II.10Разработка и эксплуатация AI/ML-систем

Модель GiftMark/akan-whisper-model разработана Марком Атта Менсахом и представляет собой дообученную версию OpenAI Whisper Small с архитектурой WhisperForConditionalGeneration и 153,1 млн параметров. Она предназначена для автоматического распознавания речи на языке акан, включая твийский вариант, и преобразования аудио в текст. Модель можно использовать в сервисах транскрибации, голосовых помощниках и приложениях, которым нужна поддержка акан; её также можно дополнительно адаптировать под конкретную область. Модель дообучена на аудиозаписях акан с соответствующими транскрипциями из набора Lagyamfi/akan_audio_processed и распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана. Качество может снижаться на акцентах, диалектах и языковых вариантах, недостаточно представленных в обучающем наборе; модель не предназначена для распознавания других языков без дополнительного дообучения.

ken11 разработал предварительно обученную японскую языковую модель на архитектуре ALBERT для заполнения пропусков в тексте. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 512 токенов и использует токенизатор BertJapaneseTokenizer, упрощающий токенизацию японского текста по сравнению с albert-base-japanese-v1. Модель обучена на полном тексте японской Википедии и предназначена для дальнейшей тонкой настройки под прикладные задачи. Её можно использовать для предсказания пропущенных токенов в японском тексте и как основу для специализированных моделей. Доступны веса PyTorch и TensorFlow; лицензия — MIT.

AraBERTv0.1 — предварительно обученная языковая модель для арабского языка, разработанная командой AUB Mind Lab на архитектуре Google BERT. Это вариант BERT-Base с примерно 162,4 млн параметров и контекстом до 512 токенов; модель обучалась на арабских текстовых корпусах, включая Wikipedia, OSIAN и 1.5B Arabic Corpus. Версия v0.1 использует предварительно сегментированные тексты: префиксы и суффиксы разделялись с помощью Farasa Segmenter. Модель предназначена прежде всего для восстановления замаскированных токенов и может служить основой для дообучения под задачи понимания арабского языка, например анализа тональности, распознавания именованных сущностей и ответов на вопросы. Для v0.1 рекомендуется применять препроцессор AraBERT; для сегментации требуется Farasa. README описывает более новые варианты AraBERT, но они не являются этим чекпойнтом. Доступны форматы PyTorch, TensorFlow и Flax. Условия лицензии в предоставленных данных не указаны.

gravitee-io разработала компактный классификатор токсичности на базе BERT-tiny, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «not-toxic» или «toxic», поэтому подходит для автоматической модерации пользовательских сообщений и фильтрации потенциально токсичного контента. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах Safetensors и ONNX. В карточке приведены результаты оценки для нескольких языков; качество различается между языками. Лицензия — OpenRAIL++.

caformer_s18.sail_in22k — модель классификации изображений семейства CAFormer, разработанная авторами статьи MetaFormer Baselines for Vision и обученная на ImageNet-22k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 69 млн параметров, имеет вычислительную стоимость 4,2 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Она принимает изображения и выдаёт классовые оценки; также поддерживает извлечение визуальных признаков. Репозиторий содержит веса PyTorch и Safetensors, для работы используется библиотека timm. Лицензия — Apache-2.0. Модель предназначена для классификации изображений и извлечения признаков; качество вне обучающего набора ImageNet-22k и для изображений другого размера в карточке не охарактеризовано.

CANINE-c — предварительно обученная многоязычная модель Google для представления текста. Модель основана на архитектуре CANINE и содержит 113,2 млн параметров. В отличие от моделей с WordPiece или SentencePiece, она работает непосредственно с символами, представляя каждый символ его кодовой точкой Unicode; контекст составляет до 16 384 токенов. CANINE-c обучена на текстах 104 языков из многоязычной Википедии с задачами восстановления замаскированных фрагментов символов и предсказания следующего предложения. Она предназначена для извлечения признаков, которые можно использовать в последующих задачах, например классификации последовательностей, разметки токенов и ответов на вопросы. Модель не предназначена для генерации текста. Весам предоставлена лицензия Apache-2.0. Ограничение токенизации снимает зависимость от словаря субслов, но сама модель требует дообучения или отдельной задачи на основе её представлений для большинства прикладных сценариев.

CerberusDet — модель обнаружения объектов на базе YOLO, разработанная авторами проекта CerberusDet. Этот крупный чекпойнт обучен одновременно на PASCAL VOC 2007+2012 и полной версии Objects365, чтобы распознавать объекты на изображениях из обоих наборов данных и учитывать сильный дисбаланс их размеров. Модель использует архитектуру Multi-headed YOLOv8x с общей основой и отдельными головами обнаружения. Она содержит 107 млн параметров, принимает изображения с разрешением 640×640 и выполняет инференс в FP16. В README приведены результаты mAP@0.5 0,93 на PASCAL VOC 2007 и 0,46 на Objects365, а также скорость 7,2 мс на NVIDIA V100 при batch size 32. Модель предназначена для обнаружения объектов на изображениях, в том числе в сценариях, связанных с классами PASCAL VOC и Objects365. Для работы указаны библиотека CerberusDet и Transformers. Лицензия — AGPL-3.0; условия её применения и распространения следует соблюдать.

Chinese-Mixtral — языковая модель, созданная командой HFL путём дополнительного предварительного обучения Mixtral-8x7B-v0.1. Это базовая модель для генерации текста, а не готовый чат-бот: в карточке отдельно указано, что она не предназначена для диалогов и ответов на вопросы без дополнительной адаптации. Модель построена на архитектуре Mixtral с разреженной экспертной структурой MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка указывает поддержку китайского и английского языков. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели sekkit/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.

Cobalt-Safety-Guard — модель на архитектуре BERT, представленная пользователем yding03 и предназначенная для извлечения признаков из текста. В README также заявлено, что модель прошла постобучение с акцентом на безопасность и настройку отказов, однако базовая модель и подробности обучения не приведены. Карточка сообщает о результатах в задачах рассуждения, но метаданные указывают только задачу feature-extraction. Поэтому по доступным сведениям модель можно описать как инструмент для получения текстовых представлений, а не как подтверждённую разговорную систему модерации. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

Это реализация Contrastive Search — стратегии декодирования для генерации текста, предназначенной для использования с языковыми моделями в библиотеке Transformers. На каждом шаге она оценивает top-k кандидатов, учитывая вероятность токена и штраф за сходство его скрытого представления с уже сгенерированным контекстом. В README в качестве примера базовой модели указана Qwen/Qwen2.5-0.5B-Instruct; метаданные описывают репозиторий как плотную causal language model семейства Qwen3 размером 507,9 млн параметров с контекстом до 40 960 токенов. Стратегия рассчитана на генерацию связного текста с меньшим количеством повторов, чем при жадном поиске или beam search, и с лучшей смысловой связностью, чем при чистом сэмплировании. Параметры top_k и penalty_alpha позволяют регулировать число рассматриваемых кандидатов и силу штрафа; увеличение top_k повышает вычислительные затраты. Репозиторий помечен как conversational и поддерживает интерфейс вызова инструментов. Условия лицензии в предоставленных данных отсутствуют.

ConvFormer M36 SAIL IN1K — модель классификации изображений и визуальный backbone семейства ConvFormer, разработанная авторами статьи о MetaFormer и обученная на ImageNet-1k. Модель содержит 57,1 млн параметров; для входных изображений указано разрешение 224 × 224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как готовый классификатор или как визуальный компонент в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0. Карточка не приводит результатов качества и описания ограничений, поэтому применимость к изображениям вне распределения ImageNet-1k требует отдельной оценки.

ConvNeXT Base — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и опубликованная в репозитории Facebook. Архитектура модернизирует ResNet, используя идеи Vision Transformer и Swin Transformer. Модель предобучена на ImageNet-22k, затем дообучена на ImageNet-1k для классификации изображений с разрешением 384×384. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet и может служить основой для специализированных версий. Для работы с весами доступны форматы PyTorch и TensorFlow. Лицензия — Apache-2.0. Карточка описывает применение для классификации изображений; других задач или языковых возможностей не заявлено.

ConvNeXt Nano — свёрточная модель классификации изображений, обученная Россом Уайтманом с использованием библиотеки timm на ImageNet-12k, подмножестве ImageNet-22k с 11 821 классом. Модель содержит около 22,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-12k. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений в компьютерном зрении. Контрольные веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Это относительно компактный вариант семейства ConvNeXt с указанной в карточке вычислительной сложностью 2,5 GMACs. Классы обучения относятся к ImageNet-12k, поэтому результаты на задачах или наборах данных с другими категориями могут требовать дополнительной настройки; мультиязычная поддержка к модели не относится.

ConvNeXt-Tiny — модель компьютерного зрения для классификации изображений и извлечения признаков. Её обучил Ross Wightman с помощью библиотеки timm на наборе ImageNet-1k; архитектура основана на ConvNeXt, сверточной сети, разработанной для компьютерного зрения 2020-х годов. В репозитории доступны веса PyTorch и safetensors, лицензия — Apache-2.0. Модель содержит около 28,6 млн параметров. Для классификации она принимает изображения: размер при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Её можно применять для присвоения изображению класса из набора ImageNet-1k, а также для получения карт признаков и эмбеддингов. Модель предназначена для распознавания объектов общего назначения и может служить визуальным бэкбоном в системах компьютерного зрения. Её классификационные категории ограничены классами ImageNet-1k; README не приводит результатов для других наборов данных или гарантий качества в прикладных сценариях.

CrossViT Tiny 240 — модель классификации изображений и визуальный backbone семейства CrossViT, обученный авторами статьи на ImageNet-1k. Архитектура использует vision transformer с перекрёстным вниманием между признаками разных масштабов. Модель содержит 7 млн параметров; для входного изображения рекомендован размер 240 × 240 пикселей. Также её можно использовать для извлечения визуальных эмбеддингов. Модель подходит для классификации изображений на классы ImageNet-1k и получения признаковых представлений изображений. В метаданных указаны библиотека timm и форматы PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает ограничения по применению или известные недостатки.

Это предобученная модель распознавания лиц ADAFACE IR101 WEBFACE12M, размещённая CVLFace. Она предназначена для извлечения признаковых векторов лица, которые можно использовать для сравнения лиц и распознавания личности. В названии указаны архитектура IR101 и обучающий набор WEBFACE12M; карточка связывает модель с работой «AdaFace: Quality Adaptive Margin for Face Recognition». Репозиторий содержит веса в формате safetensors. Модель принимает изображения лиц и выдаёт векторные признаки для последующей оценки сходства или построения системы распознавания. Карточка просит цитировать исходную статью и соблюдать лицензию обучающего набора данных. Сведения о конкретных ограничениях применения и лицензии весов в предоставленных материалах отсутствуют.

ADAFACE IR101 WEBFACE4M — предварительно обученная модель распознавания лиц из семейства CVLFace. Она предназначена для извлечения признаковых векторов лиц, которые можно использовать для сравнения лиц и построения систем распознавания. Модель связана с работой AdaFace о настройке отступа классификации с учётом качества изображения; в названии указаны архитектура IR101 и обучающий набор WebFace4M. Репозиторий содержит веса в формате safetensors. Лицензия модели и условия лицензии обучающего набора в предоставленных данных не описаны; README просит соблюдать лицензию набора данных. Модель принимает изображения лиц и выдаёт признаки для дальнейшего сравнения. Кейсы применения зависят от качества входных изображений и соблюдения условий использования обучающих данных.

decider-4b — модель принятия решений на основе языковой модели, разработанная Mapika как открытая реализация класса System One. Она принимает состояние и типизированные вопросы с заданными вариантами ответа и за один проход вычисляет распределение вероятностей по вариантам; свободный текст не генерирует. Модель предназначена для вызова из программных систем, например для классификации состояний и выбора действия в играх или браузерных сценариях. В репозитории размещена версия v2.1: плотная текстовая архитектура Qwen3.5-4B с 3,4 млрд параметров по метаданным и контекстом до 262 144 токенов. Веса сохранены в safetensors; модель дообучена в два этапа, включая LoRA, впоследствии объединённую с весами. Базовая модель — Qwen/Qwen3.5-4B-Base. Основной язык — английский; в обучающих данных также присутствовали небольшие многоязычные выборки. Модель показывает результаты на задачах принятия решений, но её оценки уверенности на сложных многошаговых примерах могут быть завышены. В README отмечены ошибки на отдельных тестах и отставание от более крупной версии на некоторых наборах. Для калибровки по типам ответов требуется decider-ai версии 1.4.0 или новее. Лицензия — Apache-2.0.

Hate-speech-CNERG/dehatebert-mono-arabic — модель для выявления разжигающих ненависть высказываний на арабском языке. Её разработчики дообучили многоязычную модель BERT на арабоязычных данных; архитектура классификатора — BertForSequenceClassification, размер — 194,6 млн параметров, контекст — до 512 токенов. Модель предназначена для классификации арабских текстов по признаку hate speech и подходит для анализа пользовательских публикаций и других текстовых сообщений. В README сообщается, что лучший результат на валидации составил 0,877609 при learning rate 2e-5; метрика не уточнена. Доступны версии PyTorch и Flax. Лицензия — Apache-2.0.

Это веса DenseNet121, предварительно обученной на ImageNet модели классификации изображений, подготовленные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Репозиторий содержит веса в формате safetensors; библиотека предназначена для задач компьютерного зрения и сегментации изображений. Модель принимает изображение и предназначена для классификации по категориям ImageNet, а также может служить энкодером при построении моделей сегментации. В карточке не указаны размер весов, длина контекста или поддерживаемые естественные языки. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория.

DistilBERT base cased — англоязычная компактная модель семейства Transformer, разработанная командой DistilBERT путём дистилляции BERT base. Она обучена на BookCorpus и английской Википедии и предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные слова с учётом окружающего контекста. Вариант cased различает прописные и строчные буквы; контекст ограничен 512 токенами. Модель меньше и быстрее BERT и может использоваться как исходная точка для дообучения на задачах классификации последовательностей и токенов, а также ответов на вопросы. Доступны веса в форматах PyTorch, TensorFlow, ONNX и Safetensors. Модель распространяется по лицензии Apache-2.0. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Для задач генерации текста модель не предназначена; для целевых прикладных задач обычно требуется дообучение.

dm_nfnet_f5.dm_in1k — модель семейства NFNet для классификации изображений, обученная авторами работ о Normalization-Free Networks на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Архитектура построена по мотивам ResNet с предварительной активацией, но без слоёв нормализации: вместо них применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит около 377,2 млн параметров; рекомендуемый размер изображения при тестировании — 544 × 544 пикселя. Репозиторий предоставляет веса PyTorch и Safetensors. Модель предназначена для распознавания объектов и других классов ImageNet-1k, а также для получения визуальных признаков и эмбеддингов. Лицензия Apache-2.0 разрешает использование и распространение с соблюдением её условий. Высокая вычислительная стоимость и специализация на классификации ImageNet-1k могут ограничивать применение в системах с малым бюджетом ресурсов или на других наборах классов без дополнительной адаптации.

REPA-E/e2e-qwenimage-vae — VAE для Qwen-Image, разработанный командой REPA-E. Это сквозным образом дообученный автоэнкодер для систем генерации изображений по тексту: он кодирует изображения в латентное представление и декодирует его обратно, чтобы использовать в обучении латентных диффузионных моделей. В README сообщается, что веса оптимизировали 80 эпох на ImageNet-256 с batch size 256 и что модель показала лучшие результаты, чем исходный Qwen-Image-VAE, в нескольких бенчмарках генерации изображений. Модель совместима с библиотекой Diffusers и поставляется в формате safetensors. Для её использования нужны `diffusers` и класс `AutoencoderKLQwenImage`; в карточке указана лицензия MIT. Она предназначена как компонент генеративного конвейера и сама по себе не является полной моделью преобразования изображения по текстовому запросу.

EfficientViT-M1 — модель классификации изображений и извлечения визуальных признаков из семейства EfficientViT, разработанного авторами статьи из MSRA. Модель обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Она содержит около 3 млн параметров и требует примерно 0,2 GMAC на изображение. Модель можно применять для классификации изображений, извлечения карт признаков и получения эмбеддингов в компьютерном зрении. Компактный размер и низкие вычислительные затраты подходят для сценариев, где важны скорость и эффективность. Репозиторий предоставляет веса в форматах PyTorch и safetensors; библиотека для работы с моделью — timm. Лицензия — MIT. Модель обучалась на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. В карточке не приведены сведения о метриках качества или поддержке входных размеров, отличных от 224 × 224.

EOU Detector — модель Simplexphone для определения конца реплики в русскоязычных диалогах колл-центра. Она дообучена на 200 667 диалогах от Qwen2.5-0.5B-Instruct и оценивает вероятность завершения реплики по последнему токену текста, используя обычный языковой словарь без отдельной классификационной головы. Модель предназначена для голосовых помощников, IVR, аналитики колл-центров и диалоговых систем реального времени: по текстовой транскрипции она помогает определить, закончил ли говорящий фразу, чтобы передать её на следующий этап обработки. Архитектура — плотная Qwen2 causal language model с 494 млн параметров и контекстом 32 768 токенов. В README приведена оценка F1 0,851 на выборке из 200 примеров и указаны варианты развёртывания через ONNX Runtime. Модель принимает текст, а не аудио: перед её использованием нужны этапы распознавания речи и, при необходимости, обнаружения голосовой активности. На очень коротких репликах результаты могут быть ненадёжны; обучение ориентировано на русские транскрипты колл-центров, а качество на других языках низкое. Распространяется по лицензии Apache-2.0.

esevovnet57b.ra4e3600r256in1k — модель классификации изображений семейства VoVNet-v2, обученная Ross Wightman в библиотеке timm на ImageNet-1k с использованием рецепта RA4, вдохновлённого MobileNetV4. Она подходит для классификации изображений и может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит 38,6 млн параметров и требует изображений размером 256 × 256 при обучении и 320 × 320 при тестировании. Репозиторий предоставляет веса PyTorch в формате safetensors под лицензией Apache-2.0. Карточка не сообщает об ограничениях качества или поддержке конкретных классов вне обучения на ImageNet-1k.

Fairy2i-W2 — исследовательская 2-битная версия LLaMA 2 7B, разработанная PKU-DS-LAB. Модель преобразует линейные слои исходной вещественной архитектуры в широко-линейную комплексную форму и использует фазовую квантизацию с рекурсивным уточнением остатка. В репозитории указаны 6,6 млрд параметров, архитектура LlamaForCausalLM и контекст 4096 токенов. Модель предназначена для генерации текста с меньшими требованиями к памяти и вычислениям при инференсе. В README заявлены обучение с учётом квантизации на 30 млрд токенов RedPajama и результаты на бенчмарках, близкие к FP16 для LLaMA 2 7B при эффективной точности 2 бита на вещественный параметр. Поддерживаемый язык по метаданным — английский. Это дообучение meta-llama/Llama-2-7b-hf. Для использования применяются библиотека Transformers и специальные файлы загрузки и реализации QAT-слоёв из репозитория. Лицензия — Llama 2 Community License; её условия следует учитывать при распространении и коммерческом применении.

Gemma-SEA-Guard-12B-2602 — модель с открытыми весами, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Это дообученная на 1 млн пар инструкций версия мультимодальной Gemma 3 12B IT: плотная decoder-модель с поддержкой чата и изображений и контекстом 128 тыс. токенов. Модель предназначена для классификации безопасности: на текстовый запрос она должна отвечать меткой «safe» или «unsafe». Она обучена учитывать культурный контекст стран Юго-Восточной Азии; авторы также оценивали классификацию безопасности по тексту и изображению. Модель поддерживает бирманский, английский, индонезийский, малайский, тагальский, тамильский, тайский и вьетнамский языки. Ответы генеративной модели могут быть ошибочными, необоснованными или неуместными, поэтому классификацию следует перепроверять, а результаты не считать окончательным решением без дополнительной проверки человеком. Для использования весов указана лицензия Gemma.

gernet_s.idstcv_in1k — модель семейства GENet (GPU-Efficient Networks) для классификации изображений, реализованная в библиотеке timm на основе настраиваемой архитектуры BYOBNet. Её обучили авторы статьи на ImageNet-1k; модель содержит около 8,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель присваивает изображению класс из набора категорий ImageNet-1k. Её также можно использовать как визуальную основу для извлечения признаковых карт и эмбеддингов изображений. В карточке указаны вычислительная сложность 0,7 GMACs и объём активаций 2,7 млн. Модель предназначена для задач компьютерного зрения общего назначения. Весы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.