II.10Разработка и эксплуатация AI/ML-систем

Это извлечённый аудиоэнкодер из мультимодальной модели Google Gemma 3n E2B IT, опубликованный Atotti. Он построен на архитектуре Gemma3nAudioEncoder, связанной с работой Universal Speech Model (USM); в README отмечено, что его устройство может отличаться от описанного в статье USM. Репозиторий содержит веса в формате safetensors, лицензия — Gemma. Энкодер принимает аудиосигнал и преобразует его в последовательность признаковых представлений. Он предназначен для использования как аудиокомпонент более крупной мультимодальной модели или как основа для задач классификации звука после добавления классификационной головы и дообучения. Самостоятельную транскрипцию речи он не выполняет. Карточка указывает зависимость от Transformers 4.53.0.

facebook/hiera-small-224-hf — модель визуального энкодера Hiera, разработанная Meta и представленная в исследовании Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles. Это компактный иерархический Vision Transformer примерно с 33 млн параметров, дообученный на ImageNet-1K и предназначенный прежде всего для извлечения признаков из изображений. Модель принимает изображение и формирует его векторное представление для последующего использования в компьютерном зрении. Hiera использует иерархическую архитектуру, постепенно уменьшающую пространственное разрешение и меняющую число признаков по слоям. Авторы описывают её как более простую и эффективную альтернативу ряду специализированных визуальных трансформеров; семейство также применяется для классификации изображений и распознавания видео, но данный чекпойнт позиционируется именно как экстрактор признаков. Для работы в Transformers указан формат safetensors. Карточка не сообщает длину контекста, что для этой модели не является типичной характеристикой. Чекпойнт подходит для построения визуальных эмбеддингов и как компонент последующих задач компьютерного зрения. Карточка не приводит подробных ограничений качества или оценки на конкретных сценариях. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

MigoXV опубликовал конверсию потоковой модели Zipformer для обнаружения ключевых слов, разработанной в рамках проекта Icefall от k2-fsa. Репозиторий преобразует исходный чекпойнт PyTorch в формат Transformers и safetensors без переобучения, дообучения, квантизации или изменения весов. Модель содержит около 3,49 млн параметров и распространяется по лицензии Apache License 2.0. Модель предназначена для потокового распознавания заданных ключевых слов в аудио. На вход она принимает готовые 80-мерные Kaldi Fbank-признаки для аудио с частотой 16 кГц; потоковое окно составляет 45 кадров. Это низкоуровневая модель, а не готовый конвейер классификации аудио: построение графа ключевых слов, ресэмплинг, извлечение Fbank-признаков, обработку потоковых фрагментов и beam search должен реализовать вызывающий код. В репозитории есть SentencePiece-модель и таблица ключевых слов. Для загрузки с пользовательским кодом README рекомендует проверять код и фиксировать ревизию репозитория.

IndoBERT Large phase2 uncased — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре BERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для получения контекстных представлений текста и может служить основой для последующей настройки под задачи обработки индонезийского языка. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса для PyTorch, TensorFlow и Flax; лицензия — MIT. Карточка описывает предварительное обучение и извлечение контекстных представлений, но не приводит результатов оценки качества на прикладных задачах.

Inkling-Small-UD-Q4_K_XL-layers — пакет GGUF-слоёв для распределённого запуска модели Inkling-Small через Mesh LLM. Он создан на основе unsloth/Inkling-Small-GGUF: исходное распределение GGUF разделено на артефакты по слоям, чтобы несколько машин могли совместно выполнять инференс. Метаданные указывают поддержку чата и изображений; задача модели — преобразование изображения и текста в текст. Пакет предназначен для локального и приватного инференса, обслуживания модели на нескольких машинах, а также для сценариев чата и completions через локальный API Mesh LLM, совместимый с OpenAI. Для запуска требуется Mesh LLM; README приводит команду запуска узлов в режиме split. Указан вариант квантования UD-Q4_K_XL, однако сведения об архитектуре, размере модели, длине контекста и поддерживаемых языках в доступных данных отсутствуют. Репозиторий лицензирован по Apache-2.0. Это пакет для распределённого исполнения производной модели, а не самостоятельная архитектура. Он наследует ограничения исходной модели; детали качества, шаблона чата и настройки генерации следует сверять с карточкой unsloth/Inkling-Small-GGUF.

Jamba-v0.1 — базовая предварительно обученная языковая модель компании AI21 для генерации текста и разработки специализированных решений. Она построена на гибридной архитектуре Joint Attention and Mamba с механизмом смеси экспертов (MoE). В README указаны 52 млрд параметров суммарно и 12 млрд активных параметров; метаданные Hugging Face указывают 7,2 млрд параметров. Модель работает с контекстом до 256 тысяч токенов и распространяется в формате safetensors через библиотеку Transformers. Модель предназначена для генерации продолжений текста, а также как основа для дообучения под пользовательские сценарии, включая создание чат- и instruct-версий. Архитектура рассчитана на высокую пропускную способность по сравнению с традиционными Transformer-моделями; в README приведены результаты на стандартных бенчмарках. Для оптимизированного запуска требуются CUDA и соответствующие Mamba-ядра; без них задержки значительно выше. Jamba-v0.1 не настроена на выполнение инструкций и диалоговое общение, не содержит встроенных механизмов модерации и требует добавления BOS-токена к запросам. Лицензия — Apache 2.0.

Kimi-K3 DSpark — вспомогательная черновая модель для ускорения авторегрессивной генерации Kimi-K3 методом speculative decoding. Модель разработала lightseekorg на основе Kimi-K3; она обучена с помощью TorchSpec на ответах целевой модели и предназначена для работы в связке с ней, а не как самостоятельный генератор. Архитектура DSpark включает пятислойную MLA-основу, пять точек подключения к скрытым состояниям целевой модели, низкоранговую марковскую голову и голову оценки уверенности. Модель предлагает до семи черновых токенов за шаг; размер составляет 3,7 млрд параметров, формат весов — safetensors, контекст — до 1 048 576 токенов по метаданным. Обучение проводилось на примерно 150 тысячах отобранных и заново сгенерированных примеров, с функцией потерь только по ответам ассистента и последовательностями до 32 тысяч токенов. В обучающую смесь входили инструкции, рассуждения, программирование, использование инструментов, китайские и многоязычные запросы. Модель предназначена для интеграции с Kimi-K3 в TokenSpeed; при запуске нужно соблюдать требования к потоку скрытых состояний attn_res и нормализации fc_norm. В README приведены результаты принятия черновых токенов на нескольких тестах, но показатели зависят от настройки генерации и сервера. Лицензия указана как other, без уточнения условий в предоставленных данных.

smilegate-ai/kor_unsmile — модель классификации текста, опубликованная Smilegate AI и реализованная на архитектуре BERT. Она предназначена для анализа корейских высказываний и выявления ненавистнической речи, оскорблений и чистых высказываний; для категорий ненависти предусмотрена многометочная классификация. Модель содержит 136,3 млн параметров и рассчитана на контекст до 300 токенов. Её можно применять для первичной модерации комментариев и разметки корейского текста по категориям оскорбительной речи. Точность не гарантируется: разработчики датасета отмечают, что разметка может содержать ошибки, а качество классификации различается между категориями. Базовая модель и лицензия отдельно для весов в карточке модели не указаны. В материалах разработчика baseline-модель UnSmile опубликована под Apache 2.0; лицензия датасета CC-BY-NC-ND 4.0 относится именно к датасету.

LFM2.5-230M-Base — компактная базовая языковая модель Liquid AI из семейства гибридных архитектур LFM2.5, предназначенная для локального развёртывания и последующего дообучения. Модель содержит 221,2 млн параметров; в карточке описана архитектура из 14 слоёв: 8 блоков свёртки LIV с двойным гейтингом и 6 блоков GQA. Для работы с моделью указана библиотека Transformers и формат весов Safetensors. Модель принимает и генерирует текст на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Карточка описывает контекст в 32 768 токенов, тогда как метаданные каталога указывают native context в 128 000 токенов. Базовый чекпойнт предназначен для интенсивного дообучения: создания языковых или предметных ассистентов, адаптации на частных данных и экспериментов с постобучением; для обычного диалога предусмотрена отдельная instruction-tuned версия. Модель может быть полезна для локальных приложений с ограниченными ресурсами и специализированных текстовых ассистентов, но базовый чекпойнт не настроен на выполнение инструкций без дополнительного дообучения. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория.

LFM2.5-2.6B-DSpark — вспомогательная модель-черновик Liquid AI для ускорения генерации текста основной моделью LiquidAI/LFM2.5-2.6B с помощью speculative decoding. Черновик предлагает блоки токенов, которые целевая модель проверяет; итоговый текст остаётся таким, каким его сгенерировала бы целевая модель без ускорения. В SGLang авторы сообщают об ускорении декодирования примерно в 2,6 раза, также заявлена работа на устройствах Apple Silicon через Metal. Архитектура включает пять слоёв полного внимания, блок размера 9, словарь из 128 000 токенов, Markov head и confidence head. В README указано 327,7 млн параметров черновика в BF16; метаданные репозитория приводят общее число 503,3 млн параметров. Модель предназначена для совместного запуска с целевой LFM2.5-2.6B через сборку SGLang с поддержкой DSpark; самостоятельно как обычная генеративная модель не описана. Контекстная длина в метаданных указана как 128 000 токенов. Для speculative decoding заявлена точная проверка предложенных токенов целевой моделью, однако фактическое ускорение и доля принятых токенов зависят от задачи и оборудования. Репозиторий распространяется по лицензии с меткой other; конкретные условия следует сверить с файлами лицензии модели и базовой модели.

MAGE — модель семейства Longformer для классификации текста, предназначенная для выявления машинно-сгенерированных текстов в реальных условиях. Она разработана для задачи определения происхождения текста и представлена в виде модели классификации последовательностей на базе Transformers и PyTorch. Модель содержит 151,8 млн параметров и поддерживает контекст до 4098 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка называет задачу обнаружения машинно-сгенерированного текста, но не приводит подробностей об обучающих данных, перечне языков и точности. Классификатор может ошибаться на текстах, отличающихся от тех, на которых его обучали.

MATPAC++ — аудиоэнкодер для получения представлений звука, разработанный авторами проекта MATPAC. Эта версия обучена на наборе AudioSet и предназначена для извлечения эмбеддингов общего аудио, которые можно использовать в последующих задачах классификации и анализа звука. Модель использует архитектуру ViT-Base с 12 слоями и размерностью 768. Она принимает монофоническое аудио с частотой дискретизации 16 кГц, преобразованное в логарифмические мел-спектрограммы, и выдаёт эмбеддинги размерностью 3840. Для классификации на конкретных наборах задач требуются отдельные веса линейных проб, которые не входят в этот энкодер. Репозиторий содержит порт для Transformers с `trust_remote_code`; для запуска нужны дополнительные зависимости `torchaudio`, `einops` и `timm==0.4.12`. Модель распространяется по лицензии Apache-2.0. Она предназначена для представления аудио, а не для распознавания речи или генерации звука; качество на конкретной задаче зависит от подходящей downstream-модели или обученной линейной пробы.

MaxViT-Base TF 512 — модель классификации изображений семейства MaxViT, обученная авторами оригинальной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Её можно использовать для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Архитектура MaxViT сочетает блоки MBConv со слоями self-attention по оконным и сеточным областям. Модель содержит около 119,9 млн параметров и рассчитана на входные изображения размером 512 × 512 пикселей. Для работы с изображениями она может служить классификатором или визуальным backbone. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на иных наборах и специализированных задачах может отличаться. Лицензия репозитория — Apache-2.0.

FreedomIntelligence/medical_o1_verifier_3B_Qwen2.5 — медицинская модель-верификатор на основе Qwen2.5-3B-Instruct, разработанная FreedomIntelligence. Она оценивает правильность ответов языковых моделей на проверяемые медицинские задачи и может использоваться для проверки результатов медицинских рассуждений. Модель построена на плотной архитектуре Qwen2 с классификационной головой Qwen2ForSequenceClassification, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README заявлена поддержка английского и китайского языков. Модель дообучена на наборе FreedomIntelligence/medical-o1-verifiable-problem и распространяется в формате safetensors под лицензией Apache-2.0. Она предназначена для оценки корректности ответов, а не для самостоятельной постановки диагноза или замены медицинского специалиста.

MiniCPM5-1B-Agentic-Tooluse-GGUF — компактная текстовая генеративная модель семейства MiniCPM5, основанная на openbmb/MiniCPM5-1B и дообученная с применением адаптера ewinregirgojr/MiniCPM5-1B-Agentic-Tooluse-QLoRA-v2. Репозиторий подготовлен ewinregirgojr в формате GGUF и содержит варианты F16, Q8_0 и Q4_K_M. Модель предназначена прежде всего для агентных сценариев и вызова внешних инструментов или функций. Она формирует XML-вызовы вида function с именем инструмента и параметрами, поэтому подходит для интеграции с рантаймами, способными передавать схему доступных инструментов, разбирать вызов, выполнять функцию и возвращать результат в новом сообщении. Рекомендуется использовать детерминированное декодирование, останавливать генерацию после первого полного вызова и проверять имя и аргументы по схеме. Ключевые характеристики — размер около 1 млрд параметров, текстовая модальность и поддержка запуска через llama.cpp; также описана экспериментальная интеграция с vLLM. Для локального использования рекомендуется Q4_K_M как компромисс между размером и скоростью, Q8_0 обеспечивает более высокую точность, а F16 предназначен для максимальной точности и эталонной конвертации. В README не указаны поддерживаемые языки и размер контекстного окна. На внешней выборке из 300 примеров модель показала высокую долю разбираемых вызовов инструментов — 99,33%, корректных доступных имён — 97%, ожидаемых имён — 92,67%, при точном совпадении аргументов в 65,33% случаев. При этом чистая остановка генерации отмечена только в 15% случаев, а оценивание проводилось на исходной объединённой модели, не отдельно для каждой GGUF-квантизации. Лицензия обозначена как other; конкретные условия в README не приведены, поэтому перед использованием необходимо проверить лицензионные ограничения исходной и производной моделей.

MiniCPM5-2B-Claude-Fable5 — чат-модель с архитектурой Llama, полученная дообучением openbmb/MiniCPM5-2B на диалогах с трассами агентных действий из saidutta69/fable-5-premium-v2; данные включают примеры, дистиллированные из Claude Fable-5 и других передовых моделей. Модель содержит 2,2 млрд параметров, доступна в формате safetensors и рассчитана на контекст до 131 072 токенов. LoRA-адаптеры объединены с весами fp16, поэтому модель загружается как обычная причинная языковая модель. Модель предназначена для прототипирования разговорных агентов, следующих многошаговым инструкциям и вызывающих инструменты. В первую очередь она рассчитана на английский и китайский языки. Указанная лицензия — Apache-2.0. Оценка релиза ограничена снижением validation loss на 347 диалогах; прикладных бенчмарков не проводили. Модель может выдумывать факты, инструменты и аргументы вызовов; длинные агентные эпизоды ограничены обучением на последовательностях, усечённых до 2048 токенов. Специальное red-teaming не проводилось, поэтому модель не предназначена для высокорисковых решений или автономных действий без надзора.

navodPeiris/minilm-toxic-spam-classifier — лёгкая модель для модерации текстового контента, разработанная на базе MiniLMv2-L6-H384, дистиллированной из BERT-Large. Модель дообучена с использованием focal loss и классифицирует текст по трём классам: safe — безопасный контент, toxic — токсичные высказывания, угрозы, язык ненависти и оскорбления, spam — нежелательные рекламные сообщения, мошеннические и фишинговые попытки. Поддерживается английский язык; применение на других языках не тестировалось. Архитектура включает 6 слоёв, скрытое представление размерностью 384, около 22 млн параметров и линейную классификационную голову на 3 класса. Максимальная длина последовательности составляет 512 токенов. Модель поставляется в формате ONNX и оптимизирована для быстрого вывода на CPU, поддерживает ONNX Runtime и Transformers.js. На заявленном тестовом наборе точность, macro-F1 и weighted-F1 составили 0,96. Для принятия результата рекомендуется использовать порог уверенности 0,9. Модель подходит для предварительной фильтрации пользовательских сообщений, выявления токсичности и спама в комментариях, чатах, формах обратной связи и электронной почте. Она может хуже распознавать скрытую или неоднозначную токсичность, а также путать резкую критику продукта с личными нападками, поэтому не предназначена для сложного и нюансированного контроля соответствия контента политикам. Лицензия — Apache 2.0.

mapo80/mmbert-small-aliasit-32k — это компактный мультиязычный энкодер на архитектуре ModernBERT, созданный на основе jhu-clsp/mmBERT-small. Разработчик сократил словарь токенизатора до 32 768 токенов по сбалансированной выборке документов на шести языках, уменьшив число параметров с 140,9 млн до 55 млн. Модель поддерживает контекст до 8 192 токенов и распространяется в формате safetensors по лицензии MIT. Это стартовый backbone для последующего дообучения, в частности для извлечения персональных данных из итальянских текстов. Сам чекпойнт не обучен распознавать PII и не является готовой моделью NER: README описывает его как основу для aliasit-pii-edge. Сокращённый словарь сохраняет 98,088% токенов обучающей выборки; для структурированных идентификаторов после сокращения может возрастать фрагментация. Карточка Hugging Face указывает задачу fill-mask, однако основное заявленное назначение чекпойнта — служить backbone для токен-классификатора.

Это слегка изменённая версия MPT-30B от автора jondurbin, подготовленная для совместимости с кодом обучения QLoRA. Изменения позволяют использовать gradient checkpointing и другие функции обучения; сама модель предназначена прежде всего для дообучения MPT-30B с помощью QLoRA, а не описывает отдельную пользовательскую специализацию.

Nemotron 3.5 ASR Streaming 0.6B LiteRT — это общественная конверсия модели NVIDIA Nemotron 3.5 ASR Streaming 0.6B, выполненная spybyscript. Дополнительное обучение или дообучение не проводилось. Модель предназначена для потокового автоматического распознавания речи и поставляется не как единая готовая модель, а как набор из 31 графа LiteRT в формате TFLite, манифеста состояний, словаря и материалов для проверки соответствия. Для интеграции приложение должно самостоятельно реализовать разбиение аудио на фрагменты, управление кэшами состояний и жадное RNN-T-декодирование. Поддерживаются варианты FP32, FP16 и частично квантованный INT8. Модель использует потоковую архитектуру RNN-T с FastConformer; заявленный размер базовой модели — 0,6B параметров. Исходная модель мультиязычная, однако для этой конверсии проверена только конфигурация en-US с prompt ID 0 и размером аудиофрагмента 560 мс. Поддержка других языков, автоматического определения языка и иных размеров фрагментов не подтверждена. В небольших тестах на Samsung S23 Ultra FP32 и FP16 показали WER 2,99% на 569 словах, а INT8 — 3,87%. Измеренный коэффициент реального времени составил 0,607 для FP32, 0,553 для FP16 и 0,416 для INT8 в основном тесте, то есть все варианты работали быстрее реального времени в этих условиях. INT8 уменьшает вычислительные затраты и объём памяти, но добавляет ошибки и не проходит исходную проверку точного совпадения токенов. Тесты ограничены чистой английской речью и не характеризуют работу в шуме, на разных акцентах, в других предметных областях, при длительной записи с микрофона или совместно с TTS/LLM. Распространение регулируется лицензией OpenMDW-1.1; при перераспределении необходимо сохранять лицензию и соответствующие уведомления об источнике. Это неофициальный релиз NVIDIA или Google, а его использование требует собственной реализации интеграционного слоя.

ashishupadhyay/NSFW_DETECTION — модель компьютерного зрения для классификации изображений по наличию контента NSFW. Она основана на Vision Transformer (ViT) с архитектурой google/vit-base-patch16-224-in21k и дообучена для выявления материалов, не предназначенных для просмотра на работе. В модели 113,2 млн параметров; она принимает изображения и возвращает классы с оценками уверенности. Модель предназначена для модерации изображений и фильтрации потенциально откровенного контента. В карточке указаны точность 98,04% и оценочная ошибка 0,07463; эти показатели относятся к использованной авторами оценке и не гарантируют аналогичный результат на других данных. Модель специализирована на обнаружении NSFW, а качество может зависеть от качества и представительности входных изображений. Лицензия — MIT.

Ateeqq/nsfw-image-detection — модель классификации изображений, созданная дообучением Google SigLIP 2 Base Patch16-224 на пользовательском наборе данных из трёх категорий. Она относит изображение к одному из классов: насилие и кровопролитие, нагота и порнография, безопасный обычный контент. Модель предназначена для модерации изображений и фильтрации контента в системах безопасности. Модель использует архитектуру SigLIP и библиотеку Transformers; для весов указан формат safetensors. В README приведены результаты обучения до пятой эпохи и пример предсказания с оценками уверенности. Лицензия — Apache-2.0. Описание не приводит сведений о точности на независимых данных, поэтому метрики из карточки не гарантируют аналогичное качество в других сценариях.

Nucleus-22B-token-500B — базовая авторегрессионная языковая модель с плотной архитектурой Llama и декодером только для причинной генерации, разработанная Nucleus.AI. В репозитории указано 22 млрд параметров; метаданные Hugging Face уточняют размер до 21,6 млрд. Модель обучена на 500 млрд токенов, преимущественно английских веб-данных RefinedWeb, а также книг, кода и других отобранных корпусов. Её контекст составляет 2048 токенов. Модель предназначена для исследований и как основа для дообучения под генерацию текста, суммаризацию и диалоговые сценарии. Это предварительно обученная модель без специальной настройки для большинства прикладных задач, поэтому ответы могут требовать адаптации и проверки. Она рассчитана на английский язык; обучение на веб-данных также может отражать распространённые в них стереотипы и смещения. Доступна по лицензии MIT.

giangndm/omniASR-CTC-300M-encoder — отдельный аудиоэнкодер, извлечённый из facebook/omniASR-CTC-300M и представленный в формате SafeTensors с точностью bfloat16. Модель совместима с Wav2Vec2Model и AutoModel из Hugging Face Transformers и не требует Fairseq2. Энкодер предназначен для преобразования аудиосигнала в плотные акустические представления. Архитектура включает 24 слоя Transformer/Conformer с 16 головами внимания, размер скрытого состояния 1024 и FFN размером 4096; семислойный свёрточный экстрактор уменьшает временное разрешение аудио в 320 раз, выдавая представления с частотой 50 кадров в секунду. В метаданных указано 402,7 млн параметров. Репозиторий содержит только аудиоэнкодер, поэтому сам по себе он не выдаёт текст транскрипции и требует дополнительной CTC-головы или другого декодера для распознавания речи. Модель основана на facebook/omniASR-CTC-300M и обучена на датасете facebook/omniASR; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

One-for-all Toxicity v3 — модель классификации текста, разработанная AIstrova Technologies Inc. Это дообученная BertForSequenceClassification на базе bert-base-multilingual-cased с 205,1 млн параметров. Она предназначена для выявления токсичности в тексте и модерации пользовательских сообщений. Автор сообщает, что добавил вручную размеченные примеры к обучающим данным Toxi Text 3M, поскольку обучение только на этом наборе хуже классифицировало короткие тексты. Модель использует PyTorch и принимает текст длиной до 512 токенов; в карточке перечислены языковые теги для многих языков, включая русский и английский. Распространяется по лицензии CC BY 4.0 с требованием указывать авторство AIstrova Technologies Inc.

OS-Copilot_OS-Shepherd-9B-GGUF — квантизированная версия мультимодальной модели OS-Shepherd-9B, подготовленная bartowski в формате GGUF для llama.cpp. Модель разработана OS-Copilot и ориентирована на сценарии computer use: оценку траекторий взаимодействия с компьютером, анализа действий и визуально-текстовых данных, а также задач, связанных с reward modeling и trajectory evaluation. Модель содержит 9 млрд параметров и поддерживает текстовый и графический ввод; для работы с изображениями требуется отдельный файл mmproj. Заявлена поддержка английского языка. Контекстный размер, конкретная архитектура и дополнительные характеристики базовой модели в предоставленных данных не указаны. Доступны варианты от BF16 до различных квантовок, включая Q4_K_M размером 5,91 ГБ, который рекомендуется как сбалансированный по качеству и требованиям к памяти. К сильным сторонам относятся мультимодальность, специализация на оценке компьютерных действий и широкий выбор квантовок для запуска на системах с разным объёмом памяти. Более компактные варианты могут снижать качество, а для использования изображений необходимо корректно подключить mmproj-файл. Модель распространяется по лицензии Apache-2.0; данный репозиторий содержит именно квантизированные веса базовой модели OS-Copilot/OS-Shepherd-9B.

tarekziade/pardonmyai-tiny — компактная модель классификации текста, дообученная на базе TinyBERT для обнаружения ненормативной лексики. Она предназначена для фильтрации сообщений и предварительной модерации пользовательского текста. Модель использует архитектуру BERT и содержит 15,6 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса в форматах Safetensors и ONNX. В README приведены метрики оценки: accuracy 0,9633, precision 0,9378, recall 0,8746, F1 0,9051 и AUC-ROC 0,9892. Модель выпущена под лицензией Apache-2.0. Карточка описывает обнаружение ненормативной лексики, но не уточняет поддерживаемые языки; качество может зависеть от языка, контекста и принятого определения ненормативной лексики.

parsawar/profanity_model2.0 — модель классификации текста, опубликованная пользователем parsawar на Hugging Face. Она предназначена для обнаружения ненормативной лексики в текстах на Hindi, Hinglish и English. Модель использует архитектуру DistilBERT и реализует задачу text classification. Согласно метаданным, она содержит около 67 млн параметров, работает с контекстом до 512 токенов и распространяется в формате Safetensors с типом тензоров F32. Для применения доступна через библиотеку Transformers. Модель подходит для модерации пользовательского контента, фильтрации сообщений и предварительного выявления нецензурной лексики. В карточке модели не приведены подробные сведения о датасете, метриках качества и лицензии, поэтому точность на конкретных доменах и условия использования следует проверять отдельно.

PVT-v2 B4 — модель компьютерного зрения семейства Pyramid Vision Transformer, обученная авторами статьи для классификации изображений на ImageNet-1k. Она также подходит как базовая сеть для извлечения признаков и карт признаков, а также получения векторных представлений изображений. Модель содержит 62,6 млн параметров, имеет вычислительную сложность 10,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и SafeTensors; модель предназначена для использования с библиотекой timm. Модель распознаёт объекты по изображениям общего назначения и может служить визуальным backbone в последующих задачах компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество не обязательно соответствуют специализированным предметным областям. Лицензия — Apache-2.0.

Qwen1.5-72B — базовая плотная авторегрессионная языковая модель из серии Qwen1.5, разработанной командой Qwen. Это бета-версия Qwen2 на архитектуре Transformer decoder-only; модель содержит около 71 млрд параметров и рассчитана на генерацию текста. В карточке заявлена поддержка контекста до 32 768 токенов и многоязычность, а метаданные указывают английский язык. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Модель подходит для продолжения предобучения и постобучения, например SFT или RLHF, а также для исследовательских экспериментов с генерацией текста. Разработчик не рекомендует использовать базовую версию для непосредственной генерации; для диалогового применения предпочтительна выровненная chat-версия. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.