текста Elias Al Bouzidi, Massine El Khader, Abdellah Oumida, Mohammed Sbaihi и Eliott Binard для отнесения текста к одной из двух категорий: safe или nsfw. Модель основана на DistilBERT и дообучена для задач модерации и фильтрации контента; она принимает строку текста и выдаёт вероятности классов. В карточке указано 60 млн параметров, английский язык и контекст до 512 токенов. Модель обучена на 190 тысячах размеченных примеров, включая описания изображений и сцен; авторы сообщают F1 0,974 на выборке из 40 тысяч примеров. Лицензия — Apache-2.0. Для повышения качества требуется предварительная обработка текста, а результат следует проверять с учётом возможных ошибок классификации.

dm_nfnet_f1.dm_in1k — модель классификации изображений семейства NFNet, опубликованная авторами научных работ и обученная на ImageNet-1k. Она использует архитектуру, похожую на ResNet с предварительной активацией, но без слоёв нормализации: вместо них применяются стандартизация весов и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит 132,6 млн параметров и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Указанный размер изображения для обучения — 224 × 224 пикселя, для оценки — 320 × 320. Репозиторий использует timm и содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

EfficientFormerV2-S1 — компактная модель компьютерного зрения для классификации изображений и извлечения признаков. Модель опубликована в репозитории timm и обучена с дистилляцией на ImageNet-1k; число параметров составляет около 6,2 млн, вычислительная сложность — около 0,7 GMACs. Входной размер изображения — 224 × 224 пикселя. Модель подходит для классификации изображений на классы ImageNet-1k, получения эмбеддингов изображений и извлечения карт признаков. Архитектура семейства EfficientFormerV2 рассчитана на компактность и скорость, что делает модель подходящей для сценариев компьютерного зрения с ограниченными вычислительными ресурсами. Лицензия репозитория — Apache-2.0.

Это предобученные на ImageNet веса EfficientNet-B2, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель предназначена для классификации изображений и может служить визуальным энкодером в задачах сегментации при работе с этой библиотекой. Репозиторий содержит веса в формате safetensors. Для использования автор README рекомендует библиотеку segmentation-models-pytorch. В метаданных указана лицензия other, поэтому условия её использования следует сверить с лицензией и условиями исходного проекта.

EfficientViT-L3 r224 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Она предназначена для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов; входной размер изображения — 224 × 224 пикселя. Модель содержит около 246 млн параметров и требует 27,6 GMACs на указанный размер изображения. Репозиторий предоставляет веса PyTorch и safetensors; доступна интеграция с библиотекой timm. Лицензия — Apache-2.0, допускающая коммерческое использование при соблюдении её условий. Модель подходит для классификации изображений и как визуальная основа для задач компьютерного зрения. Она обучена на ImageNet-1k, поэтому может хуже работать на изображениях и категориях, заметно отличающихся от этого набора данных; размер входа в карточке указан как 224 × 224.

EVA02 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя и затем дообучена авторами статьи на ImageNet-22k. Архитектура Vision Transformer использует mean pooling, SwiGLU, Rotary Position Embeddings и дополнительный LayerNorm в MLP; размер модели — 326,4 млн параметров, входное разрешение — 448 × 448 пикселей. Модель подходит для присвоения изображению категорий и получения эмбеддингов для последующих задач компьютерного зрения. В карточке приведены результаты классификации на ImageNet-22k и примеры использования через timm. Чекпойнт timm сохранён в float32; исходные версии EVA02 могут быть доступны в float16 или bfloat16. Модель распространяется по лицензии MIT.

Falcon-E-3B-Base-prequantized — предварительно квантизированный базовый чекпойнт семейства Falcon-E, представленный как зеркало ветки prequantized. README не называет разработчика этой копии; в карточке указан идентификатор tiiuae. Это причинная декодерная трансформерная модель с архитектурой LlamaForCausalLM, примерно 3 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и дообучения: README рекомендует использовать предварительно квантизированный чекпойнт для fine-tuning с пакетом onebitllms. Для версии Falcon-E-3B-Base указана разрядность 1,58 бита и объём памяти около 999 МБ в приведённом внутреннем сравнении; конкретные требования к памяти и производительность зависят от реализации и оборудования. Основной указанный язык — английский. Это базовая, а не инструкционная версия, поэтому её не следует считать готовым чат-ассистентом без дополнительной настройки. Указана лицензия Falcon-LLM License. README приводит внутренние результаты сравнительных тестов, но не даёт подробностей об их протоколе. Модель имеет ограничения базовых генеративных языковых моделей: возможны фактические ошибки и нежелательные продолжения текста; результаты оценки не гарантируют качество в конкретном применении.

FasterNet L — модель компьютерного зрения для классификации изображений и извлечения признаковых представлений. Она разработана авторами статьи «Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks» и обучена на ImageNet-1k. Модель доступна через библиотеку timm; в репозитории представлены веса PyTorch и Safetensors, лицензия — Apache-2.0. Модель содержит около 93,5 млн параметров, имеет 15,5 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Помимо предсказания класса изображения, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Карточка не приводит сведения о дополнительных языковых возможностях.

FastViT MA36 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, разработанная авторами статьи FastViT. Чекпойнт обучен на ImageNet-1k и предназначен для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 44,1 млн параметров, имеет 7,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. FastViT сочетает элементы свёрточных сетей и Vision Transformer и использует структурную репараметризацию. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию, поэтому перед использованием следует проверить её условия.

FastViT S12 Apple Distilled — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, представленная авторами статьи FastViT и обученная с дистилляцией на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Модель содержит около 9,5 млн параметров, требует 1,8 GMACs вычислений и рассчитана на входные изображения размером 256 × 256 пикселей. FastViT сочетает свёрточные и трансформерные компоненты и использует структурную репараметризацию. Репозиторий содержит веса PyTorch и safetensors. Модель подходит как компактная визуальная основа для классификации и построения признаков; сведения о лицензии следует сверять с лицензией исходной модели.

FastViT-SA24 Apple Distilled — модель классификации изображений и извлечения визуальных признаков из семейства FastViT. Она обучена авторами статьи на ImageNet-1k с дистилляцией; в карточке указаны 21,6 млн параметров и входное разрешение 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате Safetensors. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений, например как визуальная основа для прикладных систем компьютерного зрения. Карточка ссылается на статью FastViT о гибридном Vision Transformer со структурной репараметризацией. Для использования следует соблюдать исходную лицензию; метаданные обозначают лицензию как other, не уточняя конкретные условия.

fastvit_t8.apple_dist_in1k — компактная модель классификации изображений семейства FastViT, опубликованная авторами статьи FastViT и представленная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией; в ней около 4 млн параметров, вычислительная сложность составляет 0,7 GMACs, а указанное входное разрешение — 256 × 256 пикселей. FastViT сочетает свёрточные и трансформерные компоненты и использует структурную репараметризацию. Модель предназначена для присвоения изображениям классов ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Компактный размер и низкая вычислительная сложность подходят для задач классификации с ограниченными ресурсами. Лицензия указана как other; README просит соблюдать исходную лицензию. Модель обучалась на ImageNet-1k, поэтому её классы и качество могут не соответствовать изображениям из других предметных областей без дополнительной настройки.

Карточка модели Manidhar8008/FLUX.2-small-decoder на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-small-decoder, поэтому описание составлено по ней. 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.

FocalNet Large FL3 — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и предназначена для присвоения изображению метки класса, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 239,1 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Архитектура использует фокальную модуляцию для обработки визуального контекста. Модель подходит для классификации изображений и как визуальная основа для последующих задач компьютерного зрения. Карточка указывает лицензию MIT. Для её запуска нужна совместимая среда PyTorch и библиотека timm.

Карточка модели 7tianan/gemma-4-26B-A4B-it-assistant на Hugging Face совпадает с карточкой google/gemma-4-26B-A4B-it-assistant, поэтому описание составлено по ней. Gemma 4 26B A4B IT Assistant — мультимодальная модель с открытыми весами от Google DeepMind, представленная как MTP-драфтер для семейства Gemma 4. Драфтер используется в спекулятивном декодировании: он предсказывает несколько токенов вперёд, а целевая модель проверяет их параллельно. По карточке семейства, этот вариант имеет архитектуру MoE размером 26B A4B и предназначен для инструкционного взаимодействия и ускорения генерации с сохранением качества целевой модели. Модель подходит для диалога, генерации и редактирования текста, программирования, рассуждений и агентных сценариев с вызовом функций. Семейство Gemma 4 принимает текст и изображения, поддерживает анализ видео; заявленная поддержка аудио относится к вариантам E2B, E4B и 12B, поэтому её нельзя переносить на этот чекпойнт. Для 26B A4B в карточке указано контекстное окно до 256K токенов, а семейство обучено на более чем 140 языках. Ключевое назначение этого чекпойнта — снизить задержку генерации в совместимом конвейере спекулятивного декодирования; заявлено ускорение до 3 раз. Для работы требуется целевая модель и поддержка MTP-декодирования, поэтому чекпойнт не является самостоятельной заменой полной модели Gemma 4. Лицензия — Apache 2.0.

ArchiveStudio/gemma-4-26B-A4B-it-assistant — вариант Gemma 4 от Google DeepMind с инструкционной настройкой и моделью-предсказателем для Multi-Token Prediction (MTP). В конвейере speculative decoding компактная модель предлагает несколько следующих токенов, которые основная модель проверяет параллельно; такой режим предназначен для ускорения генерации при сохранении её качества. Веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель основана на архитектуре Gemma 4 26B A4B, относящейся к семейству MoE. Gemma 4 принимает текст и изображения и генерирует текст; семейство поддерживает длинный контекст до 256K токенов, многоязычные сценарии, рассуждения, программирование и вызов инструментов. Для этой конкретной модели карточка описывает применение в качестве черновой модели speculative decoding, а не самостоятельные возможности аудио или видео. Подходит для ускорения генерации в чат-ассистентах и приложениях с низкими требованиями к задержке, включая локальное и периферийное развёртывание. Эффект ускорения зависит от целевой модели и конфигурации speculative decoding; заявленное для семейства ускорение до 3 раз не гарантируется в каждом сценарии.

systalyze выпустил Gemma-4 26B-A4B DSpark — вспомогательную draft-модель для ускорения генерации текста целевой моделью google/gemma-4-26B-A4B-it через speculative decoding DSpark в vLLM. Это не самостоятельная языковая модель: компонент принимает промежуточные скрытые состояния целевой модели и предлагает токены, которые целевая модель проверяет. При точной проверке принятые токены сохраняют распределение ответов целевой модели, а DSpark влияет на скорость вывода. Архитектура — MoE-класс Gemma4DSparkModel; в README указаны пять слоёв draft-компонента и размер 1,985 млрд параметров, тогда как метаданные каталога приводят 946,4 млн параметров. Заявлены ускорения до примерно 2× в отдельных тестах; фактический эффект зависит от домена, длины контекста и параллелизма. Контекст целевой модели — 262 144 токена, язык карточки — английский. Модель распространяется в safetensors и предназначена только для совместной работы с указанной целевой моделью через поддерживаемый путь DSpark. Лицензия — Apache-2.0.

Карточка модели 0x3/gemma-4-E4B-it-audio-encoder на Hugging Face совпадает с карточкой Aratako/gemma-4-E4B-it-audio-encoder, поэтому описание составлено по ней. Aratako/gemma-4-E4B-it-audio-encoder — аудиоэнкодер, извлечённый из Google Gemma 4 E4B Instruct. Это плотная модель класса Gemma4AudioEncoder, подготовленная для Transformers и распространяемая в формате safetensors. При включённой по умолчанию проекции она выдаёт векторы размерности 2560 в пространстве эмбеддингов языковой модели Gemma 4 E4B; без проекции — исходные аудиопредставления размерности 1536. Модель предназначена для извлечения признаков из аудио и передачи полученных представлений компонентам Gemma 4 E4B или другим совместимым системам. Для загрузки требуется Transformers версии 5.5.0 или новее. Лицензия — Apache 2.0. README не сообщает о поддерживаемых языках аудио и отдельных ограничениях качества или применения.

Genstruct-10.7B — языковая модель NousResearch, предназначенная для генерации инструкций на основе исходного текста. Её можно использовать как основу для дальнейшего дообучения или как замену Genstruct-7B. Модель создана методом Depth-Up Scaling из Genstruct-7B с помощью mergekit; архитектура — плотная MistralForCausalLM, размер — около 10,6 млрд параметров, формат весов — safetensors. Указанный контекст — 32 768 токенов. Модель принимает текстовые фрагменты и генерирует grounded-инструкции, включая вопросы по предоставленному контексту и сценарии, требующие подробного рассуждения. Это позволяет создавать частично синтетические наборы данных для обучения по инструкциям из обычных текстовых корпусов. Карточка содержит примеры для разных тем, в том числе права и медицины, но не заявляет специализацию в этих областях. Модель рассчитана на английский язык. Лицензия — Apache-2.0.