II.10Разработка и эксплуатация AI/ML-систем

RuBERT-Toxic-Pikabu-2ch — модель классификации русскоязычных комментариев на токсичные и нетоксичные. Её разработал sismetanin, дообучив RuBERT на русскоязычном наборе Kaggle Russian Language Toxic Comments Dataset с комментариями из 2ch и Pikabu. Модель использует архитектуру BERT с классификационной головой; в репозитории представлены версии PyTorch и Flax, размер составляет 205,1 млн параметров, контекст — до 512 токенов. Модель предназначена для автоматической модерации комментариев и выявления токсичных высказываний на русском языке. В README для RuBERT-Toxic указана оценка F1 92,20% на описанном сравнении моделей. Датасет содержит 14 412 комментариев, размеченных как токсичные или нетоксичные. Лицензия в предоставленных данных не указана.

SHViT S1 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться для извлечения карт признаков и визуальных эмбеддингов в компьютерном зрении. Модель содержит 6,3 млн параметров, требует 0,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors; использовать модель можно через библиотеку timm. Лицензия — MIT.

Funnel Transformer Small — предварительно обученная модель семейства Funnel Transformer, представленная в научной работе и выпущенная авторами модели. Это компактная плотная трансформерная архитектура с конфигурацией B4-4-4 и декодером; модель обучалась на английских текстах без меток с целью распознавать заменённые токены. Она регистронезависимая и рассчитана на контекст до 512 токенов. Модель извлекает контекстные представления английского текста, которые можно использовать как признаки для классификаторов и других задач обработки целых предложений или токенов. Основные сценарии — подготовка признаков для классификации последовательностей, классификации токенов и ответов на вопросы; для генерации текста модель не предназначена. Доступны веса в форматах PyTorch и TensorFlow. Модель предобучена на BookCorpus, английской Википедии, ClueWeb, GigaWord и Common Crawl. Карточка рекомендует дообучать её под конкретную задачу; качество и пригодность для целевых данных зависят от такого дообучения. Лицензия — Apache-2.0.

Карточка модели Simon-Kotchou/ssast-base-patch-audioset-16-16 на Hugging Face совпадает с карточкой Simon-Kotchou/ssast-small-patch-audioset-16-16, поэтому описание составлено по ней. Simon-Kotchou/ssast-small-patch-audioset-16-16 — модель Self-Supervised Audio Spectrogram Transformer (SSAST) для анализа аудио, основанная на архитектуре Vision Transformer, применённой к спектрограммам. Модель предобучена на AudioSet и LibriSpeech; в репозитории указано 28,3 млн параметров. Классификационная голова не обучена, поэтому перед классификацией её необходимо дообучить на целевой задаче. Модель предназначена для построения систем классификации аудио после настройки классификационной головы. Она принимает аудио, преобразованное в спектрограмму, и выдаёт классовые оценки. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — BSD 3-Clause.

Swin-Base — модель компьютерного зрения, разработанная Qualcomm на основе реализации Swin-Base из torchvision. Она предназначена для классификации изображений из датасета ImageNet, а также может использоваться как backbone при создании более сложных решений для специализированных задач. Модель оптимизирована для устройств Qualcomm и поддерживает развертывание через ONNX, QNN_DLC и TFLite с использованием Qualcomm AI Hub Models. Модель принимает изображения с разрешением 224×224 и содержит 88,8 млн параметров. Размер контрольной точки составляет около 339 МБ в формате float и 90,2 МБ в варианте w8a16. Это одномодальная модель для работы с изображениями; сведения о поддерживаемых естественных языках и текстовых входах отсутствуют. Предэкспортированные версии рассчитаны на выполнение преимущественно на NPU различных платформ Snapdragon и Qualcomm Dragonwing, а также допускают экспорт с пользовательскими весами, формами входов и конфигурациями целевого устройства. К сильным сторонам относятся адаптация к экосистеме Qualcomm, наличие оптимизированных форматов и вариантов точности, а также возможность использования как готового классификатора или базовой модели. Ограничения включают специализацию на задачах анализа изображений и зависимость производительности от конкретного устройства, runtime и точности; универсальность для других типов данных README не подтверждает. Модель распространяется по лицензии BSD 3-Clause.

tf_efficientnet_b5.aa_in1k — сверточная модель EfficientNet-B5 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы EfficientNet на ImageNet-1k с использованием AutoAugment; Ross Wightman перенёс веса в PyTorch. Репозиторий распространяет модель в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель содержит около 30,4 млн параметров и рассчитана на изображения размером 456 × 456 пикселей. Она предсказывает классы объектов из набора ImageNet-1k; промежуточные карты признаков и эмбеддинги можно использовать в собственных компьютерно-зрительных конвейерах. Подходит для классификации изображений общего назначения и как визуальный backbone. Модель обучена на ImageNet-1k, поэтому её классовый выход ограничен метками этого набора. README не приводит оценок качества или сведений о поддержке других задач без дополнительной настройки.

tf_efficientnet_l2.ns_jft_in1k — сверточная модель классификации изображений из семейства EfficientNet. Исходную модель обучили авторы работ EfficientNet и Noisy Student на ImageNet-1k и неразмеченных данных JFT-300M методом полу-supervised обучения; модель перенёс в PyTorch Росс Уайтман. Репозиторий предоставляет веса в форматах PyTorch и Safetensors, библиотека для работы — timm. Модель содержит около 480,3 млн параметров и рассчитана на входные изображения размером 800 × 800 пикселей. Она предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как основа для извлечения признаков и эмбеддингов изображений. Большой размер и вычислительная стоимость ограничивают применение на устройствах и в сценариях с жёсткими требованиями к задержке. Лицензия — Apache-2.0.

tf_efficientnet_lite2.in1k — компактная сверточная модель классификации изображений семейства EfficientNet-Lite. Её обучили авторы EfficientNet-Lite на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Она содержит около 6,1 млн параметров, требует изображения размером 260 × 260 и имеет вычислительную сложность около 0,9 GMACs. Лицензия репозитория — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классы и качество ограничены этой задачей и распределением данных; карточка не описывает поддержку других задач или языков.

TinyViT-11M — компактная модель семейства Vision Transformer для классификации изображений и извлечения визуальных признаков. Модель опубликована авторами TinyViT и доступна в библиотеке timm; в репозитории представлены веса PyTorch и safetensors. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена на ImageNet-1k. Она содержит 11 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность 1,9 GMAC. Подходит для классификации изображений, извлечения карт признаков и эмбеддингов, а также для использования в качестве визуального бэкбона. Лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения; качество может зависеть от предметной области и отличаться от результатов на ImageNet.

T-pro-it-1.0 — русскоязычная текстовая модель семейства Qwen 2.5, разработанная командой T-Tech. Это плотная авторегрессионная модель на 32 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель прошла продолженное предобучение на русских данных, затем обучение на смеси инструкционных и предобучающих данных, supervised fine-tuning и настройку предпочтений. В карточке указана поддержка русского языка, а английские данные использовались как повторяющаяся часть обучения. Модель предназначена прежде всего для дальнейшего дообучения и адаптации под прикладные сценарии; авторы прямо предупреждают, что это не готовый разговорный ассистент. В опубликованных сравнительных тестах модель показала результаты, сопоставимые с рядом открытых русскоязычных моделей, однако эти показатели не гарантируют качества в конкретной задаче. Для развёртывания в промышленных или коммерческих решениях необходимы дополнительная настройка и контроль ответов. Лицензия в предоставленных данных не указана.

Tri-7B-Base — базовая предобученная языковая модель семейства Tri, разработанная Trillion Labs. Это плотный авторегрессионный трансформер-декодер с архитектурой Llama, RoPE, SwiGLU и RMSNorm; в метаданных указано 7 млрд параметров, а в README — 7,76 млрд. Модель предназначена для продолжения обучения, дообучения под задачи и генерации текста. Контекст — 4096 токенов. Модель обучена на английском, корейском и японском языках. Её можно использовать как основу для инструкционной настройки, специализации на предметной области и экспериментов с языковыми моделями. Лицензия — Apache-2.0. Это базовая модель без инструкционной настройки и выравнивания, поэтому она не рассчитана на надёжное следование запросам в формате ассистента. Для других языков качество может снижаться; сгенерированный текст может требовать дополнительной обработки. README указывает срез знаний до февраля 2025 года.

Tulu V2.5 13B RM - Nectar 60k — англоязычная reward-модель, разработанная AllenAI для оценки ответов языковой модели и обучения с подкреплением по PPO. Она основана на плотной архитектуре Llama 2 с 12,9 млрд параметров и дообучена на Nectar 60k после инструкционного этапа на данных Tulu; модель предназначена прежде всего для исследовательских экспериментов с обучением по предпочтениям, а не для обычного общения с пользователем. Модель принимает текст в заданном шаблоне с новой строкой после сообщения и выдаёт оценку класса для текстового входа. Контекст — до 4096 токенов. Лицензия — Apache 2.0. Ограничения: обучена и рассчитана на английский язык; для корректной работы следует соблюдать формат входа из карточки модели.

timm/twins_pcpvt_base.in1k — модель классификации изображений и визуальный backbone семейства Twins-PCPVT, обученный авторами статьи на ImageNet-1k. Архитектура основана на Vision Transformer с пространственным вниманием; модель содержит 43,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k и может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Она подходит для компьютерного зрения и построения систем, которым требуется распознавать объекты на изображениях. Репозиторий поддерживает форматы PyTorch и safetensors и библиотеку timm. Лицензия Apache-2.0 разрешает коммерческое и иное использование при соблюдении её условий.

Typhoon Isan ASR Whisper — модель распознавания речи, разработанная Typhoon AI как дообученная версия biodatlab/whisper-th-medium-combined на архитектуре Whisper. Она предназначена для преобразования речи на исанском диалекте тайского языка в текст, в том числе для автономной транскрипции и развёртывания собственного сервиса распознавания без отправки аудиоданных сторонним облачным платформам. Модель содержит 455,8 млн параметров, принимает аудио и выдаёт текст; для работы используется библиотека Transformers, веса опубликованы в формате safetensors. В README сообщается о качестве 0,0885 CER на тестовом наборе и преимуществе над указанными в сравнении системами; результат относится к приведённому в карточке бенчмарку и не гарантирует такое же качество на любых записях. Модель ориентирована на исанскую речь, поэтому пригодность для других диалектов и языков не заявлена. Лицензия репозитория — Apache-2.0; README также указывает на условия OpenTyphoon и уведомление о конфиденциальности.

UniPercept — мультимодальная модель для оценки и анализа изображений, созданная исследователями Университета науки и технологий Китая, Shanghai AI Laboratory и Пекинского университета. Она дообучена на базе OpenGVLab/InternVL3-8B с помощью доменно-адаптивного предварительного обучения и обучения с подкреплением, согласованного с задачами восприятия. Модель оценивает эстетику изображения, его качество, структуру и текстуру: выдаёт численные оценки и отвечает на вопросы с визуальным обоснованием. Её можно применять для анализа изображений и как метрику или модель вознаграждения при обучении систем генерации изображений. В карточке указаны библиотека Transformers, формат Safetensors и лицензия Apache-2.0. README описывает оценивание и ответы на вопросы по изображению; размер модели и длина контекста не приведены.

VANGUARD — языковая модель на базе Qwen3-8B, дообученная для прогнозирующей оценки безопасности действий ИИ-агентов. Она принимает текстовые описания траекторий агента и использует обычный интерфейс генерации текста, без отдельной классификационной головы, чтобы оценивать уже наблюдаемые события и предвидеть будущие события, связанные с безопасностью. Подход основан на работе JANUS: Foreseeing Latent Risk for Long-Horizon Agent Safety. Модель предназначена для выявления рисков в поведении агента до совершения потенциально вредного действия, а также для оценки уже произошедших действий. Это плотная архитектура Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка. Для воспроизведения результатов статьи README рекомендует использовать точный шаблон промпта, выпущенный вместе с чекпойнтом. Лицензия в предоставленных данных не указана.

VisionGuardrail-4B-GGUF — это мультимодальная модель для классификации изображений и модерации контента, предназначенная для задач визуальной безопасности и фильтрации потенциально нежелательных материалов. Базовую модель VisionGuardrail-4B разработала prithivMLmods, а GGUF-квантизации подготовил mradermacher. Для обучения или настройки указана коллекция ImageShield-Guardrail-Pro. Модель ориентирована на сценарии content safety, content moderation и использования в качестве multimodal guardrail или visual safety classifier. Она поддерживает работу с текстом и изображениями; заявленный язык — английский. Размер базовой модели составляет около 4 млрд параметров. Для обработки изображений требуются отдельные мультимодальные компоненты mmproj в форматах Q8_0 или F16. Размер контекстного окна и подробные характеристики архитектуры в README не указаны. Доступно несколько вариантов GGUF-квантизации — от Q2_K до Q8_0, а также версия F16. Более компактные варианты требуют меньше памяти, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Ограничения модели включают отсутствие опубликованных в README метрик качества, неопределённые характеристики контекста и возможное снижение качества у низкобитных квантизаций. Модель распространяется по лицензии Apache-2.0.

Модель vit_mediumd_patch16_rope_reg1_gap_256.sbb_in1k — Vision Transformer для классификации изображений и извлечения визуальных признаков, представленная в экосистеме timm. Она обучена на ImageNet-1k и использует патчи 16×16, rotary position embeddings (RoPE), регистровые токены и global average pooling. Размер входного изображения — 256×256; модель содержит 63,9 млн параметров и требует около 16,3 GMACs на проход. Модель подходит для классификации изображений по категориям ImageNet, получения признаковых карт и визуальных эмбеддингов, а также как backbone в компьютерном зрении. В сравнении с указанными вариантами timm README приводит результаты top-1 до 86,2% и top-5 до 97,9% для соседней модели, но не устанавливает эти показатели для данного чекпойнта. README не сообщает об ограничениях применения; лицензия репозитория — MIT.

vit_pe_core_small_patch16_384.fb — модель зрения из семейства Perception Encoder, опубликованная PyTorch Image Models (timm). Это компактная версия визуального энкодера на базе Vision Transformer (ViT), предназначенная для извлечения признаков из изображений. Модель содержит 23,8 млн параметров, использует патчи 16×16 и рассчитана на изображения с разрешением 384 пикселя. Модель принимает изображения и выдаёт визуальные признаки, которые можно использовать как представления для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; модель доступна по лицензии Apache-2.0. Веса timm из этой коллекции не работают с оригинальным кодом моделирования Perception Encoder.

Это компактная модель Vision Transformer (ViT) для классификации изображений и извлечения признаков. Её обучили авторы исследования на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией. Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель содержит 5,8 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для определения объектов на изображении или как визуальную основу для извлечения эмбеддингов. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k и ImageNet-21k; её классификационные возможности ориентированы на классы этих наборов данных, поэтому точность на других предметных областях может быть ниже.

NlpHUST/vi-word-segmentation — модель NlpHUST для сегментации слов во вьетнамском тексте. Это дообученная на наборе VLSP 2013 модель NlpHUST/electra-base-vn с архитектурой ELECTRA для классификации токенов; размер — 160,9 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для выделения границ слов во вьетнамском тексте и может применяться в конвейерах предобработки текста и анализа вьетнамского языка. В README для оценочного набора приведены F1 0,9835 и точность 0,9911. Для воспроизведения результатов и корректной эксплуатации следует учитывать, что обучение проводилось на конкретном наборе данных VLSP 2013; результаты на других текстах могут отличаться. Лицензия в предоставленных данных не указана.

Finnish Wav2Vec2 Base — акустическая модель, разработанная Ярославом Гетманом и Тамашем Гросом. Это модель Wav2Vec2 с 113,3 млн параметров, предварительно обученная на 158 тысячах часов неразмеченной финской речи. Она принимает аудио с частотой дискретизации 16 кГц. Веса опубликованы в формате safetensors, библиотека для работы — Transformers; лицензия — Apache-2.0. Модель предназначена как основа для систем распознавания финской речи и анализа эмоций в голосе. Для распознавания речи этот чекпойнт сам по себе недостаточен: у него нет токенизатора, поэтому нужны токенизатор и дообучение на размеченных текстовых данных. Авторы указывают отдельную дообученную версию wav2vec2-base-fi-150k-finetuned. Предобучающие записи ограничены длительностью 60 секунд, поэтому модель, вероятно, лучше подходит для коротких аудиофрагментов. Значительная часть данных взята из архивов радио и телевидения, что может смещать модель в сторону голосов ведущих и разговорного финского; в данных также могли сохраниться музыка и другие неречевые звуки. Модель опубликована по лицензии Apache-2.0.

Whisper Gujarati Small — модель автоматического распознавания речи, созданная дообучением openai/whisper-small на данных гуджарати из нескольких общедоступных корпусов. Она предназначена для преобразования речи на гуджарати в текст и оценки систем распознавания речи на тестовых наборах для индийских языков. Модель основана на архитектуре Whisper и содержит около 153,1 млн параметров. В репозитории представлены веса PyTorch и Flax; в карточке также описано использование Flax-реализации Whisper для оценки модели. Обучающие данные включают ULCA ASR Corpus, Microsoft Speech Corpus (Indian Languages), Google/Fleurs и OpenSLR. Модель распространяется по лицензии Apache-2.0. Карточка не приводит численных результатов качества или сведений о длине контекста.

Модель hezarai/word2vec-skipgram-fa-wikipedia — персидская модель векторных представлений слов, разработанная для библиотеки Hezar. Она обучена алгоритмом Skip-gram на данных персидской Википедии и предназначена для получения эмбеддингов слов, например для последующей обработки текста и поиска семантически близких слов.

XCiT Medium 24 P8 384 — модель классификации изображений на основе архитектуры Cross-Covariance Image Transformer, опубликованная авторами работы XCiT и доступная через timm. Она предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 84,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя; её также можно использовать как визуальный backbone для получения эмбеддингов изображений. Модель подходит для классификации изображений и извлечения признаков в компьютерном зрении. Доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели Salesforce/xLAM-2-32b-fc-r на Hugging Face совпадает с карточкой Salesforce/Llama-xLAM-2-8b-fc-r, поэтому описание составлено по ней. Salesforce Llama-xLAM-2-8b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce на архитектуре Llama и дообученная для многоходового диалога и вызова функций. Она предназначена для агентных систем, которым нужно преобразовывать запросы пользователя в структурированные вызовы инструментов и последовательно выполнять задачи. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, включая инструкции и вызовы инструментов; заявленная длина контекста — 131 072 токена. Для работы доступны Transformers и vLLM. Модель обучалась с использованием данных APIGen-MT и наборов Salesforce для вызова функций. Карточка семейства заявляет высокие результаты на BFCL и τ-bench, однако приведённые конкретные цифры относятся к модели на 70 млрд параметров и не подтверждают такие же результаты для версии 8B. Выпуск обозначен как исследовательский, а модель ориентирована прежде всего на англоязычное взаимодействие. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

onnx-community/yolov10n — версия YOLOv10n в формате ONNX для обнаружения объектов. Карточка предлагает запускать модель через Transformers.js, поэтому она подходит для интеграции объектного детектора в JavaScript-приложения. Модель принимает изображения и возвращает обнаруженные объекты с их локализацией и классами. YOLOv10 — семейство моделей для обнаружения объектов в реальном времени; вариант n относится к компактной линейке. Репозиторий содержит веса ONNX и распространяется по лицензии AGPL-3.0, условия которой следует учитывать при использовании и распространении приложения.

AMD-Llama-135m — компактная языковая модель, разработанная AMD и обученная на ускорителях AMD Instinct MI250. Она использует архитектуру Llama 2 в виде причинной языковой модели LlamaForCausalLM, содержит около 109,5 млн параметров и имеет контекст длиной 2048 токенов. Для неё применяются токенизатор Llama 2 и формат весов safetensors. Модель предназначена для генерации продолжений текста и может использоваться как черновая модель для speculative decoding с Llama 2 и CodeLlama. Базовую версию предварительно обучали на SlimPajama и Project Gutenberg примерно на 670 млрд токенов. В карточке также описан отдельный вариант AMD-Llama-135m-code, дообученный на Python-разбиении StarCoder; это описание относится к варианту code, а не подтверждает наличие такого дообучения у данной модели. Небольшой размер упрощает эксперименты и использование в качестве черновой модели декодирования, но модель заметно компактнее современных универсальных LLM и имеет ограниченный контекст. В метаданных указана лицензия Apache-2.0.

vinai/bartpho-word-base — базовая версия BARTpho-word, разработанная авторами Nguyen Luong Tran, Duong Minh Le и Dat Quoc Nguyen. Это предварительно обученная последовательностная модель на архитектуре BART, использующая схему денойзингового обучения и предназначенная для извлечения признаков из текста на вьетнамском языке. Модель содержит 105,8 млн параметров, имеет контекст до 1024 токенов и распространяется в формате PyTorch. Её можно использовать как основу для получения контекстных представлений текста и построения или дообучения приложений для вьетнамского языка. Лицензия — MIT.

Это модель классификации изображений на основе BEiT, представленная проектом timm. Она использует Vision Transformer с патчами 16×16 и рассчитана на изображения размером 384×384 пикселя; размер модели — около 305 млн параметров. Предварительное обучение проводилось на ImageNet-22k методом masked image modeling с визуальным токенизатором DALL-E dVAE, после чего модель дообучили на ImageNet-22k и ImageNet-1k. Модель подходит для классификации изображений по классам ImageNet и может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.