II.10Разработка и эксплуатация AI/ML-систем

GLM-4.5-Base — базовая языковая модель семейства GLM-4.5, разработанная Zhipu AI для создания интеллектуальных агентов. Это исходная версия модели, предназначенная для дальнейшей адаптации и генерации текста; README отдельно отмечает, что она не предназначена для чата в готовом виде. Модель построена на архитектуре GLM-4 MoE. В метаданных указаны 23,4 млрд параметров, формат safetensors и контекст до 131 072 токенов; карточка описывает серию GLM-4.5 в целом как ориентированную на рассуждения, программирование и агентные сценарии. Поддерживаются английский и китайский языки. Модель выпущена под лицензией MIT, допускающей коммерческое использование и разработку производных моделей. Для интерактивного диалога потребуется подходящая настройка или дообучение; README не приводит отдельных результатов оценки именно базовой версии.

Granite-7b-base — базовая предварительно обученная языковая модель из серии Granite, разработанная IBM Research и выпущенная по лицензии Apache-2.0 для коммерческого и некоммерческого использования. Она создана с нуля на данных, отобранных IBM, как открытая реализация архитектурного варианта Llama 2 7B. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 6,6 млрд параметров, использует токенизатор Llama 2 и обрабатывает контекст длиной до 4096 токенов. Она рассчитана прежде всего на английский язык и предназначена для генерации текста и дальнейшей адаптации под прикладные задачи. Обучение проведено на 2 трлн токенов; карточка приводит результаты оценок на MMLU и ARC. Это базовая модель без настройки на инструкции и без выравнивания безопасности, поэтому ответы могут быть небезопасными или фактически неверными. Для применения в диалоге или чувствительных сценариях потребуется дополнительная настройка и проверка результатов.

cais/HarmBench-Mistral-7b-val-cls — классификатор валидации поведения для бенчмарка HarmBench, разработанный командой HarmBench. Он оценивает сгенерированные ответы на соответствие заданному поведению и поддерживает стандартные текстовые и контекстные сценарии, а также заявленную поддержку мультимодальных поведений. В README приведён пример сопоставления поведения с одной или несколькими генерациями. Модель построена на плотной авторегрессионной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальный контекст — 32 768 токенов. Карточка сообщает о согласии с человеческими оценками 94,53% для стандартных и 90,5% для контекстных примеров в приведённой валидационной таблице. Метаданные указывают поддержку чата и формат safetensors. Модель предназначена прежде всего для оценки и фильтрации ответов в задачах аудита безопасности и измерения вредоносного поведения; её оценки не следует считать универсальным доказательством безопасности или использовать вне контекста классификации HarmBench без отдельной проверки. Лицензия — MIT. Хотя в README заявлена поддержка мультимодальных поведений, указанные архитектура и pipeline описывают текстовую генерацию, а подробности мультимодального ввода не приведены.

Карточка модели kyutai/helium-1-2b-main на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Карточка модели kyutai/helium-1-2b-stem на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Карточка модели kyutai/helium-1-2b-wiki на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

HuatuoGPT-reward-model-7B — модель оценки ответов, связанная с проектом HuatuoGPT. Это плотная модель архитектуры Llama с классом LlamaRewardModel, содержащая 6,6 млрд параметров и рассчитанная на контекст до 2048 токенов. В метаданных Hugging Face её основная задача указана как классификация текста. Модель предназначена для оценки текстовых ответов в сценариях, где требуется ранжировать или проверять ответы языковой модели; карточка отсылает к проекту HuatuoGPT, но не описывает конкретную схему применения. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Данных о поддерживаемых языках и конкретных ограничениях качества в карточке нет.

team-lucid разработала Hubert Large Korean — модель Hubert для обучения речевых представлений на необработанном аудиосигнале с помощью самообучения. Она принимает аудио и предназначена для задач распознавания речи на корейском языке; в README показано получение последовательности скрытых представлений через библиотеку Transformers. Модель содержит 402,7 млн параметров и обучалась примерно на 4 000 часах корейских данных: записей свободных диалогов, многоголосного синтеза речи и разговорной речи из вещательного контента. Веса опубликованы в форматах PyTorch, Flax и Safetensors. Лицензия Apache-2.0. README показывает выход HubertModel в виде скрытых представлений, поэтому для получения текстовой транскрипции может потребоваться дополнительная ASR-голова или декодер.

facebook/ijepa_vith14_1k — модель I-JEPA от Meta для извлечения признаков изображений. Она обучена методом self-supervised learning: предсказывает представления скрытых областей изображения по представлениям других его частей. Вместо восстановления пикселей модель работает в латентном пространстве, чтобы формировать семантически значимые представления. Этот чекпойнт Huge предназначен прежде всего для извлечения признаков и может использоваться для классификации изображений и других задач компьютерного зрения, опирающихся на визуальные признаки. Модель содержит 838,9 млн параметров; в метаданных указаны архитектура IJepaModel и библиотека Transformers. Для обучения использовался датасет ILSVRC/imagenet-1k. Модель принимает изображения и выдаёт их признаки. В карточке также описан предиктор латентных представлений, способный учитывать пространственную неопределённость и предсказывать высокоуровневую информацию о скрытых областях изображения. Лицензия CC BY-NC 4.0 разрешает использование на условиях некоммерческой лицензии.

OwenElliott разработал image-safety-classifier-l — компактную модель классификации изображений на базе SwiftFormer, дообученную для определения категорий NSFW, NSFL и SFW. Она предназначена для проверки изображений в сценариях, где важны небольшие размеры модели, низкая задержка или работа на периферийных устройствах. Модель обучена на частном наборе примерно из 320 тысяч изображений, включающем фотографии, рисунки, мемы, скриншоты и изображения, созданные ИИ. Для запуска доступны веса PyTorch и ONNX; в ONNX-вариантах предобработка, нормализация и softmax встроены в граф. Лицензия — MIT. Классификатор может ошибаться, а границы NSFW зависят от контекста. Класс NSFL представлен в обучающих данных значительно слабее, чем NSFW и SFW, поэтому качество распознавания жестокого контента может быть ограничено.

Owen Elliott разработал лёгкий классификатор изображений для оценки их безопасности. Модель на архитектуре SwiftFormer относится к семейству дообученных моделей SwiftFormer; в этой версии 3,5 млн параметров. Она относит изображения к классам NSFW (порнографический или откровенный контент), NSFL (кровь и жестокие сцены) и SFW (остальные изображения). Модель предназначена для быстрой проверки изображений, в том числе на устройствах с ограниченными ресурсами. Доступны веса PyTorch и ONNX; лицензия — MIT. Модель обучена на частном наборе примерно из 320 тысяч изображений из интернета, включая фотографии, рисунки, мемы и изображения, созданные ИИ. Автор сообщает о точности 97,76% на своей оценке; этот результат относится к использованному набору данных и не гарантирует такую же точность в других условиях. Класс NSFL представлен в обучающих данных значительно слабее, чем NSFW и SFW, поэтому распознавание жестоких сцен может быть менее надёжным. Модель может ошибаться, а граница между безопасным и откровенным контентом зависит от контекста.

ImageShield-MMCF-2B — мультимодальный классификатор безопасности визуального контента от prithivMLmods, дообученный на базе Qwen/Qwen3.5-2B. Модель принимает изображения и предназначена для классификации их как безопасных или небезопасных, особенно для выявления чувственного контента NSFW и других потенциально чувствительных сцен. Модель формирует структурированный ответ JSON с подписью изображения, меткой классификации и объяснением. В обучении использовалось около 28 тысяч примеров guardrail-разметки; консервативная политика склоняет классификацию к небезопасной при неоднозначности. Архитектура — плотная Qwen3.5 для генерации текста по изображению; карточка указывает английский язык. Распространяется в формате Safetensors по лицензии Apache-2.0. Выпуск экспериментальный: возможны нестабильные ответы и артефакты рассуждений. Модель допускает как ложные срабатывания на безобидном контенте, так и пропуск небезопасных изображений; результат зависит от качества изображения, контекста и инструкции и не является окончательным юридическим или безопасностным заключением.

timm/inception_next_base.sail_in1k_384 — модель классификации изображений семейства InceptionNeXt, обученная авторами статьи на ImageNet-1k. Она также предназначена для извлечения карт признаков и визуальных эмбеддингов, которые можно использовать в качестве основы для компьютерного зрения. Модель содержит 86,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

IndoBERT-Lite Large Model (phase1, uncased) — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в качестве основы для последующих задач обработки индонезийского языка. Модель содержит около 433,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает извлечение признаков через Transformers; в репозитории доступны форматы PyTorch и TensorFlow. Карточка описывает uncased-вариант, то есть текст обрабатывается без различения регистра. Лицензия — MIT.

Inkling-NVFP4-DFlash — черновая модель DFlash от Modal Labs для ускорения генерации с целевой моделью thinkingmachines/Inkling-NVFP4. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере спекулятивного декодирования. Модель семейства Qwen3, архитектура DFlashDraftModel, размер — 4,5 млрд параметров; веса опубликованы в формате safetensors. Метаданные указывают контекст до 1 048 576 токенов. DFlash использует облегчённую блочную диффузионную модель, чтобы параллельно предлагать несколько токенов. Целевая модель проверяет предложения, сохраняя своё распределение выходов и потенциально повышая пропускную способность генерации. Пример из карточки использует SGLang, целевую модель Inkling-NVFP4 и блок из 16 токенов; предварительные измерения средней длины принятых предложений приведены для GSM8K, MATH500 и HumanEval при конкурентности 1. Это ранняя предварительная версия, обучение модели ещё продолжается. Карточка сообщает о предварительной оценке длины принятого блока, но не приводит полного набора тестов пропускной способности и замеров при высокой конкурентности. Лицензия — Apache-2.0; для работы требуется совместимая целевая модель и сервер спекулятивного декодирования.

lcnet_050.ra2_in1k — сверточная модель классификации изображений из семейства LCNet, представленная в библиотеке timm. Её обучили на ImageNet-1k с рецептом RandAugment RA2; при обучении использовались оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое снижение скорости обучения с разогревом. Модель содержит около 1,9 млн параметров и рассчитана на изображения размером 224 × 224. Она предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как лёгкая сверточная основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Компактный размер делает модель подходящей для сценариев, где важны небольшие вычислительные затраты. Её обучение на ImageNet-1k задаёт область применения и классы распознавания; карточка не приводит количественных метрик качества или гарантии работы на других наборах данных.

LeViT-128.fb_dist_in1k — модель классификации изображений из семейства LeViT, опубликованная в репозитории timm. Это сверточный вариант архитектуры LeViT на PyTorch: в блоках используются nn.Conv2d и nn.BatchNorm2d. Модель содержит около 9,2 млн параметров, рассчитана на изображения размером 224 × 224 и предобучена авторами статьи на ImageNet-1k с дистилляцией. Модель предназначена для присвоения изображениям меток классов и может использоваться как основа для извлечения признаков. В карточке приведены вычислительные характеристики: 0,4 GMACs и 2,7 млн активаций. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не приводит подробных оценок точности именно для версии 128.

LeViT-256 — сверточная модель компьютерного зрения для классификации изображений, доступная в библиотеке timm. Авторы статьи о LeViT обучили её с дистилляцией на ImageNet-1k. Архитектура сочетает подходы Vision Transformer и сверточных сетей; в этой версии используются nn.Conv2d и nn.BatchNorm2d. Модель содержит около 18,9 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность около 1,1 GMACs. Модель подходит для присвоения изображениям классов ImageNet-1k и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. В карточке для неё указана точность top-1 81,512% и top-5 95,48% на ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0. Ограничения: сведения о качестве относятся к ImageNet-1k и не гарантируют аналогичной точности на других наборах данных или предметных областях.

LLaMA3.1-8B-Instruct-DFlash-UltraChat — черновая модель для метода ускоренного спекулятивного декодирования DFlash. Она использует лёгкую диффузионную модель с блочной генерацией, чтобы параллельно предлагать продолжения целевой модели; для работы её необходимо использовать вместе с meta-llama/Llama-3.1-8B-Instruct. Модель разработана z-lab и обучена на UltraChat-200K и ShareGPT с ответами, заново сгенерированными базовой моделью. В метаданных указаны архитектура DFlashDraftModel семейства Qwen3, 1,5 млрд параметров, формат safetensors и контекст до 40 960 токенов. Модель предназначена для ускорения генерации текста при инференсе, а не для самостоятельного диалога. README сообщает о сравнении с EAGLE-3 на GSM8K, HumanEval и Alpaca в SGLang на GPU B200, но приведённых данных недостаточно, чтобы подтвердить заявленное преимущество во всех сценариях. Лицензия — MIT.

RLHFlow/Llama3.1-8B-PRM-Deepseek-Data — процессно-супервизируемая модель вознаграждения (PRM) проекта RLHFlow/RLHF-Reward-Modeling. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на наборе RLHFlow/Deepseek-PRM-Data в течение одной эпохи. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для оценки промежуточных шагов в решениях и отбора или ранжирования вариантов рассуждения, в том числе при Best-of-N-сэмплировании. README приводит результаты оценивания на GSM8K и MATH с генераторами Mistral-7B и Deepseek-7B. В метаданных указаны текстовая генерация и разговорный интерфейс; входные и выходные данные — текст. Весы доступны в формате safetensors и используются через Transformers. Лицензия в предоставленных данных не указана.

Llama-3.2-1B-Instruct-APIGen-FC-v0.1 — компактная плотная языковая модель Argilla, дообученная методом SFT с помощью TRL на наборе argilla-warehouse/apigen-synth-trl. Она основана на meta-llama/Llama-3.2-1B-Instruct и предназначена для генерации текста в диалоге с акцентом на вызов функций и инструментов: модель может формировать один или несколько вызовов, включая параллельные и многошаговые сценарии. Модель содержит 1,2 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Карточка демонстрирует примеры на английском языке; метаданные также указывают английский. Модель распространяется по лицензии Apache-2.0. Она подходит для прототипирования и интеграции инструментов в диалоговые приложения. Качество вызовов функций зависит от формата промпта и описания доступных инструментов; модель компактна, поэтому её ответы и выбор инструментов следует проверять в целевых сценариях.

MaxViT Tiny TF 224 IN1K — модель классификации изображений семейства MaxViT, обученная авторами статьи в TensorFlow на ImageNet-1k и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Она предназначена для отнесения изображений к классам ImageNet и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Архитектура MaxViT сочетает блоки свёртки MBConv и два вида самовнимания: по окнам и по сетке. В модели около 30,9 млн параметров; расчётная сторона входного изображения — 224 пикселя. Репозиторий содержит веса PyTorch и safetensors. Модель обучена на ImageNet-1k и рассчитана на классификацию изображений общего назначения. Лицензия — Apache-2.0. README не приводит отдельные показатели качества именно для этого варианта, поэтому результаты на других наборах данных могут отличаться.

MERaLiON-SpeechEncoder-2 — мультиязычный аудиоэнкодер речи, разработанный I2R, A*STAR. Модель предобучена с нуля на 1,4 млн часов неразмеченного аудио с особым акцентом на языки и акценты Юго-Восточной Азии; архитектура основана на BEST-RQ. В метаданных указано 402,7 млн параметров, библиотека Transformers и формат safetensors. Энкодер преобразует речевой сигнал в акустические представления для дообучения под распознавание речи, перевод речи, определение говорящего и языка, а также распознавание эмоций. На вход подаются 80-мерные мел-спектрограммы, рассчитанные для аудио с частотой 16 кГц. Поддерживаются английский, китайский, малайский, тамильский, тайский, индонезийский и вьетнамский языки, включая переключение между ними в речи. Авторы сообщают о конкурентных результатах на SUPERB и в многоязычных системах распознавания речи. Для практических задач модель обычно требуется дообучить на целевом наборе данных; сама она выдаёт речевые признаки, а не готовую транскрипцию. Распространяется по MERaLiON Public License; подробные условия следует сверять с текстом лицензии в репозитории.

Это квантизированная версия плотной авторегрессионной модели Meta-Llama-3-8B, разработанная автором репозитория donghyunli. Веса представлены в формате packed int2 с групповой квантизацией KronQ размера 128; активации остаются 16-битными. Для распаковки весов на лету используется объединённое CUDA-ядро dequantization и BiIP с масштабами для каждой группы. Размер весов составляет около 3,9 ГБ, а контекст модели — 8192 токена. Модель предназначена для генерации текста и оценки языковых моделей. В README приведены результаты на WikiText-2 и zero-shot-бенчмарках PIQA, ARC, HellaSwag, WinoGrande, BoolQ и OBQA. Она наследует языковую поддержку базовой Meta-Llama-3-8B, для которой метаданные отмечают английский язык. Лицензия — Llama 3; применяйте модель согласно её условиям.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-fr — модель на базе Transformers с архитектурой ModernBERT, предназначенная для задачи классификации токенов в контексте оценки синтетических галлюцинаций в материалах для вопросов и ответов с использованием RAGTruth. Разработчик в карточке модели не указан. Модель содержит около 140,5 млн параметров и поддерживает контекст длиной до 8192 токенов. По идентификатору модели она ориентирована на франкоязычный вариант набора или сценария, однако явный языковой код в метаданных отсутствует. Модель может применяться для пометки отдельных токенов в текстах, связанных с вопросно-ответными системами и анализом галлюцинаций в RAG-сценариях. Лицензия в доступных данных не указана. README автоматически сгенерирован и не содержит сведений об обучении, результатах оценки, ограничениях, рекомендациях по использованию или точной архитектуре, поэтому качество и область применимости модели требуют самостоятельной проверки.

Это сверточная модель MobileNet-V1 для классификации изображений, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она подходит для распознавания объектов на изображениях и может служить компактной базой для извлечения признаков в задачах компьютерного зрения. Модель содержит около 6,3 млн параметров и требует примерно 0,9 GMACs; размер изображения при обучении — 224×224 пикселя, при тестировании — 256×256. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

MobileNetV4 Conv AA Large — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; в README указано 32,6 млн параметров и применение как классификатора и основы для извлечения признаков и эмбеддингов. Модель использует усредняющий антиалиасинговый пулинг. Для варианта с суффиксом r384 указаны разрешение обучения 384 × 384 и размер тестового изображения 480 × 480; на ImageNet-1k приведены результаты top-1 84,772% и top-5 97,344%. Модель принимает изображения и выдаёт классы, а при использовании в качестве основы — признаки или эмбеддинги. Подходит для классификации изображений общего назначения и построения компьютерного зрения в мобильных сценариях. Распространяется по лицензии Apache-2.0. Карточка не описывает специализированные предметные области или известные ограничения качества за пределами указанных условий оценки.

MobileNetV4 Conv AA Large — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; доступна в форматах PyTorch, ONNX и Safetensors под лицензией Apache-2.0. Модель содержит около 32,6 млн параметров и использует усредняющий антиалиасинговый пулинг. Карточка приводит размер обучения 448 × 448 пикселей и тестирования 544 × 544; для варианта с входом 544 пикселя указана точность Top-1 84,99% на ImageNet-1k. Модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Она предназначена для присвоения изображению класса из набора ImageNet-1k и применения в качестве зрительного бэкбона. Данные о поддержке других наборов классов и языковых задач в карточке не приводятся; качество зависит от соответствия входных изображений обучающим данным и разрешению.

MobileNetV4 Conv Medium — модель классификации изображений и извлечения признаков из семейства MobileNetV4. Её обучил Ross Wightman с помощью скриптов timm на ImageNet-1k; параметры обучения основаны на статье MobileNetV4 и дополнены настройками timm. В карточке указано, что официальные веса моделей MobileNetV4 для TensorFlow на момент её создания не были опубликованы. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя при обучении и 256 × 256 при тестировании. Она подходит для классификации объектов на изображениях, извлечения карт признаков и получения эмбеддингов. Это компактный вариант семейства MobileNet, ориентированный на сценарии компьютерного зрения, в том числе на мобильных устройствах. Модель распространяется по лицензии Apache-2.0. В карточке приведены результаты сравнения Top-1 и Top-5 для других вариантов MobileNetV4, но не указана метрика качества именно этой версии; её характеристики также не подтверждают поддержку языковых или мультимодальных входов.

Модель timm/mobilenetv4_conv_small.e1200_r224_in1k — сверточная модель MobileNetV4 для классификации изображений и использования в качестве визуального backbone. Её обучил Росс Уайтман на ImageNet-1k с помощью скриптов timm и гиперпараметров, основанных на статье о MobileNetV4 и дополненных настройками timm. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. В модели около 3,8 млн параметров и 0,2 GMACs. Обучение проводилось на изображениях 224×224 пикселя; для оценки указано разрешение 256×256. Модель подходит для распознавания объектов из классов ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. README отмечает, что это одни из немногих известных весов MobileNetV4, а официальные веса TensorFlow на момент публикации не выпущены.