II.10Разработка и эксплуатация AI/ML-систем

hyper-accel/tiny-random-qwen2 — небольшая модель генерации текста семейства Qwen2, доступная для использования через библиотеку Transformers. По метаданным модель содержит около 84,1 млн параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для экспериментов, тестирования конвейеров text-generation и проверки совместимости инструментов с архитектурой Qwen2. Размер модели облегчает локальный запуск и интеграционные тесты, однако README не содержит сведений о разработчике, обучающих данных, результатах оценки, поддерживаемых естественных языках или лицензии. README также не описывает прикладную специализацию и рекомендации по использованию. Поэтому модель не следует считать готовым решением для продуктивной генерации текста без предварительной проверки качества и поведения на целевых данных.

akahana/tiny-roberta-indonesia — компактная модель семейства RoBERTa, предназначенная для извлечения признаков из текста на индонезийском языке. В карточке показаны применение как masked language model для заполнения пропусков и использование через конвейер feature-extraction. Модель содержит около 803,8 тыс. параметров и поддерживает контекст длиной до 256 токенов. Модель принимает текст и выдаёт векторные представления токенов или текста. Она может служить основой для получения признаков в NLP-задачах на индонезийском языке. Доступна в форматах PyTorch, Safetensors и TensorFlow; лицензия — MIT.

ToolWeave Stage 1 — экспериментальный чекпойнт для обучения и применения многошаговых агентов, которые взаимодействуют с инструментами. Модель разработана как первый этап проекта ToolWeave на базе Qwen3-4B-Instruct; архитектура — плотная авторегрессионная Qwen3ForCausalLM, размер — 3,7 млрд параметров. Она предназначена для стабильного формирования совместимых с парсерами вызовов инструментов и взаимодействия со средой BFCL в несколько ходов. Внутренняя проверка проекта на 400 примерах использовала детерминированное декодирование; авторы уточняют, что это не официальный результат таблицы лидеров BFCL. Модель распространяется в формате safetensors для Transformers и поддерживает контекст до 40 960 токенов. В метаданных указана лицензия отсутствует; условия использования следует сверить на странице репозитория.

ToxiGuardrail — англоязычная модель классификации текста, созданная Nicholas Kluge дообучением RoBERTa для оценки токсичности и потенциального вреда предложения. Она различает примеры вредоносной и безвредной речи и предназначена для фильтрации пользовательского текста и работы в составе систем модерации или защитных механизмов. Модель использует архитектуру RoBERTa для классификации последовательностей; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. Для обучения использован набор Harmful-Text Dataset. В README приведены точности 92,05% на wiki_toxic и 91,63% на toxic_conversations_50k. Модель рассчитана на английский язык. Показатели из README относятся к указанным наборам данных и сами по себе не гарантируют качество на иных типах текстов. Лицензия — Apache-2.0.

ViHateT5-base-HSD — модель семейства T5, разработанная для выявления языка ненависти во вьетнамских текстах. Это дообученная версия ViHateT5-base, обученная на нескольких вьетнамских наборах данных для обнаружения языка ненависти. Модель принимает текст и выполняет классификацию; она представлена как модель text-classification на базе PyTorch, с 123,7 млн параметров и контекстом до 512 токенов. Модель предназначена для анализа пользовательских публикаций и другого вьетнамского текста на предмет языка ненависти. В README отмечено, что примеры в связанной научной работе взяты из социальных сетей и могут содержать токсичный или оскорбительный контент. README просит цитировать работу при публикации результатов или интеграции модели в программное обеспечение. Сведения о лицензии в предоставленных данных отсутствуют.

Villanova-2B-Base-2603 — базовая языковая модель семейства Villanova, разработанная проектом VillanovaAI. Это декодерный трансформер архитектуры Llama с 2,4 млрд параметров; модель обучена с нуля на 4,4 трлн токенов и принимает контекст до 32 768 токенов. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель предназначена для продолжения текста и как основа для последующего дообучения и настройки под задачи. Она рассчитана прежде всего на английский, немецкий, испанский, французский и итальянский языки; частичная поддержка других языков и кода не гарантирует сопоставимого качества. Модель компактна для тонкой настройки и развёртывания при ограниченных ресурсах, а среди описанных сценариев обучения — работа с текстом, математикой и кодом. Это не instruction-tuned модель: сама по себе она не предназначена для диалогового следования инструкциям; для чата авторы указывают отдельную instruct-версию Villanova-2B-2603. В README приведена оценка на тестах длинного контекста RULER при 32k токенов, но результат не гарантирует качества для конкретных прикладных задач.

Arm/vit-base-int8-xnnpack-executorch — INT8-квантизированная версия модели google/vit-base-patch16-224, разработанной Google Research и оптимизированной Arm для систем Edge Linux. Модель предназначена для классификации изображений и поставляется в формате ExecuTorch .pte для запуска на Arm-платформах с CPU-бэкендом XNNPACK и KleidiAI. Модель использует архитектуру Vision Transformer (ViT) с входным разрешением 224×224 пикселя. Применяется динамическая постобучающая квантизация INT8: веса имеют симметричную поканальную квантизацию, а масштабы активаций вычисляются во время инференса, поэтому калибровочные данные не требуются. В README не указаны дополнительные модальности или языковые характеристики, поскольку модель работает с изображениями. На Raspberry Pi 5 модель показала задержку p50 378,139 мс, производительность 2,64 кадра в секунду, размер 83,926 МБ и пиковое потребление памяти 110,05 МБ. Точность на ImageNet-1k составила 81,50% Top-1 и 96,06% Top-5, практически без снижения относительно исходной модели. Сильные стороны модели — уменьшенный размер, более низкая задержка и существенно меньшее потребление памяти по сравнению с базовой FP32-версией, что делает её подходящей для локального инференса на периферийных Arm-устройствах. Приведённые показатели зависят от конкретной аппаратной конфигурации и не гарантируют такую же производительность на других системах; перед промышленным использованием модель рекомендуется проверить на собственных данных. Лицензия — Apache-2.0.

vit_base_patch32_224.sam_in1k — модель Vision Transformer (ViT) для классификации изображений, доступная в библиотеке timm. Её обучили на ImageNet-1k с использованием Sharpness-Aware Minimization (SAM). Модель содержит 88,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; также её можно использовать как backbone для извлечения признаковых представлений изображений. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений в приложениях компьютерного зрения. В README приведены ссылки на исследования о Vision Transformer и обучении с SAM. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Ограничение: модель обучена на ImageNet-1k, поэтому её классификация ориентирована на соответствующие классы и распределение изображений.

Это модель Vision Transformer (ViT) для классификации изображений и использования в качестве визуальной основы для извлечения признаков. Её обучили авторы исследования «How to train your ViT?» на ImageNet-1k с дополнительной аугментацией и регуляризацией, первоначально на JAX; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Модель содержит 22,1 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и выполняет около 4,3 GMACs. Её можно применять для классификации изображений ImageNet-1k и как основу для извлечения визуальных признаков. Карточка не приводит результатов метрик качества и не описывает ограничения за пределами целевого набора данных.

LeBenchmark/wav2vec2-FR-7K-large — предварительно обученная модель wav2vec 2.0, выпущенная проектом LeBenchmark. Это крупная плотная модель с 402,7 млн параметров, обученная на 7,6 тыс. часов французской речи, включая спонтанную, прочитанную и транслируемую речь. Модель создаёт акустические представления речи и предназначена для извлечения признаков, которые можно использовать в системах распознавания речи, распознавания говорящего и разделения источников звука. Модель можно дообучать для распознавания речи с CTC через Fairseq или применять как замороженный кодировщик признаков в SpeechBrain; также описано экспериментальное дообучение вместе с последующей задачей. Карточка предупреждает, что результаты преобразования речи в текст с CTC не обязательно будут передовыми. Модель распространяется по лицензии Apache-2.0; при этом наборы данных и бенчмарки могут зависеть от корпусов с ограниченной доступностью.

Это акустическая модель распознавания речи на базе Wav2Vec 2.0 Large LV-60, подготовленная Qiantong Xu, Alexei Baevski и Michael Auli и дообученная на многоязычном Common Voice. Модель имеет архитектуру Wav2Vec2ForCTC и около 403,1 млн параметров; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность фонетических меток для нескольких языков. Её используют для фонемного распознавания, в том числе при переносе между языками; чтобы получить слова, выходные метки нужно преобразовать с помощью словаря соответствий фонем и слов. Карточка описывает именно фонетический выход, поэтому готовую орфографическую транскрипцию модель напрямую не гарантирует.

Модель comodoro/wav2vec2-xls-r-300m-sk-cv8 разработана на основе facebook/wav2vec2-xls-r-300m и дообучена на обучающей и валидационной выборках Common Voice 8.0. Это аудиомодель распознавания речи на архитектуре Wav2Vec2 с выходной головой CTC; в репозитории представлены веса PyTorch, число параметров — около 402,7 млн. Модель предназначена для автоматической транскрипции речи на словацком языке. Её можно применять для распознавания записей речи и оценки систем ASR на тестовой части Common Voice 8.0 с конфигурацией sk. В README приведены WER около 0,496 и CER около 0,133 на оценочной выборке. Модель распространяется по лицензии Apache-2.0. В опубликованной оценке ошибка распознавания заметная, поэтому качество транскрипции может быть ограниченным; оценка дана на конкретном тестовом наборе Common Voice и не гарантирует качество на иных условиях записи или тематиках.

hezarai/word2vec-cbow-fa-wikipedia — модель векторных представлений персидских слов, разработанная Hezarai. Она обучена алгоритмом CBOW на данных Википедии и предназначена для извлечения эмбеддингов слов для задач обработки персидского текста. Модель можно использовать как основу для поиска семантически близких слов и других NLP-сценариев, которым нужны векторные представления слов. Для работы автор предлагает библиотеку Hezar. Данные о размере вектора и условиях лицензии в предоставленных источниках отсутствуют.

caeher/xlm-roberta-base-b2-sv — базовая модель XLM-RoBERTa, дообученная разработчиком caeher для многоклассовой классификации испаноязычных текстов на четыре категории: нейтральный текст, оскорбительная речь, язык ненависти и угрозы или насилие. Модель предназначена для анализа публикаций в социальных сетях и служит базовым вариантом для сравнения с моделями, специально обученными на таком языке. Это плотная модель XLM-RoBERTa для классификации последовательностей с 305,2 млн параметров и контекстом до 514 токенов; в описанном эксперименте длина входа ограничивалась 128 токенами. На тестовой выборке указаны macro-F1 0,7949 и accuracy 0,7957, а результаты состязательных и целевых проверок показывают, что качество зависит от формулировок и условий применения. Модель принимает текст и выдаёт метку класса с оценкой. Лицензия — MIT.

Ateeqq/ai-vs-human-image-detector — модель классификации изображений, дообученная на базе SigLIP 2 для различения изображений, созданных ИИ, и изображений, созданных человеком. Для обучения использовалось по 60 000 изображений каждого типа; в карточке сообщается точность 99,23% и F1 99,23% на тестовом наборе. Модель подходит для предварительной проверки изображений в пользовательских загрузках, модерации и исследовательского анализа происхождения изображений. Модель использует архитектуру SigLIP для классификации изображений и распространяется в формате Safetensors через Transformers. В README пользователи сообщают о случаях переобучения, поэтому результаты на тестовом наборе не гарантируют такую же точность на новых источниках изображений. Лицензия — Apache-2.0.

Barbet 1B Structured SFT — это дообученная OpenFormosa модель на 1 млрд параметров с плотной смешанной архитектурой attention/Mamba и 29 слоями. Она обучена за одну эпоху полного параметрического SFT на 980 тыс. примеров набора voidful/barbet-sft и предназначена как текстовая основа для последующего обучения систем обработки кандидатов распознавания речи, чтения текста для синтеза речи, OCR и перевода. Поддерживает китайский и английский языки. Заявленный предел контекста — 1 048 576 токенов, однако эта версия отдельно не подтверждала качество на таком объёме; максимальный обучающий пример содержал 168 442 токена. На структурированных запросах из синтетического обучающего распределения модель хорошо соблюдала формат и правильно выдавала поля решения и свидетельств в проведённых проверках. Это не означает, что она сама распознаёт аудио, синтезирует речь или видит изображения: обучение было только на текстовых данных, поэтому для таких сценариев нужны нижестоящие кодировщики или декодировщики. Свободные инструкции в небольшой проверке не выполнялись надёжно; также отмечено ухудшение показателей на коде и математике. Уверенность в ответах основана на синтетическом априорном распределении и не является откалиброванной вероятностью. Весам и сопутствующим материалам этой версии назначена лицензия Apache-2.0; сторонние компоненты и отдельно опубликованный датасет могут иметь собственные условия. Для применения рекомендуется использовать предусмотренный загрузчик с сохранением точности параметров Mamba.

Это базовая японская модель BERT с токенизацией на уровне символов, разработанная группой cl-tohoku NLP. Она предварительно обучена на японских текстах Википедии и предназначена для заполнения пропусков в тексте и использования в качестве основы для задач обработки японского языка. Сначала текст разбирается морфологическим анализатором MeCab с IPA-словарём, затем токены делятся на символы; размер словаря составляет 4000. Архитектура соответствует BERT base: 12 слоёв, размер скрытого представления 768 и 12 голов внимания; модель содержит около 116,3 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса PyTorch, TensorFlow и Flax. Обучение выполнено на японской Википедии по состоянию на 1 сентября 2019 года. Лицензия — CC BY-SA 4.0.

Модель разработал Jaime Guimarães (UFMG): это дообученная версия neuralmind/bert-base-portuguese-cased для определения конца реплики в диалогах на бразильском португальском. Она использует BERT и классификатор последовательностей с двумя метками: LABEL_1 означает, что фраза, вероятно, завершена, а LABEL_0 — что пользователь может продолжить её. Модель предназначена для разговорных агентов, которым нужно решать, когда передавать сообщение основной языковой модели или отправлять ответ. Модель содержит 136,1 млн параметров, принимает текст длиной до 512 токенов и выдаёт метку класса с оценкой уверенности. В README указана задержка CPU около 15–30 мс; приведённая целевая метрика F1 — 0,85 на отложенной выборке. Для обучения использовались диалоги бразильской клиентской поддержки, дополненные искусственно усечёнными репликами и короткими разговорными примерами. Модель распространяется по лицензии MIT. Её можно использовать для буферизации сообщений до завершения мысли, адаптивного ожидания ввода и маршрутизации реплик в разговорном агенте. Оценка завершённости зависит от обучающих данных и эвристик их подготовки, поэтому результат следует проверять на целевых сценариях, особенно при нестандартных стилях общения.

Модель Command Generator разработана Rasa Technologies для Dialogue Understanding в ассистентах на основе подхода CALM. Она принимает транскрипт текущего разговора и структурированное описание бизнес-логики ассистента, а затем генерирует короткую последовательность команд из заданной грамматики Rasa: например, запуск потока, заполнение или исправление слотов, уточнение намерения, передачу оператору либо выбор ответа на основе знаний. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров и контекстом до 131 072 токенов; поддерживаемый язык — английский. Модель предназначена для использования внутри CALM-ассистентов, включая чат-боты, голосовых помощников и IVR, и не генерирует произвольные ответы для конечного пользователя. Она дообучена на демонстрационном наборе команд Rasa; результаты оценки в карточке не приведены, а качество на языках, кроме английского, не проверялось. Лицензия — Apache 2.0.

ConvNeXT Large — свёрточная модель компьютерного зрения, обученная на ImageNet-1k для классификации изображений с разрешением 384×384 пикселя. Архитектуру разработали Liu и соавторы; модель впервые опубликована в этом репозитории, а карточку подготовила команда Hugging Face. Модель использует чистую сверточную архитектуру ConvNet, дизайн которой модернизирован с оглядкой на Vision Transformers и Swin Transformer. Она присваивает входному изображению один из 1000 классов ImageNet-1k и подходит как готовый классификатор или отправная точка для дообучения под другие задачи компьютерного зрения. Доступны веса PyTorch, SafeTensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. Карточка описывает применение для классификации изображений; другие задачи требуют подходящей дообученной версии.

ConvNeXt-V2 Atto — компактная сверточная модель классификации изображений из библиотеки timm. Она разработана авторами семейства ConvNeXt-V2 и предварительно обучена методом FCMAE, затем дообучена на ImageNet-1k. Веса содержат около 3,7 млн параметров; модель рассчитана на изображения 224 × 224 при обучении и 288 × 288 при оценке. Модель присваивает изображению классы ImageNet-1k и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Компактный размер и вычислительная стоимость около 0,6 GMAC делают её подходящей для классификации изображений и построения лёгких компьютерно-зрительных конвейеров. Карточка приводит результаты сравнения моделей, но не отдельные метрики этой версии. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

facebook/convnextv2-nano-1k-224 — сверточная модель семейства ConvNeXt V2, разработанная командой ConvNeXt и опубликованная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE, затем дообучена на ImageNet-1K для классификации изображений с разрешением 224×224. Архитектура включает полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet-1K и может служить отправной точкой для классификации изображений в компьютерном зрении. Доступны реализации весов для PyTorch и TensorFlow, включая safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит подробностей об ограничениях помимо специализации на классификации по ImageNet-1K.

facebook/convnextv2-nano-22k-384 — свёрточная модель для классификации изображений, разработанная командой Facebook AI. ConvNeXt V2 использует полностью свёрточный masked autoencoder FCMAE и слой Global Response Normalization (GRN); эта версия предварительно обучена с FCMAE и дообучена на ImageNet-22K для изображений размером 384×384. Модель предназначена для распознавания объектов и отнесения изображений к классам ImageNet-22K. Её можно применять как готовый классификатор или использовать как основу для дальнейшей настройки под другие задачи компьютерного зрения. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

timm/convnextv2_nano.fcmae — сверточная модель ConvNeXt-V2, разработанная для извлечения признаков из изображений. Она обучена без учителя методом FCMAE на ImageNet-1k и содержит около 15 млн параметров. Модель рассчитана на изображения размером 224 × 224; предобученной классификационной головы у неё нет. Модель можно использовать как визуальный бэкбон для извлечения карт признаков и эмбеддингов, а также дообучать для классификации изображений. В метаданных Hugging Face основная задача указана как image-feature-extraction. Репозиторий предоставляет веса PyTorch и safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README указывает ImageNet-1k как датасет предобучения; модель предназначена для компьютерного зрения и не обрабатывает текст или другие модальности.

timm/convnextv2_nano.fcmae_ft_in1k — сверточная модель ConvNeXt-V2 Nano для классификации изображений и извлечения признаков. Она предварительно обучена методом FCMAE и дообучена на ImageNet-1k; модель содержит 15,6 млн параметров. Для обучения указано разрешение 224×224 пикселя, для тестирования — 288×288. Модель подходит для классификации изображений по категориям ImageNet-1k, получения карт признаков и эмбеддингов изображений. Её можно применять как компактную визуальную основу для приложений компьютерного зрения. В метаданных указана библиотека timm, а веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных; результаты для иных предметных областей могут быть ограничены.

ARCFACE IR101 WEBFACE4M — модель распознавания лиц, опубликованная проектом CVLFace в виде предварительно обученных весов. Она использует архитектуру IR101 и связана с методом ArcFace, описанным в статье «ArcFace: Additive Angular Margin Loss for Deep Face Recognition». Репозиторий содержит веса в формате safetensors и предназначен для извлечения признаковых векторов лиц, которые можно применять для сравнения и сопоставления лиц. Модель принимает изображения лиц и выдаёт признаки для последующих задач распознавания. В README не приведены сведения о размере входа и количественной оценке качества. Для использования авторы просят цитировать исходную статью и соблюдать лицензию обучающего набора данных; отдельная лицензия модели в предоставленных сведениях не указана.

Модель trollek/danube2-1.8b-SystemChat-1.1 — диалоговая языковая модель на базе Danube2, дообученная автором с помощью BAdam и LoRA+ на наборе SystemChat-1.1 от Abacus.AI. Она использует шаблон ChatML с ролями system, user и assistant и предназначена для генерации ответов в чат-диалогах и следования системным инструкциям. Модель имеет плотную архитектуру MistralForCausalLM примерно на 1,7 млрд параметров и контекст до 8192 токенов. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors, а автор указал лицензию Apache-2.0. Карточка не сообщает результаты оценки качества или более узкую специализацию, поэтому пригодность к конкретным задачам следует проверять на целевых примерах.

Data2Vec-Audio-Base — базовая модель самоконтролируемого предварительного обучения речи, разработанная Facebook. Она использует Transformer и обучается предсказывать контекстные латентные представления аудиосигнала по его маскированному фрагменту. Модель содержит 113,2 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для извлечения признаков из речи и может служить основой для дообучения на распознавание речи после добавления токенизатора и обучения на размеченных текстовых данных. Сама по себе она не выдаёт транскрипции и не содержит токенизатора. Поддерживается английский язык; в карточке также указан набор данных LibriSpeech ASR. Модель распространяется под лицензией Apache-2.0.

DC-AE-F32C32-Sana-1.1 — сжатый автоэнкодер из семейства Deep Compression Autoencoder, разработанный MIT HAN Lab и размещённый в формате для Diffusers. Он предназначен для кодирования и восстановления изображений в латентном пространстве, чтобы ускорять высокоразрешающие модели диффузии; сам репозиторий не является генератором изображений по тексту, несмотря на тег text-to-image в метаданных. DC-AE использует пространственное сжатие и остаточное автоэнкодирование, а обучение с адаптацией к высокому разрешению помогает сохранять качество реконструкции при сильном сжатии. В статье для семейства DC-AE сообщается о сжатии до 128 раз и ускорении отдельных диффузионных моделей; эти показатели не следует считать гарантированными для данного чекпойнта. Модель выпущена по лицензии MIT.

DeBERTa-base — англоязычная модель семейства DeBERTa, разработанная Microsoft. Это плотная трансформерная модель с 151,8 млн параметров, использующая раздельное представление содержимого и относительных позиций в механизме внимания, а также улучшенный декодер маски. Она предназначена для восстановления замаскированных токенов и может служить основой для дообучения на задачах понимания естественного языка. В карточке приведены результаты дообучения на SQuAD 1.1, SQuAD 2.0 и MNLI. Модель принимает текст и предсказывает замаскированные в нём токены. Контекст ограничен 512 токенами; доступны форматы PyTorch и TensorFlow. Лицензия — MIT. Карточка сообщает о преимуществах относительно BERT-base и RoBERTa-base на большинстве задач NLU, но приведённые показатели относятся к отдельным наборам оценки; они не гарантируют такого же качества в других сценариях.