II.10Разработка и эксплуатация AI/ML-систем

UniSpeech-SAT-Base — базовая самоконтролируемая речевая модель Microsoft на архитектуре UniSpeech-SAT, представленная в Transformers как модель предварительного обучения. Она содержит 113,2 млн параметров и обучена на 960 часах английской речи из LibriSpeech с частотой дискретизации 16 кГц, используя контрастивные цели для представления высказываний и говорящих. Модель предназначена для получения речевых представлений и адаптации к последующим задачам: распознаванию речи, классификации аудио, верификации и идентификации говорящего, а также диаризации. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель предобучена только на аудио и не имеет токенизатора. Входной сигнал следует подавать с частотой 16 кГц. Карточка указывает на преимущественно английскую область применения, поэтому качество для других языков не гарантировано. Лицензия в предоставленных данных не указана.

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.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-21k, затем дообучили на ImageNet-1k; перенос весов в PyTorch выполнил Росс Уайтман. Модель доступна через библиотеку timm. Модель содержит около 306,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно применять для классификации изображений по категориям ImageNet-1k, а также как визуальный backbone для получения признаков. Веса распространяются по лицензии Apache-2.0. Модель работает с изображениями и выдаёт метки классов либо визуальные признаки. Её большой размер и вычислительная стоимость (44,3 GMACs) могут ограничивать применение на устройствах с небольшими ресурсами; обучение и настройка ориентированы на ImageNet, поэтому качество на других доменах может отличаться.

vit_relpos_medium_patch16_224.sw_in1k — модель классификации изображений из библиотеки timm, основанная на архитектуре Vision Transformer с относительными позиционными эмбеддингами. Вариант архитектуры использует патчи 16×16, не содержит class token и формирует итоговое представление усреднением токенов. Модель содержит 38,7 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель обучена в timm на ImageNet-1k и предназначена для классификации изображений, а также может служить визуальным backbone и извлекать эмбеддинги изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Voila-Tokenizer — аудиотокенизатор семейства Voila от Maitrix, построенный на архитектуре EnCodec и представленный в формате safetensors. Он предназначен для преобразования аудио в представление, пригодное для работы голосовых языковых моделей и обратного преобразования в аудио; в карточке Hugging Face основная задача отмечена как audio-to-audio. Проект Voila описывает применение токенизатора в единой системе голосовых задач, включая распознавание речи, синтез речи, перевод речи и голосовой диалог в реальном времени. В метаданных перечислены английский, китайский, французский, немецкий, японский и корейский языки. Для семейства Voila заявлены потоковая обработка с низкой задержкой и поддержка множества голосов; конкретные параметры и результаты для этого токенизатора отдельно не приведены. Модель распространяется по лицензии MIT.

keystats/w2v-bert-2.0-lang-id-lug-sna-lin — модель распознавания языка речи, разработанная keystats на основе facebook/w2v-bert-2.0. Она принимает аудиофрагмент и относит его к одному из трёх языков: луганда, шона или лингала; текстовую расшифровку не создаёт. Модель использует речевой энкодер Wav2Vec2-BERT с классификационной головой, дообученной на корпусе google/WaxalNLP. Веса содержат около 402,7 млн параметров; лицензия — Apache-2.0. Модель предназначена для определения языка коротких аудиозаписей и маршрутизации речи к соответствующей языковой ASR-системе. В README сообщается о точности 100% на тестовой и валидационной выборках WAXAL, но эти результаты относятся к данным корпуса и не гарантируют аналогичного качества на записях из других условий. Это классификатор с закрытым набором классов: он всегда выбирает один из трёх языков, даже если аудио содержит другой язык или неречевой звук. Модель не подходит для общей идентификации языков и не определяет неизвестный или неподдерживаемый класс.

wav2vec2-base-cs-80k-ClTRUS — одноязычная модель Wav2Vec 2.0 базового размера, разработанная для чешского языка и предварительно обученная на более чем 80 тысячах часов неразмеченной чешской речи. В метаданных указаны 113,3 млн параметров и архитектура Wav2Vec2ForPreTraining; модель обновлена до версии после 400 тысяч шагов обучения. Модель принимает монофоническое аудио с частотой 16 кГц. Она обучена на радиозаписях, данных VoxPopuli, телевизионных передачах, спортивных и телефонных записях и других источниках. Для распознавания речи её нужно дообучить на размеченных аудиоданных и создать токенизатор: сама модель не содержит токенизатора и не готова к распознаванию речи «из коробки». После дообучения автор сообщает WER 3,8% на чешской части CommonVoice v7.0 и 8,8% на чешской части VoxPopuli. Модель предназначена для дальнейшей адаптации к задачам обработки чешской речи. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но запрещает коммерческое использование.

LeBenchmark/wav2vec2-FR-1K-base — предобученная модель wav2vec 2.0, опубликованная LeBenchmark. Это базовая dense-архитектура Wav2Vec2Model с 113,3 млн параметров, обученная на 1 000 часах французской речи. Модель предназначена для извлечения речевых представлений, которые можно использовать в задачах распознавания речи и других речевых системах после настройки под конкретную задачу. Модель принимает аудио и выдаёт признаки векторного представления. Её можно применять как замороженный энкодер или дообучать для ASR с CTC, распознавания говорящего и разделения источников. Карточка отмечает, что результаты распознавания речи с CTC не обязательно будут передовыми; интеграция в SpeechBrain описана как находящаяся в бета-версии, а дообучение — как экспериментальный вариант. Лицензия Apache-2.0 разрешает повторное использование модели; лицензии исходных корпусов могут иметь отдельные ограничения.

LeBenchmark/wav2vec2-FR-3K-large — предварительно обученная модель wav2vec 2.0 Large, выпущенная проектом LeBenchmark. Её энкодер обучен на 2,9 тыс. часов французской речи, включая спонтанную, прочитанную и вещательную речь. В метаданных указано 402,7 млн параметров; модель доступна в форматах PyTorch, Flax и safetensors под лицензией Apache-2.0. Модель предназначена для извлечения речевых представлений, которые можно использовать как признаки для систем распознавания речи, распознавания и верификации говорящего, а также разделения источников звука. Её можно дообучать для распознавания речи с CTC или подключать как замороженный энкодер в речевые конвейеры. Карточка отмечает, что качество преобразования речи в текст с CTC может быть ниже уровня современных лучших систем; для ряда downstream-задач требуется дообучение. Длина контекста в предоставленных данных не указана.

Finnish Wav2Vec2 X-Large — аудиомодель, разработанная Ярославом Гетманом и Тамашем Гросом. Это предварительно обученный энкодер Wav2Vec2ForPreTraining на основе Wav2Vec2, обученный на 158 тысячах часов неразмеченной финской речи. Модель принимает аудио с частотой дискретизации 16 кГц; токенизатора в репозитории нет. Модель предназначена для последующего дообучения на размеченных текстом аудиоданных для распознавания финской речи, а также может служить основой для задач распознавания эмоций в речи. Для ASR нужны токенизатор и дообучение; готовая дообученная версия опубликована отдельно как GetmanY1/wav2vec2-xlarge-fi-150k-finetuned. Лицензия — Apache-2.0. Предобучающие аудиозаписи ограничены длиной до 60 секунд, поэтому модель лучше подходит для относительно коротких фрагментов; очень длинные записи могут требовать разбиения на части и значительных ресурсов памяти. Корпус преимущественно основан на архивах радио и телевидения, что может приводить к смещению в сторону голосов ведущих и разговорного финского; в данных также могли остаться музыкальные фрагменты.

anuragshas/wav2vec2-xls-r-300m-mt-cv8-with-lm — модель автоматического распознавания речи, созданная Anurag Shastri на основе facebook/wav2vec2-xls-r-300m и дообученная на мальтийской части Mozilla Common Voice 8.0. Это плотная модель Wav2Vec2 с CTC-декодированием, принимающая аудио и выдающая распознанный текст на мальтийском языке. В названии и оценке указано применение языковой модели при декодировании: на тестовом наборе Common Voice 8.0 WER составил 15,967% с LM и 19,853% без неё. Модель подходит для транскрибирования мальтийской речи и оценки систем распознавания на тестовом наборе Common Voice. Репозиторий содержит веса PyTorch; в метаданных указано 402,7 млн параметров и лицензия Apache-2.0. Результаты приведены для конкретного тестового набора и не гарантируют такое же качество на иных типах записи, акцентах или условиях шума.

Whisper Hindi Small — модель распознавания речи, созданная дообучением openai/whisper-small на публичных корпусах аудиозаписей на хинди в рамках спринта по дообучению Whisper. Она предназначена для преобразования речи на хинди в текст и оценки качества распознавания на наборах данных ASR. Модель основана на архитектуре WhisperForConditionalGeneration и содержит около 153,1 млн параметров; доступны веса PyTorch и Flax. Для использования указаны инструменты whisper_jax и код оценки из репозитория whisper-finetune. Лицензия — Apache-2.0. Обучение проводилось на GramVaani ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus и обучающей и валидационной частях Google Fleurs; для оценки использовались тестовые части GramVaani и Google Fleurs. Карточка не приводит результатов метрик, поэтому качество на других типах записей или вне хинди по ней оценить нельзя.

xezpeleta/whisper-medium-eu — модель автоматического распознавания речи, разработанная дообучением Whisper Medium от OpenAI на корпусе asierhv/composite_corpus_eu_v2.1. Модель на архитектуре Whisper содержит 455,8 млн параметров и предназначена прежде всего для транскрибации речи на баскском языке в текст. В карточке сообщается, что модель достигла WER 9,1045 на валидационной выборке обучающего корпуса и WER 7,14 на Mozilla Common Voice 18.0. Её применяют для профессиональной транскрибации и разработки приложений с распознаванием баскской речи. Модель доступна под лицензией Apache-2.0. Точность зависит от качества записи: шум, диалектная и неформальная речь, редкие слова и сложные языковые конструкции могут приводить к ошибкам. По сравнению с меньшими вариантами Whisper Medium требует больше вычислительных ресурсов и работает медленнее.

timm/wide_resnet50_2.racm_in1k — модель классификации изображений на основе Wide ResNet-50-2, опубликованная в библиотеке timm. Она обучена на ImageNet-1k с рецептом RACM из работы ResNet Strikes Back. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и свёртки 1×1 для проекций в остаточных связях. Модель содержит 68,9 млн параметров; в карточке указаны размеры изображения 224×224 при обучении и 288×288 при тестировании. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов изображений. Для обучения применялись RandAugment, оптимизатор RMSProp, усреднение весов EMA и ступенчатое экспоненциальное снижение скорости обучения с разогревом. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения применения; качество и применимость к изображениям вне распределения ImageNet-1k могут отличаться.

timm/wide_resnet50_2.tv_in1k — модель классификации изображений семейства Wide ResNet, опубликованная разработчиками библиотеки timm. Она основана на torchvision-варианте Wide ResNet-50-2 и обучена на ImageNet-1k. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1 для уменьшения размерности. Модель содержит около 68,9 млн параметров и рассчитана на изображения размером 224×224. Модель предназначена для определения объектов и категорий на изображениях, извлечения признаковых карт и получения векторных представлений изображений. Её можно использовать как базовую сеть компьютерного зрения или как готовый классификатор на задачах, близких к ImageNet. Репозиторий предоставляет веса PyTorch и safetensors; модель доступна по лицензии BSD-3-Clause. Классификатор обучен на ImageNet-1k, поэтому его категории и качество могут не соответствовать специализированным областям или данным, отличающимся от обучающего набора. Для пользовательских категорий может потребоваться адаптация модели.

Salesforce/xLAM-2-3b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce для работы в составе ИИ-агентов. Она дообучена на базе Qwen2 и предназначена для многошагового диалога и вызова функций: по запросу пользователя модель формирует аргументы и вызовы инструментов, чтобы агент мог выполнять задачи и автоматизировать рабочие процессы. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, включая структурированные вызовы инструментов; карточка указывает английский язык. Для запуска подходят Transformers и vLLM, причём для Qwen-моделей README рекомендует vLLM версии 0.6.5 или новее. В качестве преимуществ заявлены способности к многоходовому использованию инструментов и сохранению последовательности действий; в README приводятся результаты более крупных моделей семейства, но не отдельные оценки этой версии на 3B. Релиз обозначен как исследовательский, поэтому перед применением в продуктивных сценариях следует отдельно проверить точность и безопасность. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

YOLOX-M — версия детектора объектов Megvii, конвертированная в формат LiteRT/TFLite для запуска на устройствах. Веса соответствуют официальному выпуску YOLOX-M, обученному на COCO 2017; граф переоформлен для GPU через litert_torch, а блок Focus вместе со следующим свёрточным слоем заменён эквивалентной свёрткой. Модель использует архитектуру YOLOX, принимает изображение 640×640 в формате BGR с диапазоном 0–255 и выдаёт сырые предсказания рамок и оценок для 80 классов COCO. Декодирование рамок и подавление дубликатов нужно выполнять на стороне приложения. Модель предназначена для обнаружения объектов на мобильных и периферийных устройствах. В README заявлены исполнение всего графа на GPU без отката на CPU на Pixel 8a, поддержка GPU и Snapdragon Hexagon NPU через LiteRT CompiledModel, а также контрольное значение AP 46,9 на COCO val2017 для FP32-эталона. Для классического TFLite GPU delegate приведено измерение 81,4 мс на Pixel 8a; производительность зависит от устройства, ускорителя и среды выполнения. Файл модели имеет формат TFLite, точность FP16 и размер 51 МБ. Естественные языки модель не обрабатывает: она принимает изображения и выдаёт координаты рамок, оценки объектов и классов. Лицензия — Apache-2.0. Для получения итоговых обнаружений приложению необходимо реализовать декодирование выходных данных, NMS и обратное преобразование координат после letterbox-предобработки.

nunuing/audio_cls_korean — модель классификации аудио на основе Wav2Vec2, дообученная на Kkonjeong/wav2vec2-base-korean. Она предназначена для отнесения аудиозаписей к классам; набор классов и обучающие данные в карточке не описаны. Модель содержит 113,3 млн параметров и распространяется в формате safetensors через библиотеку Transformers. На оценочном наборе указаны accuracy 0,8739 и loss 1,0013. Лицензия в предоставленных данных не указана.

BAAR2-95M — компактная мультиязычная языковая модель с 95 млн параметров, предназначенная для генерации текста и диалогов на устройствах с ограниченными вычислительными ресурсами. Разработчик позиционирует её как базовую предварительно обученную модель для встраиваемых систем и периферийных устройств; архитектура модели в доступных сведениях не раскрыта. Модель рассчитана на быстрые ответы и может использоваться в лёгких RAG-сценариях: принимает внешний контекст и формирует ответ, связанный с результатами поиска. В карточке заявлена поддержка 11 языков: корейского, английского, японского, китайского, испанского, португальского, немецкого, русского, хинди, вьетнамского и тайского. Формат весов — safetensors. Это базовый чекпойнт, поэтому для специализированных задач, высокой фактической точности и надёжного выполнения инструкций рекомендуются дообучение или подключение RAG. Лицензия указана как нек​​оммерческая; коммерческое использование требует обращения к разработчику за условиями лицензирования.

Bangla LLaMA-3.2 3B Base — базовая авторегрессионная языковая модель, разработанная Abdullah Khan Zehady и дообученная на бенгальской части набора CulturaX поверх meta-llama/Llama-3.2-3B. Модель с архитектурой Llama и 3,2 млрд параметров предназначена для причинного языкового моделирования: генерации продолжений текста и последующего дообучения под конкретные задачи. Она поддерживает бенгальский и английский языки, имеет контекст до 131 072 токенов и поставляется в формате safetensors. Модель подходит для генерации бенгальского текста и как отправная точка для создания специализированных NLP-моделей. Это базовая, а не инструкционная модель, поэтому она не ориентирована на выполнение команд без дополнительного дообучения. По README, модель не проходила детоксикацию и может выдавать вредный или оскорбительный текст; выводы следует контролировать. В метаданных указана лицензия Llama 3.2, тогда как README заявляет GNU GPL v3.0, поэтому условия распространения и использования следует сверить с первоисточником модели.

bert-sr-base — языковая модель семейства BERT, разработанная aajrami и предназначенная для извлечения признаков из текста. Модель использует архитектуру RoBERTa; в карточке она описана как BERT base с предобучением по целевой функции shuffle + random. Число параметров — около 151,8 млн, длина контекста — 514 токенов. Модель подходит для получения векторных представлений текста и использования в качестве основы для последующих задач обработки языка. В репозитории указаны форматы PyTorch и Safetensors. Лицензия — CC BY 4.0. README не уточняет языки обучения и ограничения по применению.

bert-sr-small — компактная языковая модель на базе BERT, опубликованная пользователем aajrami. Она предварительно обучена с помощью цели shuffle + random; подробности об этой цели и гиперпараметрах приведены в связанной работе о влиянии целей предобучения на усвоение языковых свойств. В метаданных модель представлена архитектурой RoBERTa с классом RobertaModel и содержит 42,5 млн параметров. Модель предназначена для извлечения признаков из текста и может использоваться как основа для получения контекстных представлений текста в NLP-сценариях. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии CC BY 4.0. Карточка не уточняет поддерживаемые естественные языки и конкретные ограничения качества; результат следует проверять на целевых данных и задачах.

Bielik-11B-v3-Base-20250730 — базовая генеративная языковая модель с 11 млрд параметров, разработанная проектом SpeakLeash совместно с вычислительным центром ACK Cyfronet AGH. Это причинная модель с архитектурой decoder-only, инициализированная из Mistral-7B-v0.2 и дополнительно предварительно обученная на польских текстовых корпусах SpeakLeash и части CommonCrawl. Модель предназначена для дальнейшей тонкой настройки под конкретные сценарии. Она рассчитана на 32 европейских языка и оптимизирована для польского; может служить основой для создания систем генерации текста и диалоговых приложений после адаптации. Репозиторий использует библиотеку Transformers и формат safetensors. Модель распространяется по лицензии Apache 2.0 и условиям использования. Поскольку это базовая модель, её поведение в прикладных задачах зависит от последующей настройки; карточка не приводит сведений о длине контекста.

arun-shankar/ChatGPT-Neo — языковая модель GPT-Neo, представленная как основа для многотурового чат-бота. В карточке описано использование для генерации ответов в диалоге и приведена ссылка на руководство по воспроизведению чат-бота с GPT-Neo и SageMaker. Модель имеет плотную архитектуру GPTNeoForCausalLM, содержит 137,7 млн параметров и принимает контекст до 2048 токенов. Доступен формат PyTorch; лицензия — Apache-2.0. Карточка не уточняет языки обучения и качество диалоговых ответов, поэтому пригодность для конкретного языка или сценария следует проверять отдельно.

Карточка модели ldov/CLM-v0.1-8B на Hugging Face совпадает с карточкой Contrastive-LM/CLM-v0.1-8B, поэтому описание составлено по ней. CLM-v0.1-8B — модель контрастивного ранжирования от проекта Contrastive Language Model. Она построена на замороженном текстовом энкодере Qwen3-8B и двух обучаемых проекционных головах для представления состояний и действий; обучение использует двунаправленную функцию потерь InfoNCE. Модель предназначена для оценки и сравнения заданных кандидатов, в том числе вариантов ответа, инструментов и следующих действий в агентных сценариях. CLM применяют для ранжирования решений и проверки кандидатов в задачах использования компьютера, игр и вызова инструментов. В README также приведены результаты дообученных на отдельных задачах голов в бенчмарках DeepSWE и Terminal-Bench; эти показатели не относятся к исходному чекпойнту без дообучения. Раздельное кодирование состояний и действий позволяет повторно использовать представления действий и ускорять сравнение большого числа кандидатов. Модель не генерирует текст и оценивает кандидатов только относительно переданного набора. Для работы голов нужен последний pooled-эмбеддинг энкодера Qwen3-8B. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Метаданные указывают английский язык карточки, но README не описывает более широкий список языков для ранжирования.

Configurable-Hermes-2-Pro-Llama-3-8B — плотная авторегрессионная языковая модель семейства Llama, созданная Vicgalle дообучением NousResearch/Hermes-2-Pro-Llama-3-8B на наборе vicgalle/configurable-system-prompt-multitask. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов; в метаданных указан формат Safetensors. Модель предназначена для диалоговой генерации текста с поведением, настраиваемым системным промптом. Она может выступать как безопасный помощник, помощник без ограничений, честный и беспристрастный собеседник или ролевая персона. Такая настройка делает её полезной для исследований управляемости поведения и безопасности языковых моделей. Модель может генерировать вредный или незаконный контент в зависимости от заданного промпта, поэтому её поведение требует контроля. Опубликована как исследовательский артефакт в области безопасности и выравнивания. Лицензия — Apache-2.0.

ConvMixer 1024/20/ks9/p14.in1k — модель классификации изображений и извлечения признаков из семейства ConvMixer, опубликованная авторами статьи и обученная на ImageNet-1k. Она содержит около 24,4 млн параметров, использует изображения размером 224 × 224 и требует примерно 5,5 GMACs на обработку изображения. Модель подходит для классификации изображений по классам ImageNet-1k и получения признаковых представлений изображений для последующего использования. Архитектура ConvMixer сочетает патчевое представление изображений с операциями свёртки. Репозиторий поддерживает загрузку весов в форматах PyTorch и safetensors через библиотеку timm. Модель обрабатывает изображения и выдаёт предсказания классов либо признаки. Лицензия — MIT. Обучение на ImageNet-1k задаёт область распознаваемых категорий; для задач с другими классами модель может потребовать дополнительной адаптации.

Это сверточная модель ConvNeXt Femto для классификации изображений, обученная Россом Уайтманом с помощью библиотеки timm на ImageNet-1k. Она также может служить основой для извлечения признаковых карт и получения эмбеддингов изображений. Модель содержит около 5,2 млн параметров и выполняет примерно 0,8 GMAC на изображение. Размер изображения при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений по категориям ImageNet-1k и как компактный визуальный backbone в прикладных системах компьютерного зрения. Карточка не приводит известных ограничений качества или перечня поддерживаемых языков; модель принимает изображения и выдаёт классы либо визуальные признаки.

convnext_nano.r384_in12k — модель компьютерного зрения для классификации изображений и извлечения признаков, обученная Ross Wightman с использованием библиотеки timm на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Она основана на архитектуре ConvNeXt и содержит 22,5 млн параметров. Модель рассчитана на изображения размером 384 × 384 пикселя. Её можно применять для присвоения изображениям меток из обучающего набора, извлечения карт признаков и получения эмбеддингов изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0. Классификация ограничена классами ImageNet-12k и может не покрывать категории конкретной прикладной задачи; для таких случаев потребуется адаптация модели. В README приведены показатели сравнения, измеренные на RTX 3090 с PyTorch 1.13 и AMP, поэтому их нельзя напрямую переносить на другие аппаратные платформы и настройки.

ConvNeXt-V2 Huge FCMAE — модель извлечения признаков изображений из семейства ConvNeXt-V2, опубликованная timm. Она предварительно обучена на ImageNet-1k методом FCMAE — полностью сверточного masked autoencoder — и предназначена для извлечения признаков и карт признаков либо для дообучения под классификацию. У модели 657,5 млн параметров; исходный размер изображения — 224 × 224 пикселя. Предобученная классификационная голова отсутствует, поэтому модель не предназначена для готовой классификации без дообучения или добавления головы. Репозиторий распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение.