II.10Разработка и эксплуатация AI/ML-систем

ResNeSt-26d.gluon_in1k — модель классификации изображений на архитектуре ResNeSt, разработанной авторами статьи о Split-Attention Networks. Модель обучена авторами статьи на ImageNet-1k и содержит около 17,1 млн параметров. Она рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или как backbone для извлечения признаков и эмбеддингов изображений. Модель подходит для классификации изображений по классам ImageNet-1k и построения визуальных представлений для дальнейших задач компьютерного зрения. В README указаны вычислительная сложность 3,6 GMACs и 10 млн активаций. Репозиторий содержит веса PyTorch и safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

ResNet101.a1h_in1k — модель классификации изображений и извлечения визуальных признаков из семейства ResNet-B, опубликованная авторами timm. Она содержит 44,5 млн параметров, использует активации ReLU, свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1. Модель обучена на ImageNet-1k с рецептом A1 из ResNet Strikes Back и улучшениями аугментации и регуляризации; размер изображения при обучении — 224×224, при оценке — 288×288. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В качестве визуального бэкбона её можно применять в компьютерном зрении, если задача соответствует обучению на ImageNet-1k. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNet-34 v1.5 — сверточная нейросеть семейства ResNet, представленная авторами Hugging Face как предобученная модель для классификации изображений. Она обучена на ImageNet-1k и рассчитана на изображения с разрешением 224×224. Архитектура использует остаточные связи и skip connections, которые облегчают обучение глубоких сетей. Модель подходит для определения класса объекта на изображении среди 1 000 классов ImageNet, а также как основа для дообучения под другие задачи классификации изображений. Вариант v1.5 отличается расположением шага изменения разрешения в сверточных блоках; в карточке это отличие описано для ResNet50, поэтому оно не позволяет делать вывод о дополнительном преимуществе именно ResNet-34. Веса доступны в форматах PyTorch, safetensors и TensorFlow. Лицензия — Apache-2.0. Карточка не приводит измерений качества или специальных ограничений применимости.

Репозиторий smp-hub содержит предварительно обученные на ImageNet веса ResNet-50, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также подходит для классификации изображений, что указано в метаданных Hugging Face. ResNet-50 — сверточная нейросеть для обработки изображений. В карточке указаны веса в формате safetensors и лицензия other. Сведений о размере модели и языках в карточке нет.

Это версия свёрточной модели ResNetV2 BiT-101x3, преобразованная zeromodels в формат Keras 3 из timm/resnetv2_101x3_bit.goog_in21k. Исходный чекпойнт обучен на ImageNet-21k; архитектура использует ResNet с предварительной активацией и предназначена для классификации изображений, а также как визуальный backbone для получения признаков. Модель принимает изображения и может возвращать логиты классов или признаки; режим backbone поддерживает многоуровневые стадии. Реализация рассчитана на TensorFlow, Torch и JAX через Keras 3. Карточка не указывает размер входного изображения или языковые возможности. Лицензия — Apache-2.0.

RetrievalRouter-lambda-l100 — контрольная точка модели RetrievalRouter, разработанная для исследования выбора модальности и архитектуры поиска документов. По текстовому запросу она выбирает один из пяти готовых поисковых конвейеров: текстовый или мультимодальный поиск, с плотным поиском либо дополнительным переранжированием. Это маршрутизатор, а не поисковая система: он не находит и не ранжирует документы, поэтому для работы нужны заранее подготовленные индексы и сами конвейеры. Модель основана на Qwen/Qwen3-0.6B-Base с LoRA-дообучением; энкодер формирует вектор запроса размерности 1024, а линейная голова предсказывает распределение выбора по пяти вариантам. Контрольная точка обучена с λ=1.0 на приоритет скорости: она выбирает быстрый конвейер, если считает его достаточным для запроса. Обучение охватывает 85 103 запроса из 11 наборов данных; заявленное время маршрутизации — около 15 мс. Модель рассчитана на англоязычные запросы; другие языки и области не проверялись. Лицензия — MIT.

S2T-LARGE-LIBRISPEECH-ASR — модель Speech to Text Transformer для автоматического распознавания речи, опубликованная в репозитории Facebook на Hugging Face. Это последовательная модель типа encoder-decoder с авторегрессионной генерацией транскрипта; размер — 211,6 млн параметров. На вход подаются речевые признаки: 80-канальные log-Mel фильтры, извлечённые из WAV или FLAC с частотой 16 кГц и нормализованные на уровне высказывания. Текст токенизируется SentencePiece с размером словаря 10 000, приводится к нижнему регистру. Модель предназначена для транскрибирования английской речи. Она обучена на корпусе LibriSpeech ASR объёмом около 1000 часов чтения вслух; для тестовых наборов LibriSpeech указана ошибка WER 3,3 на clean и 7,5 на other. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — MIT. Результаты относятся к чтению на LibriSpeech и не гарантируют аналогичное качество для разговорной речи, других языков или условий записи.

Это веса кодировщика изображений HieraDet из семейства SAM 2, опубликованные в библиотеке timm под идентификатором sam2_hiera_base_plus.fb_r896. Модель предназначена для извлечения признаков из изображений и может служить визуальным энкодером в системах компьютерного зрения. В репозитории представлены веса в форматах PyTorch и safetensors. Указана лицензия Apache 2.0. Карточка описывает только кодировщик изображений, поэтому модель сама по себе не является полной системой сегментации SAM 2.

semnasnet_100.rmsp_in1k — сверточная модель для классификации изображений из библиотеки timm, разработанная командой timm. Она основана на архитектуре MNasNet с канальным вниманием Squeeze-and-Excitation и обучена на ImageNet-1k. Модель предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Модель содержит 3,9 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 0,3 GMAC. При обучении применялись оптимизатор RMSProp, усреднение весов EMA и аугментации, включая RandomErasing и mixup. Лицензия — Apache-2.0.

Это предобученные на ImageNet веса модели SE-ResNet-50 из репозитория smp-hub. Модель предназначена для классификации изображений и может использоваться как энкодер в библиотеке segmentation-models-pytorch, в том числе при создании моделей сегментации. Архитектура сочетает ResNet-50 с блоками squeeze-and-excitation; веса опубликованы в формате safetensors. Лицензия указана как other, без уточнения условий в доступных данных. Модель работает с изображениями и выдаёт классы или признаки изображения. Карточка не приводит сведения о поддерживаемых языках или конкретных ограничениях качества.

seresnext26d_32x4d.bt_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Архитектура SE-ResNeXt-D сочетает остаточные блоки с групповыми свертками и механизмом Squeeze-and-Excitation, который учитывает важность каналов. Модель содержит 16,8 млн параметров и обучена на ImageNet-1k по рецепту Bag of Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения. Модель предназначена для классификации изображений и может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. В обучении использовались изображения размером 224 × 224 пикселя, для тестирования — 288 × 288. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

SigLIP-HD — визуальный энкодер, созданный на основе SigLIP 2 So400m/16-512px и дообученный с fine-to-coarse supervision. Репозиторий содержит только энкодер изображений, без текстовой башни; архитектура и интерфейс ввода-вывода совместимы с визуальной частью SigLIP 2, поэтому модель можно использовать как её замену в мультимодальном конвейере. Модель предназначена для извлечения признаков изображений и интеграции в мультимодальные большие языковые модели. В карточке отмечено улучшение результатов по сравнению с SigLIP 2 в составе таких систем, особенно для сценариев OCR. Размер модели — 544,9 млн параметров; для работы доступны веса Safetensors и библиотека Transformers. Модель распространяется по лицензии MIT. Поскольку в репозитории нет текстовой башни, сама по себе она не выполняет сопоставление изображения с текстом или генерацию ответов: для этих сценариев требуется подходящая текстовая модель и мультимодальный конвейер.

Модель Shona W2V-BERT 2.0 ASR подготовлена Манассе Чангачирере: это CTC-модель распознавания речи, дообученная на основе facebook/w2v-bert-2.0 на размеченных данных языка шона. Она принимает монофоническое аудио с частотой 16 кГц и выдаёт текст в нижнем регистре без пунктуации. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2-BERT и загружается через Transformers. Модель подходит для транскрибации коротких сегментов речи на шона, анализа ошибок, сравнения систем распознавания и проверки псевдоразметки как дополнительный сигнал. На тесте FLEURS для шона указана ошибка WER 28,87%; на тесте WAXAL — 28,11%, но для последнего возможен перехлёст с обучающей выборкой. Автор отмечает, что это не лучшая по качеству модель-предсказатель и не предназначенный для потокового распознавания вариант. Лицензия — MIT.

tidelganesh/svara-tts-v1-bf16 — конвертированная версия модели Svara-TTS от Kenpath для преобразования текста в речь. Модель основана на плотной архитектуре Llama, содержит 3,3 млрд параметров и сохранена в формате safetensors с точностью bfloat16. Она предназначена для самостоятельного развёртывания сервера синтеза речи; серверный интерфейс выдаёт монофонический PCM16 с частотой 24 кГц. Базовая Svara-TTS рассчитана на 18 индийских языков и индийский вариант английского. По README, версия bfloat16 примерно вдвое снижает потребление видеопамяти и повышает пропускную способность относительно fp32; автор заявляет отсутствие заметного ухудшения качества. Для работы описаны CUDA 11.8 или новее, PyTorch 2.3 или новее и Transformers 4.45 или новее; для видеокарт с ограниченной памятью рекомендуется Flash Attention 2. Репозиторий распространяется по лицензии MIT. Это преобразование точности и формата весов исходной модели, а не дообучение или квантизация. В комплект также входят пользовательский код модели и связанные файлы upstream-репозитория; их актуальность зависит от синхронизации с базовой моделью. README не описывает отдельные механизмы управления голосом или конкретные ограничения по входному тексту.

Swin-Small — модель компьютерного зрения, разработанная Qualcomm и оптимизированная для устройств на базе Qualcomm. Она предназначена для классификации изображений из набора данных ImageNet, а также может использоваться как backbone при создании более специализированных моделей. Реализация основана на Swin-Small из torchvision; в репозитории представлены предварительно экспортированные версии для Qualcomm AI Hub и различных сред выполнения. Модель принимает изображения размером 224×224 пикселя и содержит около 50,4 млн параметров. Размер float-версии составляет 193 МБ, варианта w8a16 — 52,5 МБ. Доступны форматы ONNX, QNN_DLC и TFLITE, включая float и w8a16; поддерживаются целевые конфигурации для NPU Qualcomm. Модель рассчитана на задачи обработки изображений и не предназначена для работы с текстом или другими модальностями. Сильными сторонами являются готовые оптимизированные артефакты, возможность экспорта с пользовательскими весами и формами входа, а также поддержка аппаратного ускорения на широком спектре устройств Qualcomm. Ограничения включают фиксированное указанное входное разрешение, значительный размер и зависимость производительности от конкретного чипсета, runtime и конфигурации. В README указана лицензия BSD-3-Clause.

SYNGEN REASONING 0.6B — языковая модель Pinkstack с 507,6 млн параметров на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-0.6B-Base. Она предназначена прежде всего для генерации синтетических рассуждений, привязанных к итоговым ответам, например при преобразовании диалоговых наборов данных в наборы с цепочками рассуждений. Модель также подходит для других задач генерации текста, требующих рассуждений. Модель принимает текст и генерирует текст; заявленный родной контекст — 32 768 токенов. В README приведены рекомендуемые параметры генерации: min_p 0,05, top_p 0,85, temperature 0,55 и до 32 000 новых токенов. Карточка указывает поддержку английского и многоязычного текста, а также возможности диалога и генерации кода. Лицензия — Apache-2.0.

tf_efficientnet_l2.ns_jft_in1k_475 — сверточная модель EfficientNet-L2 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы работ на ImageNet-1k и неразмеченном JFT-300M методом полунадзорного обучения Noisy Student; Ross Wightman перенёс её в PyTorch, а в Hugging Face она представлена в формате safetensors и используется через timm. Модель содержит около 480,3 млн параметров, рассчитана на входные изображения размером 475 × 475 пикселей и требует значительных вычислительных ресурсов. Помимо предсказания классов ImageNet, её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — Apache-2.0.

tf_mobilenetv3_small_075.in1k — компактная модель классификации изображений семейства MobileNetV3. Её обучили на ImageNet-1k авторы статьи в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 2 млн параметров, она рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как основа для извлечения признаков и получения эмбеддингов изображений. Компактный размер делает её подходящей для приложений с ограниченными вычислительными ресурсами. Лицензия репозитория — Apache-2.0. Карточка не приводит метрик качества; результаты на других наборах данных и для задач, отличных от классификации ImageNet-1k, не описаны.

Репозиторий содержит веса EfficientNet-B2, предварительно обученные на ImageNet. Модель предназначена для классификации изображений и может использоваться как визуальный энкодер в библиотеке segmentation-models-pytorch, в том числе как основа для задач сегментации. EfficientNet-B2 — сверточная архитектура для обработки изображений. В карточке указаны веса safetensors и библиотека segmentation-models-pytorch. Лицензия обозначена как other; конкретные условия использования требуют проверки в репозитории.

TinyLettuce — компактная модель KRLabsOrg для выявления неподтверждённых фрагментов в ответах на основе заданного контекста. Она дообучена на энкодере Ettin-17M и использует классификационную голову ModernBERT для токенной классификации: каждому токену присваивается метка «подтверждён» или «галлюцинация», а объединение фрагментов выполняется последующей обработкой. Модель принимает контекст, вопрос и ответ в последовательности до 7 999 токенов и рассчитана на англоязычные сценарии RAG, включая биомедицинский домен BioASQ. Модель предназначена для недорогого вывода на CPU и настройки на доменных синтетических данных. В README сообщается F1 90,87% на отложенной синтетической тестовой выборке; авторы отмечают, что результаты зависят от домена и порога постобработки. Обучение опиралось на небольшой набор синтетических примеров, поэтому заявленная метрика не гарантирует такую же точность на реальных данных или в других областях. Лицензия — MIT.

T-lite-it-1.0 — русскоязычная модель семейства Qwen 2.5, разработанная командой T-tech. Модель основана на Qwen 2.5 и прошла продолженное предобучение, настройку по инструкциям и предпочтениям; она содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель рассчитана прежде всего на дальнейшее дообучение, а не на использование как готового разговорного помощника. Обучение включало разнообразные русскоязычные данные, а также английские данные; карточка приводит результаты тестов на нескольких русских бенчмарках. Её можно использовать как основу для создания и настройки русскоязычных текстовых моделей. Модель принимает текст и генерирует текст. Авторы предупреждают, что для приемлемого уровня безопасности и качества ответов требуются дополнительное обучение и контроль. Сведения о лицензии в предоставленной карточке отсутствуют.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI для оценки диалогов с помощником. Она дообучена на базе Tulu 2 и обучена на разговорах из набора Chatbot Arena 2023; архитектура — плотная Llama с 12,9 млрд параметров. Модель принимает текстовые диалоги в предусмотренном шаблоне и выдаёт оценку, пригодную для обучения с подкреплением по PPO и работы с предпочтениями. Модель предназначена прежде всего для исследовательских экспериментов с RLHF и ранжирования ответов помощника по их предпочтительности. Поддерживает английский язык, контекст до 4096 токенов и распространяется в формате Safetensors. Лицензия — Apache 2.0. В карточке модель названа исследовательским артефактом; её оценка ориентирована на Chatbot Arena 2023 и не подтверждена как универсальный показатель качества ответов.

Карточка модели 0x3/ultraVAD на Hugging Face совпадает с карточкой fixie-ai/ultraVAD, поэтому описание составлено по ней. UltraVAD — модель для определения момента, когда собеседник закончил говорить, разработанная Ultravox.ai. Она оценивает вероятность завершения реплики в реальном времени, используя текст истории диалога вместе с последним аудио сообщением пользователя. Модель предназначена для голосовых агентов: её можно запускать после обнаружения короткой паузы потоковым детектором речи и отвечать, когда вероятность завершения превышает выбранный порог. Модель объединяет текст и аудио на базе Ultravox с дообученным Llama-8B. Она поддерживает 26 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. По данным карточки, прямой проход занимает около 65–110 мс на A6000. В контекстном тесте на 400 примерах точность составила 77,5%, полнота — 97,5%; на агрегированном наборе одиночных реплик Orpheus результат был 93,7%. Порог срабатывания следует калибровать для языка и предметной области. Лицензия в предоставленных данных не указана.

VideoScore2 — модель TIGER-Lab для многомерной оценки сгенерированных видео. Она анализирует визуальное качество, соответствие видео текстовому описанию и физическую или обыденную правдоподобность, выдавая оценки и подробные обоснования. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct: в обучении использовались supervised fine-tuning и reinforcement learning с GRPO на датасете VideoFeedback2, включающем 27 168 видео с человеческими оценками и пояснениями. Модель имеет плотную мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает визуальные данные и текстовые запросы; контекст — до 128 000 токенов. Карточка демонстрирует применение для оценки видео и приводит результаты на внутренних и внешних бенчмарках. Метаданные указывают английский язык. Распространяется по лицензии Apache-2.0.

VisionGuardrail-9B-GGUF — мультимодальная модель-классификатор безопасности визуального контента, разработанная prithivMLmods. Она основана на Qwen/Qwen3.5-9B и обучена на наборе данных ImageShield-Guardrail-Pro. Модель предназначена для анализа изображений и классификации их как Safe или Unsafe, прежде всего для обнаружения NSFW-контента, откровенных и потенциально чувствительных сцен. Модель анализирует одежду, степень открытости тела, позы, кадрирование, визуальный контекст и особенности представления контента, включая фотографии, иллюстрации, аниме и другие стилизованные изображения. Предусмотрен структурированный вывод в формате JSON с описанием изображения, причиной классификации и флагами NSFW/safe. В репозитории доступны варианты GGUF с точностью от Q3 до Q5, а также BF16; размеры файлов составляют примерно от 4,26 до 17,9 ГБ. Указан только английский язык, размер контекста в README не приведён. Модель ориентирована на исследовательские задачи, модерацию контента и создание визуальных guardrail-систем. Её сильной стороной является консервативное выявление сексуализированного и откровенного визуального контента с детализацией признаков, влияющих на решение. При этом релиз экспериментальный: возможны неожиданные ответы и артефакты рассуждений, поэтому результаты требуют проверки и не должны использоваться без дополнительной валидации в критически важных сценариях. Распространяется по лицензии Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), обученная авторами исследования в JAX на ImageNet-1k с дополнительной аугментацией и регуляризацией, а затем перенесённая в PyTorch Россом Уайтменом. Модель содержит 86,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для распознавания объектов и других классов ImageNet-1k на изображениях; её также можно использовать как визуальную основу для извлечения признаков и эмбеддингов. Подходит для классификации изображений общего назначения и экспериментов с визуальными признаками. В репозитории доступны веса PyTorch и safetensors, библиотека для работы — timm. К модели относятся работы «How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers» и «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale». Лицензия — Apache-2.0. Карточка описывает обучение на ImageNet-1k; качество на иных наборах данных и для классов вне этой области может отличаться.

vit_little_patch16_reg4_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm. Разработчик обучил её на ImageNet-1k; вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит 22,5 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно применять как визуальный энкодер для извлечения карт признаков и эмбеддингов изображений. В README описан рецепт обучения с усиленной аугментацией и затуханием скорости обучения по слоям; точные показатели качества именно этой модели не приведены. Доступна под лицензией Apache-2.0.

facebook/vit-mae-base — базовая модель Vision Transformer, предварительно обученная методом Masked Autoencoders (MAE). Она представлена в работе Кайминга Хэ и соавторов и впервые опубликована в связанном с ней репозитории; карточку для Hugging Face подготовила команда Hugging Face. Модель содержит 113,2 млн параметров и использует архитектуру ViT с кодировщиком и декодировщиком: изображение разбивается на фиксированные патчи, большая часть патчей случайно маскируется, а декодер восстанавливает их исходные пиксели. Предобученный кодировщик формирует представления изображений для последующих задач компьютерного зрения. Его можно использовать как основу для извлечения признаков или дообучить для классификации изображений. Вход — изображение, выход при предобучении — реконструированные пиксели маскированных областей; карточка также указывает классификацию изображений как сценарий применения. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Модель timm/vit_relpos_small_patch16_224.sw_in1k — визуальный трансформер для классификации изображений и извлечения признаков. Это вариант архитектуры ViT с относительными позиционными эмбеддингами, без токена класса; итоговое представление формируется глобальным усреднением токенов. Модель разработана в экосистеме timm и обучена на ImageNet-1k. Модель принимает изображения размером 224 × 224 и выдаёт классы ImageNet либо признаки изображения для дальнейшего использования. Она содержит около 22 млн параметров и требует примерно 4,2 GMAC на изображение. Лицензия — Apache-2.0.

Это компактный визуальный энкодер timm на архитектуре Vision Transformer ViT-Small с патчами 16×16, представляющий семейство DINOv3. Модель содержит 21,6 млн параметров и была дистиллирована на датасете LVD-1689M из DINOv3 ViT-7B; для обработки изображений указано разрешение 256×256 пикселей. Энкодер преобразует изображения в признаки и эмбеддинги. Его можно использовать как визуальный backbone для извлечения признаков, классификации изображений и последующей адаптации к задачам компьютерного зрения, включая плотное предсказание и сегментацию. Карточка приводит сравнительные результаты DINOv3 на глобальных и плотных задачах, но не содержит результатов именно для этого чекпойнта по всем перечисленным бенчмаркам. Весовые файлы доступны в форматах PyTorch и safetensors; для работы модель рассчитана на библиотеку timm. README указывает лицензию DINOv3, а метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии DINOv3. Карточка также отмечает численные различия из-за представления RoPE-периодов и настроек QKV bias в реализации timm.