II.10Разработка и эксплуатация AI/ML-систем

Это модель Vision Transformer (ViT) для классификации изображений, опубликованная cs-giung. Она предварительно обучена на ImageNet-21k: 14 миллионах изображений с 21 843 классами. Модель обрабатывает изображения разрешением 224×224 пикселя; её архитектура использует патчи 16×16, а размер составляет 28,3 млн параметров. Модель подходит для определения категорий объектов на изображениях и может служить основой для последующей адаптации под другие наборы классов. Веса преобразованы из исходного файла формата NPZ и доступны в формате safetensors. Использование распространяется по лицензии Apache-2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом для библиотеки timm. Вариант архитектуры использует патчи 16×16, четыре register-токена и глобальное усреднение признаков; размер входного изображения — 384×384. Модель содержит 134,4 млн параметров и выполняет 88 GMACs. Модель предварительно обучена на ImageNet-12k, затем дообучена на ImageNet-1k. Она предназначена для присвоения изображениям классов ImageNet, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. В README приведены примеры применения для классификации, извлечения карт признаков и получения эмбеддингов. Модель доступна в форматах PyTorch и safetensors через timm. Лицензия — Apache-2.0. Результаты и назначение ориентированы на классификацию ImageNet; для других наборов классов может потребоваться адаптация.

kdcyberdude/w2v-bert-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2-BERT, разработанная для проекта Punjabi_ASR. Она преобразует аудиозаписи на пенджаби в текст и предназначена для транскрибации речи, в том числе для оценки систем распознавания на наборах Common Voice, Fleurs и Kathbath. Модель содержит около 402,7 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В README приведены результаты на бенчмарке IndicSUPERB: WER 10,18% на Common Voice, 6,96% на Fleurs, 8,30% на Kathbath и 9,31% на шумном варианте Kathbath. Это специализированная модель для пенджаби; сведений о поддержке других языков или длине контекста в источниках нет. Лицензия — CC BY 4.0.

WakeHuBERT tiny — компактный причинный экстрактор речевых признаков, разработанный автором репозитория TigreGotico для систем обнаружения ключевых слов и слов пробуждения. Модель содержит 0,64 млн обученных параметров и дистиллирована из facebook/hubert-base-ls960. Она принимает аудио 16 кГц и выдаёт 128-мерные признаки с частотой 50 кадров в секунду; потоковые варианты обрабатывают только новые кадры и передают состояние между блоками. ONNX-граф включает log-mel-фронтенд, доступны float- и статические int8-варианты, а также веса PyTorch. Признаки предназначены для обучения небольшого классификатора, в том числе на синтетической речи, чтобы обнаруживать заданное текстом ключевое слово в аудиопотоке. В описанной оценке классификатор для одного английского слова показал 95% полноты в тишине и 94%, 85% и 56% при уровнях шума 10, 5 и 0 дБ; результаты относятся только к указанному тесту. Модель обучалась на речи из LibriSpeech, Multilingual LibriSpeech и Multilingual Spoken Words, включая данные на нескольких языках. Причинная обработка имеет receptive field 2,5 секунды и задержку признаков около 100 мс. Лицензия — Apache-2.0.

DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на сербской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; формат весов — PyTorch. Модель предназначена для преобразования сербской речи в текст. В карточке приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,3038 и loss 0,5570; также описана оценка на валидационной выборке speech-recognition-community-v2/dev_data с обработкой аудио фрагментами. Модель распространяется по лицензии Apache-2.0. Приведённый показатель WER относится к конкретной тестовой выборке и сам по себе не гарантирует аналогичного качества на других записях, акцентах или акустических условиях.

theainerd разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на хинди. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для входной речи требуется частота дискретизации 16 кГц. Модель предназначена для распознавания хинди, в том числе в условиях низких ресурсов и переключения между языками; в README приведён результат оценки 72,62% на тестовых данных Common Voice для хинди, но метрика не уточнена. Базовая модель предварительно обучена на речи 53 языков, однако это дообучение ориентировано на хинди. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

xlm-roberta-longformer-large-16384 — многоязычная модель с архитектурой Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия large содержит 658,7 млн параметров, 24 слоя и скрытый размер 1024; механизм внимания рассчитан на обработку последовательностей длиной до 16 384 токенов. Модель предназначена для извлечения признаков из длинных текстов и последующего дообучения под прикладную задачу. Её можно использовать как основу для классификации, поиска и других задач понимания текста, требующих контекста длиннее стандартного окна трансформера. Поддерживается широкий набор языков, в частности английский и другие европейские, азиатские и африканские языки; полный перечень языковых тегов включает 50 языков. Репозиторий содержит формат TensorFlow. Лицензия — MIT. Карточка не сообщает результатов оценки качества и не описывает готовые прикладные сценарии: модель следует дообучить для конкретной задачи. Большое окно контекста позволяет учитывать протяжённый текст, но само по себе не гарантирует качество на конкретном языке или задаче.

Hannibal046/xrag-moe — языковая модель, разработанная Hannibal046 в рамках проекта xRAG. Она предназначена для генерации текста и использования в системах retrieval-augmented generation (RAG), где извлечённый контекст сжимается до одного токена перед передачей языковой модели. В репозитории разработчика модель указана как xRAG-MoE на базе mistralai/Mixtral-8x7B-Instruct-v0.1. Модель относится к архитектуре Mixture-of-Experts (MoE), поддерживает text generation и conversational-сценарии, содержит около 7,1 млрд параметров и имеет нативное контекстное окно 32 768 токенов. В качестве базовых инструментов указаны Transformers и PyTorch; модель можно запускать через Transformers, vLLM и SGLang. Основное преимущество — специализированная работа с RAG и экстремальным сжатием контекста, что может уменьшать объём входных данных при генерации ответов по найденным документам. Модель не является мультимодальной и предназначена для текстовых сценариев. В карточке отсутствуют надёжно указанные языки поддержки, лицензия и подробные сведения о качестве; поэтому эти характеристики нельзя устанавливать по доступным источникам.

zoobot-encoder-efficientnet_b0 — визуальный энкодер семейства EfficientNet-B0, опубликованный mwalmsley для проекта Zoobot. Модель предназначена для извлечения признаковых векторов из изображений; её можно загружать как энкодер через библиотеку timm и использовать как основу для последующего обучения классификатора или других задач компьютерного зрения. В карточке указаны формат PyTorch и лицензия GPL-3.0. README не сообщает размер модели, набор данных, обучающие характеристики или специализацию на конкретном типе изображений. Поэтому качество признаков для отдельных предметных областей по этой карточке оценить нельзя.

ALBERT XLarge v2 — англоязычная предобученная модель семейства ALBERT, представленная авторами ALBERT и доступная в формате Hugging Face Transformers. Она обучалась на BookCorpus и англоязычной Википедии с использованием masked language modeling и предсказания порядка предложений; регистр букв не учитывается. Модель предназначена для заполнения пропусков в тексте и получения контекстных представлений, которые можно использовать при дообучении для классификации последовательностей и токенов, а также ответов на вопросы. Архитектура — плотный Transformer AlbertForMaskedLM с 24 повторно используемыми слоями, размерностью эмбеддингов 128, скрытым размером 2048 и 16 головами внимания. В метаданных указано 1,7 млрд параметров; собственная длина контекста — 512 токенов. Доступны веса PyTorch, safetensors и TensorFlow. Разделение параметров между слоями уменьшает объём памяти по сравнению с моделью без такого разделения, но вычислительная стоимость остаётся высокой. Модель рассчитана на английский язык и не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообучение. Предсказания могут содержать смещения, унаследованные от обучающих данных. Лицензия — Apache-2.0.

BAAR1-150M — компактная мультиязычная языковая модель, представленная разработчиком aixk. Она предназначена для генерации текста с низкой задержкой в условиях ограниченных вычислительных ресурсов, включая периферийные устройства и облачные GPU. В карточке указаны 11 языков: корейский, английский, японский, китайский, испанский, португальский, немецкий, русский, хинди, вьетнамский и тайский. Это базовый предварительно обученный чекпойнт для генерации текста. Разработчик описывает его как экспериментальную демонстрационную сборку для проверки задержки и мультиязычного вывода; размер 150M отражён в названии модели. Качество может включать фактические ошибки и незавершённые фразы. Для специализированных задач, фактологической точности и структурированного диалога README рекомендует дообучение или RAG. Лицензия в метаданных обозначена как other; конкретные условия следует уточнить у разработчика.

BiT-50 (Big Transfer) — модель компьютерного зрения от авторов исследования Big Transfer, представленная на Hugging Face командой Hugging Face. Это ResNet-подобная архитектура ResNetV2 для классификации изображений; модель обучена на ImageNet-1k и выдаёт оценки по 1000 классам ImageNet. Репозиторий содержит веса PyTorch. Модель предназначена для классификации изображений и может служить отправной точкой для переноса обучения на другие задачи компьютерного зрения, в том числе при небольших обучающих выборках. В статье описан подход BiT к масштабному предварительному обучению и переносу представлений; приведённые в README результаты относятся к исследовательской работе и не являются гарантией качества этой конкретной версии на пользовательских данных. Модель распространяется по лицензии Apache-2.0. Она принимает изображения и возвращает классовые оценки; сведения о размере входа и поддерживаемых языках к ней не относятся.

Caspi-1.7B — модель распознавания речи, созданная OzLabs путём дообучения Qwen/Qwen3-ASR-1.7B на парах ивритской речи и транскрипций. Она предназначена прежде всего для транскрибации разговорного, краудсорсингового и вещательного аудио на иврите, пакетной и потоковой обработки, а также для оценки и разработки систем распознавания речи. Модель относится к семейству Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию; поддерживаются пакетный и потоковый режимы, а также работа с речью, пением и песнями с фоновой музыкой. Основной язык — иврит; базовая модель многоязычная, однако Caspi позиционируется как специализированный ивритский чекпойнт, а не как универсальный многоязычный релиз. В приведённых тестах результаты различаются по наборам данных: модель превосходит сравниваемый Whisper-чекпойнт на части разговорных тестов, но уступает на вещательном наборе. Известные ограничения включают ошибки на коротких фонетически похожих словах, шумной или сжатой записи, перекрывающейся речи, акцентах, неформальной речи, именах и жаргоне, а также при переключении языков. Качество зависит от записи, сегментации и соответствия предметной области обучающим данным. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

CoaT Lite Medium — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и других категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит 44,6 млн параметров, имеет вычислительную сложность 9,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch; модель опубликована под лицензией Apache-2.0. Карточка также приводит пример использования для получения эмбеддингов изображений.

facebook/convnext-base-224 — сверточная модель компьютерного зрения семейства ConvNeXT, разработанная авторами ConvNeXT и опубликованная в репозитории Hugging Face. Она обучена на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя. ConvNeXT использует чистую сверточную архитектуру, дизайн которой модернизирован с учётом идей Vision Transformers и Swin Transformer. Модель предназначена для присвоения изображению одного из классов ImageNet-1k; веса доступны в форматах PyTorch и TensorFlow. Модель можно применять для классификации изображений общего назначения и использовать как отправную точку для подбора дообученных версий под другие задачи. Лицензия — Apache-2.0. В карточке отмечено, что модельное описание подготовлено Hugging Face, поскольку команда ConvNeXT не предоставила собственную карточку; отдельные ограничения модели не описаны.

ConvNeXt V2 Base — свёрточная модель компьютерного зрения, разработанная командой ConvNeXt и представленная в статье Woo и соавторов. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-22K для классификации изображений при разрешении 224×224 пикселя. Архитектура остаётся полностью свёрточной и включает слой Global Response Normalization (GRN). Модель предназначена для классификации изображений по классам ImageNet; веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ConvNeXt-V2 Pico — компактная сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена методом fully convolutional masked autoencoder (FCMAE), затем дообучена на ImageNet-1k; число параметров — около 9,1 млн. Модель также подходит как backbone для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для присвоения изображению метки из набора классов ImageNet-1k и может использоваться как компактный визуальный компонент в прикладных системах. В карточке указаны размер изображения 224 × 224 при обучении и 288 × 288 при тестировании, а также вычислительная сложность 1,4 GMAC. Весами можно пользоваться через timm и PyTorch; репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель ориентирована на классификацию ImageNet-1k, поэтому её метки и качество могут не подходить для предметных классов вне этого набора без дополнительной адаптации.

ConvNeXt-V2 Tiny — свёрточная модель для классификации изображений и извлечения признаков, опубликованная в семействе timm. Она предварительно обучена методом FCMAE, а затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит около 28,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель присваивает изображению классы ImageNet-1k и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Её можно применять для категоризации изображений и построения визуальных представлений в компьютерном зрении. Репозиторий содержит веса PyTorch и safetensors; для работы подходит библиотека timm. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий, включая ограничения на коммерческое применение. Модель предназначена для классификации изображений ImageNet и может хуже работать на изображениях, классах и распределениях данных, отличных от обучающих.

ConvNeXt XLarge — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» в репозитории timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 350,2 млн параметров; указанные размеры изображений при обучении и проверке — 224×224 и 288×288 пикселей соответственно. Модель относит изображение к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Это крупная свёрточная сеть с высокой вычислительной стоимостью: в README для неё указаны 61 GMAC на изображение. Доступны веса в форматах PyTorch и safetensors; библиотека из метаданных — timm. Лицензия — Apache-2.0.

CrossViT-18-240 — модель классификации изображений и визуальный backbone семейства CrossViT, обученная авторами статьи на ImageNet-1k. Архитектура использует vision transformer с перекрёстным вниманием между масштабами. Модель содержит 43,3 млн параметров, обрабатывает изображения размером 240 × 240 и требует около 9,1 GMACs на проход. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Доступны веса PyTorch и safetensors для библиотеки timm. Лицензия — Apache-2.0.

DaViT Tiny — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы статьи DaViT и обучили на ImageNet-1k; модель доступна в библиотеке timm. Архитектура DaViT сочетает механизмы внимания для обработки визуальных признаков. Версия Tiny содержит около 28,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. В опубликованной оценке на ImageNet-1k она показывает точность Top-1 82,676% и Top-5 96,276%. Распространяется по лицензии Apache-2.0.

Это адаптированная AMD версия DeepSeek-R1-0528 от AMD для подготовки квантизации через AMD-Quark. Модель основана на unsloth/DeepSeek-R1-0528-BF16 и использует архитектуру DeepSeek V3 с 37,6 млрд параметров. Она принимает и генерирует текст, поддерживает контекст до 163 840 токенов; в метаданных указан английский язык. Формат весов — safetensors, лицензия — MIT. В modeling_deepseek.py добавлен слой MTP (Multi-Token Predictor), которого нет в исходной реализации. Это позволяет включить слой MTP при квантизации модели на оборудовании AMD MI350/MI355 с ROCm 7.0; для загрузки требуется trust_remote_code=True. Модель предназначена для калибровки и квантизации, а не для непосредственного инференса: вычисления добавленного слоя не гарантируют совпадения с оригиналом. При квантизации AMD-Quark README предписывает пропустить этап оценки.

zeromodels публикует конверсию DeiT-III Huge для классификации изображений и извлечения визуальных признаков. Модель основана на timm/deit3_huge_patch14_224.fb_in1k и представлена в формате Keras 3; реализация работает с TensorFlow, PyTorch и JAX. Это крупный вариант Vision Transformer с патчами 14×14 и входным разрешением 224×224, обученный для классификации ImageNet-1k. Интерфейс DeiTImageClassify выдаёт оценки классов, а DeiTModel позволяет использовать модель как визуальный экстрактор признаков. Модель подходит для классификации изображений и как backbone в компьютерном зрении. Лицензия — Apache-2.0. Она предназначена для изображений, а не для текстовых или иных модальностей; качество на данных, отличающихся от ImageNet-1k, зависит от последующей адаптации.

facebook/deit-base-distilled-patch16-384 — модель классификации изображений семейства DeiT, основанная на Vision Transformer. Она принимает изображения, разбивает их на патчи 16×16 и использует отдельный токен дистилляции, обучаемый с помощью учителя на базе CNN. Весовые файлы были конвертированы из репозитория timm; модель разработана в рамках работы Touvron и коллег и опубликована на Hugging Face командой Facebook. В ней 113,2 млн параметров. Модель предварительно обучена при разрешении 224×224 и дообучена с дистилляцией на ImageNet-1k при разрешении 384×384. Она предназначена для присвоения изображению класса из набора ImageNet и может служить основой для дальнейшей настройки на другие задачи классификации. Для инференса изображения масштабируются и обрезаются до 384×384, затем нормализуются по каналам RGB. В README для базовой модели приведена точность ImageNet top-1 81,8% и top-5 95,6%; каталог указывает формат PyTorch, а также наличие файлов Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её классы и качество вне этого распределения могут не соответствовать конкретной прикладной задаче.

DETR-ResNet101 — модель обнаружения объектов, разработанная на основе архитектуры DETR с backbone ResNet101 и адаптированная Qualcomm для устройств на базе Qualcomm. Модель обучена на наборе данных COCO и предназначена для обнаружения объектов на изображениях, включая сценарии компьютерного зрения на мобильных, встраиваемых и периферийных устройствах. Модель принимает изображения с разрешением 480×480 пикселей, содержит около 60,3 млн параметров и занимает примерно 230 МБ в формате float. В репозитории доступны варианты ONNX, QNN_DLC и TFLITE, включая float и смешанную INT8/INT16-квантизацию w8a16_mixed_int16. Предусмотрено выполнение на NPU устройств Qualcomm; заявленная задержка инференса зависит от чипсета и формата и составляет примерно от 11,8 мс на Snapdragon 8 Elite Gen 5 Mobile до 56,9 мс на Qualcomm Dragonwing QCS8550 в отдельных конфигурациях. Сильными сторонами модели являются использование DETR для обнаружения объектов, готовые экспортированные артефакты для Qualcomm AI Hub и возможность экспорта с пользовательскими весами, формами входных данных и целевыми конфигурациями. Ограничения включают значительный размер модели, зависимость производительности и потребления памяти от конкретного устройства и отсутствие в README сведений о точности, поддерживаемых классах за пределами COCO и детальных требованиях к входным данным. Лицензия — Apache 2.0.

Это компактный визуальный трансформер ViT с архитектурой DINOv2 with Registers, выпущенный командой DINOv2 и опубликованный в репозитории Facebook. Модель содержит 28,3 млн параметров и предназначена для классификации изображений по 1000 классам ImageNet, а также для получения признаковых представлений изображений для последующих задач компьютерного зрения. Добавленные register-токены помогают уменьшать артефакты в картах внимания и делают их более интерпретируемыми. Веса доступны в формате Safetensors. В карточке отмечено, что в модели нет дообученных классификационных голов; для специализированной классификации потребуется добавить и обучить линейный классификатор. Лицензия — Apache 2.0.

Trakerlack/distilbert-toxic-onnx-int8 — модель классификации токсичных комментариев, созданная дообучением distilbert-base-uncased на наборе Jigsaw Toxic Comment Classification. Она относит текст к одному из двух классов: токсичный или чистый. Модель предназначена для модерации комментариев и фильтрации пользовательского контента. Модель основана на DistilBERT и экспортирована в ONNX с динамической INT8-квантизацией для быстрого вывода на CPU. В README указаны AUC-ROC 0,9217, размер 64 МБ и медианная задержка около 29 мс на CPU. Контекст модели составляет 512 токенов. Поддерживается английский язык. Лицензия — Apache-2.0.

dla102x.in1k — модель компьютерного зрения семейства DLA (Deep Layer Aggregation), обученная авторами исходной работы на ImageNet-1k и представленная в библиотеке timm. Она предназначена для классификации изображений, а также может использоваться как визуальная backbone-сеть для извлечения карт признаков и эмбеддингов. Модель содержит 26,3 млн параметров, имеет вычислительную сложность 5,9 GMACs и рассчитана на входные изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

timm/dla169.in1k — модель классификации изображений на основе архитектуры DLA (Deep Layer Aggregation), обученная авторами архитектуры на ImageNet-1k. Она предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Модель содержит 53,4 млн параметров; указан стандартный размер входного изображения 224 × 224 пикселя и вычислительная сложность 11,6 GMACs. Модель принимает изображения и выдаёт классы ImageNet-1k; промежуточные признаки и эмбеддинги доступны для использования в компьютерном зрении. Для применения к другим наборам классов может потребоваться дообучение. Репозиторий предоставляет веса в форматах PyTorch и safetensors, а лицензия — BSD-3-Clause.

macavaney/doc2query-t5-base-msmarco — модель Doc2Query на архитектуре T5-base, подготовленная Маком Эванни на основе t5-base и обученная на MS MARCO. Это конвертированная в формат PyTorch версия контрольной точки авторов Doc2Query, предназначенная для использования с pyterrier_doc2query. Модель принимает текст документа и генерирует вероятные поисковые запросы, которыми можно расширить документ перед построением поискового индекса. Модель содержит 123,8 млн параметров и имеет контекст до 512 токенов. Основной сценарий — расширение документов для информационного поиска; карточка HF помечает её задачей translation, однако README описывает генерацию запросов для расширения документов. Поддерживаемый язык по карточке — английский. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.