II.10Разработка и эксплуатация AI/ML-систем

rubert-tiny2-russe-toxicity — дообученная модель BunnyNoBugs на основе cointegrated/rubert-tiny2 для классификации русскоязычных текстов по токсичности. Она использует архитектуру BERT с классификационной головой BertForSequenceClassification и содержит 29 млн параметров. Модель принимает текст и относит его к классам «нейтральный» или «токсичный». По приведённым результатам оценки macro F1 составляет 0,9394, а F1 для классов «нейтральный» и «токсичный» — 0,9398 и 0,9390 соответственно. Контекст составляет до 2048 токенов. Модель подходит для предварительной модерации русскоязычных текстов, но карточка не раскрывает состав обучающего набора и подробности оценки, поэтому метрики не гарантируют такое же качество на других данных. Лицензия — MIT.

SHViT-S4 — модель классификации изображений и извлечения визуальных признаков на основе Single-Head Vision Transformer. Её обучили авторы исследования на ImageNet-1k; модель распространяется в формате PyTorch и Safetensors через библиотеку timm. Модель подходит для классификации изображений, получения карт признаков и визуальных эмбеддингов. В ней 16,6 млн параметров, вычислительная сложность составляет 1,0 GMAC, а рекомендуемый размер изображения — 256 × 256 пикселей. Архитектура SHViT использует однонаправленную голову внимания и рассчитана на эффективную обработку изображений. Веса выпущены по лицензии MIT. Качество модели ориентировано на классы ImageNet-1k; при использовании на других наборах изображений может потребоваться адаптация или проверка точности.

SkillRet-Embedding-0.6B — модель компании ThakiCloud для поиска навыков AI-агентов по запросам на естественном языке. Она дообучена контрастивным обучением на обучающей части бенчмарка SkillRet на базе Qwen/Qwen3-Embedding-0.6B и использует архитектуру Qwen3 с плотными текстовыми эмбеддингами. Модель содержит 507,6 млн параметров, работает через библиотеку sentence-transformers и поддерживает контекст до 32 768 токенов. Модель сопоставляет запрос пользователя с библиотекой навыков и ранжирует релевантные варианты. В тестовой части SkillRet, включавшей 4 392 запроса и 6 006 навыков, авторы сообщают NDCG@10 0,8112 и Recall@10 0,8774. Модель предназначена для поиска навыков в системах AI-агентов и оценки таких систем; она находит навыки, но не выполняет их. Оптимизирована для английских запросов и навыков; качество на других темах может отличаться от результатов бенчмарка. Лицензия — Apache-2.0.

Step-3.7-Flash-UD-Q4_K_XL-layers — пакет GGUF-слоёв от Mesh LLM для распределённого запуска модели Step-3.7-Flash-UD-Q4_K_XL на локальном кластере Mesh LLM. Он разделяет исходное распределение GGUF на артефакты по слоям, чтобы несколько машин могли совместно выполнять инференс, когда модель целиком не помещается на одном узле. Модель предназначена для приватного локального чата и работы через совместимый с OpenAI API интерфейс Mesh LLM. Пакет основан на unsloth/Step-3.7-Flash-GGUF, использует формат GGUF и вариант квантования UD-Q4_K_XL. Данные о размере модели, контексте и поддерживаемых языках в предоставленных материалах отсутствуют. README отсылает к исходной карточке за сведениями об архитектуре, лицензии и рекомендациях по настройке; условия лицензии здесь не приведены.

TinyViT 11M 224.in1k — модель классификации изображений семейства TinyViT, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как компактная визуальная основа для извлечения карт признаков и эмбеддингов. Модель содержит 11 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 1,9 GMACs вычислений. Это небольшой vision transformer для задач компьютерного зрения; веса доступны в форматах PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0.

timm/tnt_b_patch16_224.in1k — модель классификации изображений семейства TnT (Transformer in Transformer), опубликованная в экосистеме timm и предварительно обученная на ImageNet-1k. Она принимает изображения размером 224 × 224 и предназначена для отнесения объектов к классам ImageNet, а также может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 65,4 млн параметров и требует 14,1 GMACs на проход. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает дополнительные языковые или мультимодальные возможности.

ToxiGen-ConPrompt — англоязычная модель представлений текста на архитектуре BERT, разработанная для выявления неявной речи ненависти. Она создана на основе BERT-base-uncased и предварительно обучена методом ConPrompt на машинно сгенерированных примерах набора ToxiGen. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для извлечения признаков, которые можно использовать при разработке систем обнаружения неявной речи ненависти, например для построения классификаторов или поиска похожих высказываний. В README указано, что обучение на токсичных высказываниях может привести к генерации таких текстов через MLM-голову или к поиску похожих токсичных примеров. Авторы рекомендуют тщательно обращаться с моделью и анонимизировать личные данные в машинно сгенерированных обучающих материалах. Лицензия — MIT.

timm/tresnet_xl.miil_in1k — модель классификации изображений TResNet XL, обученная авторами архитектуры на ImageNet-1k. Репозиторий timm содержит веса, преобразованные из оригинальных для работы со стандартным BatchNorm вместо InplaceABN; доступны форматы PyTorch и safetensors, лицензия Apache-2.0. Модель предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В ней 78,4 млн параметров; указанный размер входного изображения — 224 × 224 пикселя. Это модель компьютерного зрения без текстового интерфейса.

Tulu V2.5 13B RM — англоязычная модель оценки ответов, разработанная Allen Institute for AI. Она предназначена для обучения с подкреплением на основе предпочтений: оценивает ответы помощника и используется как reward model в PPO. Модель дообучена на UltraFeedback, в частности на разделе ultrafeedback_mean_aspects, с помощью RM-тренера на базе EasyLM; архитектура — плотная Llama для классификации последовательностей, размер — 12,9 млрд параметров, контекст — 4096 токенов. Модель рассчитана на исследовательские эксперименты по RLHF и обучению языковых помощников, а не на обычную генерацию ответов конечным пользователям. README указывает английский язык и формат входа с сообщением и завершающим переводом строки; метаданные отмечают возможность диалога. Базовая модель в метаданных — allenai/tulu-2-13b, тогда как README указывает meta-llama/Llama-2-13b-hf. Лицензия — Apache 2.0.

zeromodels/vgg16_bn_tv_in1k — преобразованный для библиотеки zeromodels чекпойнт VGG16 с BatchNorm, основанный на timm/vgg16_bn.tv_in1k и описанный в работе Very Deep Convolutional Networks for Large-Scale Image Recognition. Это свёрточная сеть с последовательными свёртками 3×3, предназначенная для классификации изображений и использования в качестве визуального backbone. Модель выдаёт логиты классов; вариант VGGModel может возвращать признаки, а также многоуровневые признаки для последующих задач компьютерного зрения. Реализация выполнена на Keras 3 и может работать с TensorFlow, PyTorch или JAX в зависимости от выбранного backend. Карточка представляет её как классификатор ImageNet и backbone; конкретные размер входа и число параметров здесь не приведены. Лицензия репозитория — BSD-3-Clause.

Карточка модели bezzam/VibeVoice-AcousticTokenizer на Hugging Face совпадает с карточкой microsoft/VibeVoice-AcousticTokenizer, поэтому описание составлено по ней. VibeVoice Acoustic Tokenizer — акустический токенизатор Microsoft, компонент семейства VibeVoice для работы с речевым аудио. Он преобразует аудио в непрерывные речевые представления и поддерживает обратное декодирование; токенизатор используется в системах VibeVoice для синтеза речи и распознавания речи. В README указана частота кадров 7,5 Гц, что позволяет компактно представлять длинные аудиопоследовательности. Модель предназначена для извлечения признаков из аудио и как компонент конвейеров TTS и ASR, включая генерацию выразительной многосторонней речи и обработку разговорного аудио. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Для подключения README описывает установку из исходного кода до включения токенизатора в официальный релиз Transformers.

VideoGuard-Qwen3.5-4B-Safety-RL-Uncensored — дообученная модель prithivMLmods на базе мультимодальной Qwen/Qwen3.5-4B. Она предназначена для анализа видеосцен и классификации потенциально небезопасного контента по категориям C1–C6, с выдачей описания сцены, объяснения и структурированных меток. В карточке указаны около 10 тысяч обучающих примеров для безопасности видео и рассуждения о сценах; метаданные отмечают обучение с подкреплением и формат safetensors. Модель подходит для фильтрации видеоконтента, оценки безопасности, тестирования защитных механизмов и исследований мультимодальных guardrail-систем. Метаданные указывают задачу video-text-to-text и поддержку английского языка. Модель распространяется по лицензии Apache-2.0.

MCG-NJU/videomae-base-ssv2 — базовая модель VideoMAE, предварительно обученная командой авторов VideoMAE на наборе Something-Something-v2 в течение 2400 эпох методом самообучения. Это видеоархитектура на основе Vision Transformer: видео разбивается на патчи размером 16×16, а декодер предсказывает пиксели скрытых патчей. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Чекпойнт предназначен прежде всего для дообучения на размеченных видеоданных и извлечения признаков для последующих задач классификации видео. В исходном виде он также предсказывает значения пикселей скрытых участков видеокадров. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

facebook/vit-msn-small — компактный энкодер Vision Transformer, разработанный командой MSN и предварительно обученный методом Masked Siamese Networks. Модель обрабатывает изображение как последовательность патчей и формирует внутренние признаки изображения; в метаданных указано 28,3 млн параметров. Модель предназначена для извлечения визуальных признаков и последующего использования в задачах компьютерного зрения. Например, к энкодеру можно добавить линейный классификатор и обучить его на размеченных изображениях. Предобучение особенно полезно, когда доступно мало размеченных примеров. Модель принимает изображения и выдаёт векторные представления; README также указывает ImageNet-1k среди связанных датасетов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка описывает её как основу для downstream-задач, а не как готовый классификатор; качество зависит от выбранной задачи и последующего обучения.

vit_relpos_base_patch16_224.sw_in1k — модель классификации изображений семейства Vision Transformer, опубликованная в библиотеке timm. Вариант архитектуры ViT использует относительные позиционные эмбеддинги, не содержит токен класса и формирует итоговое представление усреднением токенов. Модель обучена на ImageNet-1k; в карточке указаны 86,4 млн параметров и размер входного изображения 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone или для получения эмбеддингов изображений. Она поддерживает конвейер image-classification и распространяется в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает поддержку текстового или иных входов и не приводит измерений качества.

gaunernst/vit_tiny_patch8_112.adaface_ms1mv3 — модель Vision Transformer для распознавания лиц, обученная на наборе данных MS1MV3. Она совместима с библиотекой timm и выдаёт для изображения лица вектор признаков размерности 512; выходной вектор не нормализован, поэтому при необходимости его следует нормализовать отдельно. Модель предназначена для извлечения признаков лиц, которые можно использовать для сравнения и сопоставления изображений лиц. Модель принимает изображение размером 112×112 пикселей и формирует эмбеддинг. В метаданных указаны задача извлечения признаков изображений и формат весов safetensors. Лицензия в предоставленных данных не обозначена.

gaunernst/vit_tiny_patch8_112.arcface_ms1mv3 — модель Vision Transformer для распознавания лиц, обученная на наборе данных MS1MV3. Она распространяется в формате safetensors и совместима с библиотекой timm. Модель принимает изображение лица размером 112 × 112 пикселей и выдаёт вектор признаков размерности 512. Выходной вектор не нормализован; в примере использования его нормализуют отдельно. Модель подходит для извлечения эмбеддингов лиц, которые можно применять для сравнения лиц и идентификации. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

LeBenchmark wav2vec2-FR-2.6K-base — предобученная модель самоконтролируемого обучения для представления французской речи, выпущенная LeBenchmark. Это базовая архитектура wav2vec 2.0 с 113,3 млн параметров, обученная на 2,6 тыс. часов французской речи; в обучающих данных нет спонтанной речи. Модель принимает аудио и извлекает речевые признаки, которые можно использовать в последующих системах распознавания речи, распознавания говорящего и разделения источников. Модель предназначена для извлечения признаков и дообучения под конкретные речевые задачи. README описывает интеграцию через Fairseq и SpeechBrain, в том числе применение в ASR с CTC, системах распознавания или верификации говорящего и разделения источников. Для распознавания речи с CTC авторы предупреждают, что результаты не обязательно будут на уровне современных лучших систем. Весами можно пользоваться на условиях Apache-2.0; лицензии и доступность исходных корпусов могут различаться.

LeBenchmark/wav2vec2-FR-3K-base — предварительно обученная модель семейства wav2vec 2.0, выпущенная проектом LeBenchmark. Это базовая архитектура Wav2Vec2Model с 113,3 млн параметров, обученная на 2,9 тыс. часов французской речи, включая спонтанную, чтение и радиовещание. Модель извлекает контекстные речевые представления из аудио и предназначена для последующего дообучения или использования как замороженного энкодера в задачах обработки речи. Извлечённые признаки можно применять в системах распознавания речи, распознавания говорящего и разделения источников звука. Репозиторий содержит веса PyTorch и Safetensors; модель распространяется по лицензии Apache-2.0. Для распознавания речи требуется downstream-модель или дообучение, а авторы предупреждают, что результаты ASR с CTC не следует считать гарантированно передовыми; доступность некоторых исходных корпусов может быть ограничена.

anuragshas/wav2vec2-xls-r-300m-lv-cv8-with-lm — модель автоматического распознавания латышской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на датасете Mozilla Common Voice 8.0 для латышского языка. Архитектура основана на Wav2Vec2 с CTC-декодированием; в репозитории указано около 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. На тестовой части Common Voice 8.0 в карточке приведены WER 0,1705 и результат WER 9,633 при оценке с языковой моделью; без языковой модели — 16,997. Она подходит для распознавания латышской речи в аудиозаписях и оценки качества ASR. Лицензия — Apache-2.0. Карточка содержит мало сведений о рекомендуемых условиях применения и ограничениях; приведённые метрики относятся к конкретному набору данных и не гарантируют качество на других источниках аудио.

WavLM-Base — базовая модель Microsoft для извлечения речевых признаков. Это плотная Transformer-архитектура семейства WavLM с 113,3 млн параметров, созданная на основе подхода HuBERT и предварительно обученная на 960 часах англоязычной речи из LibriSpeech. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт речевые представления; токенизатора у неё нет. Модель предназначена для дальнейшей настройки под задачи обработки речи, включая распознавание речи и классификацию аудио. Она сохраняет информацию о содержании речи и характеристиках говорящего, поэтому её представления также могут быть полезны в задачах, связанных с голосом. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; готовой моделью распознавания WavLM-Base не является. Карточка сообщает о хороших результатах на бенчмарке SUPERB. Разработчик — Microsoft. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

WavLM Base Plus MLX fp16 — экспорт модели WavLM от Microsoft в формате safetensors, подготовленный для запуска с MLX и используемый в speech-swift как извлекатель признаков речи. Модель принимает монофоническую речь с частотой 16 кГц и формирует скрытые представления, которые последующие модели могут использовать для извлечения характеристик голоса, содержания речи и паралингвистических признаков. В составе Indic-Mio средние значения скрытых слоёв 1 и 2 передаются в глобальный энкодер MioCodec для получения 128-мерного эмбеддинга говорящего при клонировании голоса по референсной записи. Архитектура — плотный SSL-энкодер WavLM, близкий по подходу к HuBERT; в метаданных указано 113,3 млн параметров. Это производная от microsoft/wavlm-base-plus модель. Репозиторий указывает MLX-совместимый экспорт fp16 в safetensors и лицензию MIT. Модель предназначена для извлечения признаков и сама по себе не синтезирует речь: генерацию выполняет связанная система Indic-Mio.

WavLM-Large — предварительно обученная Microsoft модель для извлечения речевых представлений из аудио. Она содержит 402,7 млн параметров и построена на архитектуре Transformer в рамках подхода HuBERT. Модель обучалась на 94 тысячах часов английской речи из Libri-Light, GigaSpeech и VoxPopuli, с акцентом на сохранение информации о произнесённом содержании и личности говорящего. Модель принимает речевое аудио с частотой дискретизации 16 кГц и выдаёт аудиопризнаки, пригодные для последующей настройки под задачи распознавания речи, классификации аудио и других задач обработки речи. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель не генерирует транскрипцию. В README заявлена хорошая работа на английском языке и результаты на бенчмарке SUPERB. Лицензия в предоставленных данных не указана.

mohammadjavadnasri/whisper-large-v3-farsi-cv17 — дообученная модель распознавания речи на основе openai/whisper-large-v3, обученная на наборе Common Voice 17.0. Она принимает аудио и преобразует речь в текст; модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration. В оценке на тестовом наборе указаны WER 23,4723 и орфографический WER 27,5624. Модель предназначена прежде всего для транскрибации речи на фарси. Это вариант мультиязычной Whisper large-v3, однако карточка сообщает о дообучении на Common Voice 17.0, а не о проверке качества для других языков. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

timm/xcit_nano_12_p8_224.fb_in1k — компактная модель классификации изображений на архитектуре XCiT (Cross-Covariance Image Transformer), опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений и использования в качестве визуального backbone для получения признаков. Модель содержит около 3 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную стоимость 2,2 GMACs. Модель подходит для прикладных сценариев, где важны компактность и извлечение признаков из изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Многоязычный классификатор токсичности от команды textdetox, созданный дообучением XLM-RoBERTa-base для бинарной классификации текста. Модель определяет, относится ли текст к токсичному или нетоксичному классу, и подходит для предварительной модерации пользовательских сообщений и анализа больших массивов текста. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. В обучении использован набор textdetox/multilingual_toxicity_dataset; карточка указывает поддержку английского, русского, украинского, испанского, немецкого, амхарского, арабского, китайского и хинди. Веса опубликованы в формате safetensors. Классификация токсичности не гарантирует корректного понимания контекста, сарказма или культурных особенностей; качество может различаться между языками. Лицензия — OpenRAIL++.

Albert Moderation 001 — англоязычная модель классификации текста, разработанная Oxygen (oxyapi) при участии TornadoSoftwares. Она дообучена на distilbert/distilbert-base-uncased и предназначена для быстрой модерации пользовательского текста по 11 категориям: домогательства и угрозы, сексуальный контент, ненависть и угрозы, самоповреждение, контент о несовершеннолетних, насилие и графическое насилие. Модель построена на DistilBERT, использует архитектуру классификации последовательностей и принимает текст; максимальная длина контекста — 512 токенов. Компактный размер модели рассчитан на быстрый вывод с меньшими вычислительными затратами. Она подходит для предварительной фильтрации контента и автоматической маршрутизации потенциально вредных сообщений на проверку. Модель распространяется по лицензии Apache-2.0.

ALBERT XLarge v1 — англоязычная предварительно обученная модель семейства ALBERT, представленная разработчиками ALBERT и распространяемая Hugging Face. Она обучена на BookCorpus и английской Википедии для восстановления замаскированных слов и определения порядка соседних фрагментов текста. Модель предназначена прежде всего для задачи fill-mask и получения контекстных представлений для последующей тонкой настройки на классификацию последовательностей и токенов или ответы на вопросы. Архитектура использует 24 повторяющихся слоя Transformer с общими весами, 128-мерными эмбеддингами, скрытым размером 2048 и 16 головами внимания. README указывает 58 млн параметров, тогда как метаданные каталога — 1,7 млрд; поэтому размер модели по доступным источникам расходится. Контекст — до 512 токенов. Модель uncased: регистр букв не различается; данные для обучения были приведены к нижнему регистру и токенизированы SentencePiece. Разделение весов между слоями уменьшает объём памяти по сравнению с архитектурой с отдельными весами каждого слоя, но вычислительная стоимость остаётся сопоставимой с Transformer аналогичной глубины. Модель не предназначена для генерации связного текста; её версии 2 обучались дольше, на дополнительных данных и показывали лучшие результаты почти во всех указанных downstream-задачах. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Это модель для получения векторных представлений лиц, используемая в конвейере компьютерного зрения PULAO. Репозиторий содержит ONNX-версию ArcFace glintr100 от InsightFace: архитектура ResNet-100, обучение на Glint360K. Модель принимает цветной кадр лица RGB размером 112×112 и возвращает 512-мерный эмбеддинг, который можно сравнивать по косинусному сходству. Модель предназначена для сопоставления лиц и проверки, принадлежат ли два изображения одному человеку. Для работы требуется предварительно выделить лицо и соблюдать одинаковую нормализацию изображений при построении галереи и обработке запросов: смешивание схем нормализации ухудшает оценки сходства. README указывает применение для некоммерческих исследований и прототипирования; предобученные модели InsightFace предназначены только для некоммерческих исследовательских целей. Коммерческое использование и распространение требуют разрешения правообладателей.

prithivMLmods/Betelgeuse-bert-base-uncased — англоязычная модель семейства BERT на базе архитектуры BertForMaskedLM, предназначенная для предсказания замаскированных токенов и получения контекстных представлений текста. Веса насчитывают 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует uncased-токенизацию WordPiece с словарём из 30 000 токенов и предварительно обучалась на английском корпусе с задачами masked language modeling и next sentence prediction. Модель подходит для восстановления пропусков в тексте и как основа для дообучения классификаторов, разметки токенов и систем ответов на вопросы. Она не предназначена для авторегрессионной генерации текста. Возможны смещения в предсказаниях, унаследованные от обучающих данных. Лицензия — CreativeML OpenRAIL-M.