II.10Разработка и эксплуатация AI/ML-систем

Qwen3.8-27B-DFlash2-Q2_K-GGUF — это 2-битная квантизованная версия модели z-lab/Qwen3.8-27B-DFlash2, опубликованная пользователем analogalok в формате GGUF. Модель представляет собой DFlash 2 — cross-layer block-diffusion drafter, предназначенный не для самостоятельной генерации текста, а для speculative decoding совместно с плотными моделями Qwen3.8-27B через llama.cpp. Основной сценарий использования — ускорение декодирования больших моделей на потребительских видеокартах с 24 ГБ VRAM, в частности NVIDIA GeForce RTX 4090 и RTX 3090, без выгрузки в системную память. Размер файла составляет около 700 МБ. По данным README, дра́фтер извлекает скрытые состояния из слоёв 6, 20, 34, 48 и 62 базовой модели. В тесте с Qwen3.8-27B-UD-Q4_K_XL на RTX 4090 средняя длина принятых черновых последовательностей составила 2,81 из 3 токенов, коэффициент принятия — 60,22%, а скорость декодирования — 75,93 токена в секунду. Ключевое преимущество Q2_K — экономия примерно 400–450 МБ VRAM по сравнению с официальной квантизацией Q4_K_M при заявленном отсутствии ухудшения точности speculative decoding. Это позволяет увеличить максимально доступный контекст примерно со 150 000 до 170 000 токенов при Q4_0 KV и использовать до 100 000 токенов при Q8_0 KV. Ограничение модели состоит в том, что она не является самостоятельной causal language model и требует совместимого target-моделя Qwen3.8-27B и версии llama.cpp с поддержкой PR #27342. Лицензия — Apache-2.0.

Qwen3.8-27B-DSpark-Agentic — черновая модель DSpark для ускорения спекулятивного декодирования целевой Qwen/Qwen3.8-27B. Её разработала команда tiyuvta; модель обучена с нуля на диалогах с агентными задачами, программированием и ассистентскими сценариями. При генерации она предлагает блок токенов, которые проверяет целевая модель: результат целевой модели сохраняется, а скорость зависит от доли принятых черновых токенов. Модель содержит около 1,36 млрд параметров в BF16 и использует пять слоёв трансформера с полным вниманием. Она предназначена для подключения к совместимой целевой модели через DSpark в SGLang или движке tiyuvta, а не для самостоятельной генерации текста. Карточка приводит результаты принятия черновых токенов на агентных диалогах и GSM8K; фактическое ускорение зависит от нагрузки и конфигурации. Лицензия — Apache-2.0.

Qwen3.8-27B-heretic-dflash — черновая модель DFlash, дообученная jfan на скрытых представлениях нескольких слоёв Qwen 3.8 27B Heretic. Она предназначена для спекулятивного декодирования: предлагает блоки будущих токенов, которые проверяет целевая авторегрессионная модель. Такой режим ускоряет генерацию текста, сохраняя точность вывода целевой модели; в приведённых автором тестах с MLX на Apple Silicon ускорение составило 2,58–2,82 раза. Модель использует архитектуру DFlash Dual-Hidden Non-Autoregressive Drafter и рассчитана на блоки по 16 токенов. README указывает контекст 2 048 токенов плюс 16 токенов блока; метаданные каталога указывают нативный контекст 262 144 токена. Репозиторий содержит веса safetensors объёмом около 3,46 ГБ. Указаны сценарии генерации кода и математических рассуждений, а языковые теги — английский и китайский. Для работы нужна совместимая целевая модель Qwen Heretic и среда DFlash, например MLX/MLX-VLM; эта модель сама по себе не является универсальной текстовой моделью для диалога. Распространяется по лицензии Apache-2.0.

Это набор тензоров Multi-Token Prediction (MTP), извлечённых из Qwen/Qwen3.8-27B и преобразованных разработчиком в автономный формат draft-модели MLX для mlx-vlm. Это не самостоятельная языковая модель: компонент загружается вместе с совместимой целевой моделью Qwen3.8-27B и помогает ускорять генерацию посредством speculative decoding. BF16-drafter совместим с целевыми моделями MLX в вариантах квантования от 2 до 8 бит; совпадение разрядности не требуется. Репозиторий предназначен для сценариев ускоренной генерации текста и диалога на совместимых моделях Qwen3.8-27B в MLX. Веса представлены в safetensors и преобразованы из Qwen/Qwen3.8-27B с помощью mlx-vlm версии 0.6.13. Лицензия — Apache-2.0.

Qwen3-8B tool-merged — дообученная диалоговая языковая модель на базе Qwen/Qwen3-8B, подготовленная для голосовых агентов и вызова инструментов. По README, модель обучалась с LoRA-адаптером ранга 32 в течение трёх эпох на 1873 диалогах; указаны значения train loss 0,1401 и eval loss 0,1506. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель генерирует текст в диалогах и предназначена для сценариев голосовых агентов и работы с инструментами. В метаданных заявлены английский и хинди. Репозиторий содержит веса safetensors; для запуска README перечисляет sglang, vLLM и Transformers. Лицензия — Apache-2.0. Показатели потерь и небольшой набор из 1873 диалогов сами по себе не подтверждают качество в реальных голосовых сценариях. Метаданные и README не указывают отдельный аудиовход или аудиовыход: модель следует рассматривать как текстовую языковую модель для интеграции в голосового агента, а не как самостоятельную систему распознавания речи или синтеза речи.

Qwen3.8-Flash-Next-DERISKED-BF16 — исследовательский чекпойнт Blackfrost на основе Qwen3.8-Flash-Next. Это мультимодальная гибридная модель vision-language с архитектурой Qwen4ExpForConditionalGeneration и разреженной MoE-структурой: 125 млрд параметров всего, из которых активируются 6 млрд. Веса опубликованы в BF16 в формате safetensors; модель принимает текст и изображения и поддерживает диалог и интерфейс вызова инструментов. Чекпойнт предназначен для управляемых оператором исследований безопасности и red-team-оценки. Blackfrost изменил на уровне весов склонность модели отказывать в ответах; README сообщает о 7 отказах на 300 вредоносных запросах в указанной конфигурации теста. Это измерение поведения конкретного чекпойнта, а не гарантия безопасности. Веса основаны на Qwen/Qwen3.8-Flash-Next, но README прямо указывает, что это не дообучение, слияние, адаптер или квантизация. Также в шаблон чата встроен системный prompt Qwentium, который можно заменить при обслуживании модели. Модель поддерживает мультимодальные входы и длинный контекст согласно тегам карточки, однако точные пределы контекста и список поддерживаемых языков в предоставленных данных не приведены. Для репозитория указана лицензия other; конкретные условия лицензии в материалах не раскрыты. Модель не содержит встроенных средств контроля доступа, аудита или изоляции: такие меры должен обеспечивать оператор.

Карточка модели zanite/Qwen3-TTS-Tokenizer-12Hz на Hugging Face совпадает с карточкой Qwen/Qwen3-TTS-Tokenizer-12Hz, поэтому описание составлено по ней. Qwen3-TTS-Tokenizer-12Hz — аудиотокенизатор из семейства Qwen3-TTS, разработанный командой Qwen. Он кодирует входную речь в дискретные акустические токены и декодирует токены обратно в речь, чтобы компактно представлять аудио для хранения и передачи, а также использовать его в речевых системах. Архитектура использует 16 слоёв многокодовой книги, частоту токенизации 12,5 Гц и лёгкую каузальную ConvNet. В README заявлены эффективное акустическое сжатие и сохранение просодических и акустических характеристик среды. Семейство Qwen3-TTS охватывает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; это описание относится к семейству, а не обязательно к отдельным возможностям токенизатора. Модель предназначена для кодирования и восстановления речи, включая сценарии хранения, передачи и потоковой генерации с низкой задержкой в системах Qwen3-TTS. Репозиторий распространяется по лицензии Apache-2.0. Количественные результаты оценки качества вынесены в технический отчёт; сам README их не приводит.

EfficientNet-V2-S — модель классификации изображений, основанная на реализации efficientnet_v2_s из torchvision и экспортированная Software Mansion для библиотеки React Native ExecuTorch. Модель поставляется в виде программ ExecuTorch с расширением .pte и предназначена для выполнения непосредственно на мобильном или другом поддерживаемом устройстве без обязательного обращения к серверу. Доступны варианты для backend Core ML в формате FP16, а также для XNNPACK в форматах FP32 и INT8. Размер файлов составляет примерно от 21,9 до 81,7 МБ в зависимости от backend и точности. Репозиторий подготовлен для ExecuTorch версии 1.4.1; совместимость с более старыми версиями не гарантируется. Вариант для backend MLX был экспортирован, но не опубликован из-за проблем, описанных в репозитории. Модель подходит для сценариев классификации изображений в приложениях React Native и других приложениях, использующих ExecuTorch. README не содержит сведений о точном числе параметров, наборе классов, поддерживаемых языках, размере контекста или других характеристиках исходной архитектуры, поэтому эти параметры нельзя достоверно указать. Лицензия обозначена как Apache License 2.0.

rtmdet-tiny — детектор объектов из семейства RTMDet, портированный для совместимости с Hugging Face из OpenMMLab MMDetection. Модель использует CSPNeXt в качестве backbone, CSPNeXtPAFPN в качестве шеи и RTMDetHead; она предварительно обучена на COCO и распознаёт 80 классов объектов. В README указан масштаб backbone около 5 млн параметров и входной размер 640×640. Модель предназначена для обнаружения объектов в изображениях в реальном времени и особенно подходит для выявления людей как первого этапа перед оценкой позы всего тела с RTMW. Для загрузки требуется включить trust_remote_code=True. Репозиторий распространяется по лицензии Apache-2.0.

rubert-tiny2-toxic-detector — компактная модель классификации текста, разработанная KvaytG и дообученная на cointegrated/rubert-tiny2 для выявления токсичных комментариев и сообщений на русском языке. Модель основана на архитектуре BERT, содержит 29 млн параметров и принимает текст длиной до 2048 токенов. Модель предназначена для автоматической модерации русскоязычных обсуждений, сообщений и пользовательских комментариев. README описывает настройку порога классификации: оптимальное значение 0,70 выбрано на валидационной выборке. На независимой тестовой выборке из 102 308 примеров F1 для класса токсичных сообщений составил 0,9535; выборка содержит значительно меньше токсичных, чем обычных примеров, поэтому результаты могут зависеть от распределения данных и выбранного порога. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

PantagrueLLM/speech-large-14K — французский речевой энкодер из семейства Pantagruel, разработанного для самоконтролируемого обучения представлениям речи. Модель использует архитектуру PantagruelUniModel и парадигму data2vec 2.0 / JEPA с предсказанием латентных представлений; в метаданных указано 99,1 млн параметров. Весовые файлы доступны в форматах PyTorch и safetensors и преобразованы из fairseq в формат Transformers. Энкодер обучен на французской речи, включая данные LeBenchmark и другие корпуса из семейства Pantagruel. Его можно применять для извлечения признаков и дообучать для задач распознавания речи и других речевых задач. В README приведён результат WER 8,05 на тестовой части French Common Voice v6.1 для варианта speech-large-14K. Для входного аудио требуется монофонический сигнал с частотой 16 кГц и нормализацией. Модель не содержит токенизатора и сама по себе не является готовой системой распознавания речи: для ASR нужны токенизатор и дообучение на размеченных парах аудио-текст. Лицензия CC-BY-NC-SA-2.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях.

SSA-HuBERT-base-60k — самоконтролируемая речевая модель семейства HuBERT, представленная авторами исследования Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context на AfricaNLP 2024. Модель содержит 113,3 млн параметров и предварительно обучена примерно на 60 тысячах часов речи на 21 языке и языковом варианте стран Африки к югу от Сахары, включая бамбара, хауса, суахили, волоф и французский. Обучающие записи включают студийную речь и шумные спонтанные уличные интервью. Модель предназначена для извлечения речевых представлений, которые можно использовать как энкодер при дообучении систем распознавания речи для отдельных языков. В README описана настройка через SpeechBrain на данных FLEURS с двумя линейными слоями и выходом softmax; приведены результаты CER и WER для распознавания без языковой модели. В репозитории доступны веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

TEN Turn Detection — модель TEN-framework для определения момента передачи хода в диалоге человека с ИИ. Она классифицирует текст пользователя по трём состояниям: finished — высказывание завершено и можно отвечать; unfinished — пользователь сделал паузу, но собирается продолжить; wait — пользователь просит ИИ молчать или приостановить разговор. Модель предназначена для управления очерёдностью реплик и прерываниями в системах диалога с полным дуплексом. В основе лежит плотная трансформерная языковая модель семейства Qwen2; в README указана Qwen2.5-7B. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Заявлена поддержка английского и китайского языков. В тестах авторов точность для состояний finished, unfinished и wait составляет 90,64%, 98,44% и 91% для английского и 98,90%, 92,74% и 92% для китайского соответственно; результаты относятся к опубликованному тестовому набору и не гарантируют такую же точность на других данных. Лицензия — Apache-2.0.

alnrg2arg/test — тестовая базовая модель для экспериментов с прореживанием и последующей квантизацией для запуска на устройстве. В README указано, что при её создании использовался mergekit для объединения двух моделей, однако их названия не приведены. По метаданным это плотная авторегрессионная модель семейства Llama на 10,6 млрд параметров с интерфейсом чата и контекстом до 4096 токенов; файлы представлены в формате safetensors. Для текстовой генерации модель принимает текст и выдаёт текст. Лицензия — CC BY 4.0.

gardner/TinyLlama-1.1B-Instruct-3T — компактная языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM и примерно 1 млрд параметров. Она дообучена на наборе OpenHermes в течение четырёх эпох и предназначена прежде всего для дальнейшего дообучения.

nm-testing/tinyllama-oneshot-w4a16-group128-v2 — экспериментальная квантованная версия TinyLlama, опубликованная организацией nm-testing в коллекции моделей для CI-тестирования. Это модель генерации текста примерно на 1 млрд параметров, предназначенная прежде всего для проверки совместимости и производительности инструментов инференса, а не как самостоятельная специализированная прикладная модель. В основе лежит TinyLlama — компактная decoder-only языковая модель проекта TinyLlama, разработанная как открытая модель с архитектурой и токенизатором, совместимыми с Llama 2. Обозначение W4A16 указывает на 4-битное представление весов и 16-битные активации, а group128 — на групповой размер 128 при квантовании; oneshot обозначает однопроходную схему квантования. Модель работает с текстом и относится к pipeline text-generation. Благодаря небольшому размеру и квантованию она рассчитана на ограниченные вычислительные ресурсы и более компактное хранение. Сильные стороны — малый объём модели, совместимость с экосистемой Llama и потенциально сниженные требования к памяти. Ограничения включают небольшой размер, экспериментальный статус и возможную потерю качества из-за квантования; надёжные сведения о языковом охвате, точном размере контекста, целевых бенчмарках и характеристиках именно этой версии в доступных источниках не установлены. Лицензия для репозитория nm-testing в найденных данных явно не указана, поэтому условия использования этой конкретной версии нельзя достоверно определить.

Карточка модели PragmaticPete/tinyqwen на Hugging Face совпадает с карточкой Qwen/Qwen2-0.5B, поэтому описание составлено по ней. Qwen2-0.5B — базовая авторегрессионная языковая модель серии Qwen2, разработанной командой Qwen. Модель содержит 494 млн параметров и построена на плотной архитектуре Transformer с декодером Qwen2ForCausalLM, активацией SwiGLU, смещениями в QKV-внимании и group query attention. Метаданные указывают контекст до 131 072 токенов и поддержку чата; карточка описывает базовую, а не инструкционно настроенную версию. Модель предназначена как основа для последующего дообучения, включая SFT, RLHF и продолжение предобучения. Она генерирует текст и может служить отправной точкой для экспериментов с пониманием языка, вопросами и ответами, кодом, математикой и многоязычными задачами. В README отдельно не рекомендуется использовать базовую версию для непосредственной генерации текста без постобучения. Карточка сообщает о токенизаторе, рассчитанном на несколько естественных языков и языки программирования; среди примеров оценки названы английский, китайский и ряд многоязычных задач, включая русский. Лицензия модели — Apache-2.0. Приведённые в README сравнительные результаты относятся к наборам оценки и не гарантируют качество на конкретных пользовательских задачах.

NX-AI/TiRex-2-gifteval-zs — специализированная версия официальной предварительно обученной модели TiRex-2, представленная разработчиком NX-AI. Она предназначена для прогнозирования временных рядов и обучена на наборах данных, которые не пересекаются с Gift-Eval и Gift-Eval-Pretrain, поэтому подходит для оценки на этих бенчмарках без такого пересечения данных. Репозиторий использует библиотеку tirex-2 и содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере, длине контекста, поддерживаемых языках и дополнительных ограничениях качества.

toxic-en — компактный англоязычный классификатор из семейства toxic, разработанный Desert Ant Labs. Модель размером около 35,4 млн параметров предназначена для выявления ненавистнических высказываний, оскорбительной речи и угроз насилия, а также для определения целевых защищённых групп при обнаружении ненавистнического контента. Она принимает текст и выдаёт оценки классов; варианты модели доступны в форматах ONNX, Core ML и LiteRT/TFLite для локального запуска на мобильных устройствах и в браузере без отправки текста на сервер. На тесте HateCheck англоязычная версия PyTorch показала macro-F1 0,855; точность экспортированных вариантов зависит от формата и квантизации. Модель предназначена для первичной сортировки контента и передачи сомнительных случаев на проверку человеком или более мощной локальной модели. Авторы предупреждают, что оценки не следует использовать как единственное основание для автоматического удаления контента; класс ABUSIVE не определяет, кому адресовано оскорбление. Лицензия указана как other.

Многоязычный бинарный классификатор токсичности Görkem Yıldız на базе XLM-RoBERTa-base. Модель относит текст к классам «токсичный» и «нетоксичный» и предназначена для фильтрации сообщений в чатах на турецком, арабском и английском языках. Она рассчитана на арабские диалекты, Arabizi (арабскую речь латиницей с цифрами), намеренно искажённое написание, скрытую токсичность и контрречь. Архитектура — XLM-RoBERTa для классификации последовательностей; в репозитории указано 305,2 млн параметров, а длина контекста — 514 токенов. В README приведены F1 0,907 и точность 0,906 на валидации, а также 88% на внутреннем сложном наборе с диалектами, Arabizi и обфускацией. Перед токенизацией необходимо применять ту же нормализацию, что и при обучении: в частности, обработку арабских диакритик и удлинённых символов. Модель может ошибаться на вежливых угрозах, сарказме, завуалированных предубеждениях и отдельных отрицаниях; также она может помечать как токсичные возвращённые в употребление оскорбления. Лицензия — Apache-2.0.

toxicity-scorer-qwen — дообученная модель классификации текста на базе Qwen/Qwen2.5-0.5B. Она предназначена для оценки токсичности текстовых фрагментов и может использоваться для первичной фильтрации пользовательских сообщений и комментариев. Модель семейства Qwen2 имеет плотную архитектуру Qwen2ForSequenceClassification, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты на тестовой выборке: F1 0,9371 и accuracy 0,9380; датасет и подробности оценки не описаны. Лицензия — Apache-2.0.

Модель socialmediaie/TRAC2020_IBEN_B_bert-base-multilingual-uncased — дообученная авторами исследования Mishra, Prasad и Mishra модель BERT для классификации текстов с целью выявления троллинга, агрессии и кибербуллинга. Она представлена как модель для экспериментов и повторной настройки на собственных наборах данных; связана с работой для семинара TRAC 2020. Модель имеет архитектуру BertForSequenceClassification и содержит 194,6 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и доступна в форматах Flax, PyTorch и safetensors. В README задача названа многоязычной, но конкретные поддерживаемые языки не перечислены. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Авторы отмечают, что загруженные версии были переобучены после подачи работы, и результаты оценки могут немного отличаться от опубликованных в статье.

Модель allenai/truthfulqa-info-judge-llama2-7B разработана Allen Institute for AI на основе LLaMa 2 7B и предназначена для оценки информативности ответов в бенчмарке TruthfulQA. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, работающая через Transformers и PyTorch; длина контекста составляет 4096 токенов. Модель принимает текст и формирует текстовую оценку или суждение об информативности ответа. Её следует применять для оценки ответов моделей на фиксированный набор запросов TruthfulQA и для воспроизводимого сравнения моделей в этом бенчмарке. Авторы предупреждают, что перенос оценки на новые запросы может не сработать. Модель дообучена на базе LLaMa 2 7B; лицензия — Apache-2.0.

Это вокодер HiFi-GAN от SpeechBrain, обученный на многоголосом наборе LibriTTS. Он преобразует спектрограмму в звуковую волну с частотой дискретизации 16 кГц и предназначен для использования как звуковой компонент конвейера синтеза речи после модели, которая формирует спектрограмму из текста. Модель работает с аудиосинтезом на английском языке и распространяется в формате PyTorch. Лицензия — Apache-2.0. Для самостоятельного синтеза текста потребуется отдельная TTS-модель, способная подготовить совместимую спектрограмму; вокодер сам по себе текст не принимает.

cardiffnlp/twitter-roberta-base-hate-latest — модель Cardiff NLP для бинарной классификации сообщений на предмет языка ненависти. Это дообученная версия cardiffnlp/twitter-roberta-base-2022-154m на объединении 13 англоязычных наборов данных о языке ненависти; модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она предназначена для выявления языка ненависти в текстах, в том числе сообщениях в социальных сетях. В README приведены результаты оценки на нескольких наборах данных, при этом качество заметно различается между ними. Модель принимает текст и выдаёт метку классификации. Контекст составляет до 514 токенов; доступны веса PyTorch и TensorFlow. Карточка указывает лицензию CC-BY-4.0. Обучение проводилось на английских данных, поэтому результаты на других языках не подтверждены; классификацию следует трактовать как сигнал для проверки, а не как безошибочное определение намерений или контекста высказывания.

VC-Inspector-7B — мультимодальная модель Dipta007 для оценки подписей к видео без эталонной подписи, с акцентом на фактическую точность. Она принимает визуальный материал и подпись, выдаёт оценку качества от 1 до 5 и текстовое объяснение, отмечая возможные ошибки в объектах и действиях. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров: визуальный энкодер и проектор заморожены, языковая часть дообучена с помощью LoRA на синтетическом наборе из 44 тысяч пар ActivityNet-FG-It. Архитектура Qwen2.5-VL поддерживает изображения и видео, а заявленный размер контекста составляет 128 000 токенов. Модель предназначена для проверки подписей к видео и изображений, в том числе для оценки наборов данных и сравнения вариантов описания. В README сообщается о результатах на нескольких бенчмарках, однако они не гарантируют аналогичного качества на других данных. Оценка сосредоточена прежде всего на правильности объектов и действий: атрибуты, пространственные отношения и точный временной порядок явно не моделируются. Обучение использовало синтетические подписи и псевдооценки; вычислительные затраты выше, чем у метрик на основе эмбеддингов. Лицензия — Apache-2.0.

Vela-1.0-Encoder-307M — многоязычный энкодер ModernBERT от Vela, предназначенный как базовая модель для специализированных моделей маршрутизации. Он содержит 306,9 млн параметров, принимает последовательности длиной до 32 768 токенов и использует архитектуру ModernBertForMaskedLM. Основная задача по метаданным — заполнение масок в тексте. Модель поддерживает английский, китайский, немецкий, французский, японский и арабский языки. В README приведено сравнение masked-token negative log-likelihood с базовой mmBERT32K на наборе разработки: Vela показывает более низкие значения на длинах контекста 512, 8K и 16K токенов. Этот набор использовался при выборе чекпойнта и не является независимым тестом. Модель распространяется по лицензии MIT.

WT-MM/vit-base-blur — дообученная модель Vision Transformer (ViT) для бинарной классификации изображений на размытые и чистые. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель предназначена для выявления изображений, полученных на недостаточном или незавершённом числе проходов LDM при генерации изображений. Для обучения использовалось около тысячи чистых и размытых изображений, созданных с помощью SD2.1 на 30 и 10 шагах соответственно. В README сообщается точность 1,0 и loss 0,0008 на оценочной выборке; размер и состав этой выборки не приводятся. Модель принимает изображения и выдаёт класс «размытое» или «чистое». Распространяется по лицензии Apache-2.0.

Это модель ROPE-ViT для классификации изображений, разработанная авторами исследования «Rotary Position Embedding for Vision Transformer» и обученная на ImageNet-1k. Она также может использоваться как основа для извлечения признаковых карт и получения эмбеддингов изображений. Модель построена на архитектуре Vision Transformer с rotary position embedding. Она содержит 86,4 млн параметров и рассчитана на изображения 224 × 224 пикселя. Авторы сообщают о способности сохранять качество при обработке изображений с разрешением выше обучающего, в частности 320 × 320. Модель предназначена для задач компьютерного зрения общего назначения, включая классификацию и извлечение признаков. Репозиторий распространяется по лицензии Apache-2.0.

Vit-Mature-Content-Detection — модель классификации изображений, созданная PrithivMLmods на основе дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру ViTForImageClassification и содержит 113,2 млн параметров. Модель присваивает изображению одну из пяти меток: anime picture, hentai, neutral, pornography или enticing or sensual; neutral означает безопасный или обычный контент. Модель предназначена для фильтрации изображений в системах модерации контента, родительского контроля, предварительной обработки наборов данных и безопасного поиска. Она принимает изображения и возвращает метку класса, а не генерирует изображения или текст. Карточка указывает лицензию Apache-2.0. Классификация может ошибаться, поэтому модель не следует использовать как единственное основание для модерационных решений; карточка также предостерегает от преследования, стыда и скрытого наблюдения.