II.10Разработка и эксплуатация AI/ML-систем

Это модель классификации изображений на архитектуре MLP-Mixer, опубликованная авторами статьи «MLP-Mixer: An All-MLP Architecture for Vision» и доступная через библиотеку timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k; содержит около 59,9 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель можно использовать как для предсказания классов изображений, так и как основу для извлечения признаков и эмбеддингов. Модель предназначена для задач компьютерного зрения общего назначения, включая классификацию изображений и получение визуальных признаков для последующей обработки. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не указывает особых ограничений, кроме ориентации на входные изображения размером 224 × 224.

ModerationBERT-En-02 — англоязычная модель модерации текста от ifmain, построенная на архитектуре BERT и дообученная на базе bert-base-multilingual-cased. Она классифицирует текст по 18 категориям, включая травлю и угрозы, ненависть, самоповреждение, сексуальный контент и насилие. Модель обучалась на датасете ifmain/text-moderation-410K: сначала обучался классификационный слой при замороженных слоях BERT, затем были разморожены и дообучены верхние два слоя. Модель принимает текст и выдаёт категории модерации; архитектура репозитория — BertForSequenceClassification, размер — 205,1 млн параметров, контекст — до 512 токенов. В карточке заявлена работа только с английским языком, хотя базовая модель мультиязычная. Лицензия — Apache-2.0. Карточка не приводит метрики качества, поэтому пригодность для конкретной политики модерации следует проверять на собственных данных.

MyAwesomeModel-TestRepo — репозиторий модели, опубликованный пользователем RonnyMaurer255. По метаданным это модель архитектуры BERT для извлечения признаков, реализованная на PyTorch и Transformers; лицензия — MIT. Предназначение, подтверждённое доступными данными, — получение векторных представлений текста для последующего использования в ML-конвейерах. Поисковый результат сообщает о возможном отсутствии весов, но другие найденные сведения указывают на файл pytorch_model.bin, поэтому наличие пригодного к запуску артефакта подтвердить нельзя. В карточке также не нашлось надёжных сведений о размере модели, контексте, поддерживаемых языках или обучении; дополнительные задачи и сильные стороны не установлены.

Карточка модели ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v1 на Hugging Face совпадает с карточкой ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v3, поэтому описание составлено по ней. NCP-ArchPreview 8.9B Stage 2 V3 — базовая авторегрессионная языковая модель, разработанная командой NCP в Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяо Тун. Это продолженное предобучение Stage 1 на Dolma 3 Dolmino в рамках второго этапа учебного курса OLMo-3. Модель объединяет предсказание следующего токена (NTP) и следующего концепта (NCP); архитектура сохраняет 16-слойный энкодер, 8-слойный модуль концептов и 16-слойный декодер. В репозитории указаны около 9 млрд параметров, контекст 8192 токена, формат Safetensors и использование Transformers. Модель предназначена для генерации продолжений текста, оценки языковых моделей, исследований латентных концептов и дальнейшей адаптации. В отчёте приведены результаты по математике, общим знаниям, программированию и рассуждениям, однако точные показатели зависят от варианта Stage 2 и протокола оценки; таблицы рецептов показывают, что V3 уступает V1 на нескольких задачах, включая HumanEval, MBPP и MATH-500. Это базовая модель без диалогового выравнивания: она может выдавать неточные, предвзятые или вредоносные ответы, а возможности за пределами контекста 8192 токена отдельно не подтверждены. Лицензия — Apache 2.0.

Карточка модели ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v2 на Hugging Face совпадает с карточкой ArchSpace-Collection/NCP_ArchPreview_dolma3_8.9B_Stage2_v3, поэтому описание составлено по ней. NCP-ArchPreview 8.9B Stage 2 V3 — базовая авторегрессионная языковая модель, разработанная командой NCP в Shanghai AI Lab и LUMIA Lab Шанхайского университета Цзяо Тун. Это продолженное предобучение Stage 1 на Dolma 3 Dolmino в рамках второго этапа учебного курса OLMo-3. Модель объединяет предсказание следующего токена (NTP) и следующего концепта (NCP); архитектура сохраняет 16-слойный энкодер, 8-слойный модуль концептов и 16-слойный декодер. В репозитории указаны около 9 млрд параметров, контекст 8192 токена, формат Safetensors и использование Transformers. Модель предназначена для генерации продолжений текста, оценки языковых моделей, исследований латентных концептов и дальнейшей адаптации. В отчёте приведены результаты по математике, общим знаниям, программированию и рассуждениям, однако точные показатели зависят от варианта Stage 2 и протокола оценки; таблицы рецептов показывают, что V3 уступает V1 на нескольких задачах, включая HumanEval, MBPP и MATH-500. Это базовая модель без диалогового выравнивания: она может выдавать неточные, предвзятые или вредоносные ответы, а возможности за пределами контекста 8192 токена отдельно не подтверждены. Лицензия — Apache 2.0.

NeuCodec — нейронный аудиокодек компании Neuphonic для сжатия и восстановления речи. Модель использует архитектуру на основе конечного скалярного квантования (FSQ) с единым кодбуком и предназначена для получения речевых токенов при обучении SpeechLM и систем синтеза речи. Кодек принимает аудио с частотой 16 кГц и декодирует его с повышением частоты до 24 кГц. Кодек сжимает речь до 0,8 кбит/с при скорости 50 токенов в секунду и 16 битах на токен. По описанию авторов, потери при восстановлении почти неслышны; схема FSQ также рассчитана на устойчивость к битовым ошибкам в шумных или ненадёжных каналах. Для модели указана лицензия Apache 2.0, допускающая коммерческое использование. В README она представлена как инструмент для исследователей и разработчиков, создающих голосовые модели; заявленные характеристики качества приведены авторами и не сопровождаются в карточке результатами независимой оценки.

Den4ikAI/nonsense_gibberish_detector — русскоязычная модель классификации текста от Den4ikAI, построенная на архитектуре BERT и обученная распознавать три категории: нормальный текст, текст с ошибками в склонениях или несвязным набором слов, а также бессмысленный набор символов или слов. Её можно применять для первичной проверки качества пользовательского текста и выявления бессвязных или искажённых сообщений. Модель содержит 140,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В карточке указан датасет Den4ikAI/gibberish_dataset. Модель распространяется по лицензии Apache-2.0. Оценки точности и подробные сведения о том, как она обобщает за пределами обучающих данных, в предоставленной карточке не описаны.

qiuhuachuan/NSFW-detector — модель для выявления порнографического текста в диалогах человек–машина. В карточке она связана с проектом CensorChat и работой о дистилляции больших языковых моделей для обнаружения такого контента. Модель основана на BERT, имеет 135,5 млн параметров и принимает текст длиной до 512 токенов; основная задача — классификация текста на английском языке. Модель предназначена для фильтрации откровенного текста в открытых диалоговых системах и мониторинга переписки. Она распространяется в формате PyTorch по лицензии MIT. README не описывает классы меток и результаты оценки качества.

Falconsai разработала эту модель на базе distilbert-base-uncased: DistilBERT дообучен для классификации текстов на оскорбительные и неоскорбительные. Она предназначена для модерации пользовательских сообщений и выявления оскорбительной или разжигающей ненависть речи. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов, основной язык — английский. Модель компактнее исходного BERT благодаря дистилляции и ориентирована на одну задачу. По карточке, обучающий набор меньше 100 тысяч примеров, составлен из исследовательских датасетов и новостных заголовков; в нём есть перекосы, в частности частое использование слова «like» в оскорбительных примерах и отсутствие пунктуации. Поэтому возможны ложные срабатывания на такие формулировки и ошибки на данных, отличающихся от обучающих. Лицензия — Apache-2.0.

Это вспомогательная модель для Parrot — системы перефразирования и расширения набора высказываний, разработанной для ускорения обучения моделей понимания естественного языка (NLU). По метаданным это классификатор последовательностей на архитектуре RoBERTa с 454,1 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для оценки адекватности перефразированных высказываний в составе Parrot. Карточка не раскрывает схему меток, формат входа и выхода или отдельные сценарии использования вне этого фреймворка; языковая поддержка также не указана.

Это независимо поддерживаемое открытое зеркало PersonaPlex 7B v1 от NVIDIA: артефакты побайтно совпадают с исходной моделью nvidia/personaplex-7b-v1 на зафиксированной версии. Репозиторий предназначен для воспроизводимого развертывания, квантизации, обучения адаптеров и исследовательской автоматизации; это не репозиторий NVIDIA. Модель семейства PersonaPlex, плотная архитектура, размером около 7 млрд параметров по названию версии. Она принимает и генерирует аудио для потоковых полнодуплексных голосовых диалогов; базовая модель рассчитана на английский язык. Для запуска README указывает библиотеку moshi. Зеркало содержит веса safetensors и само по себе не добавляет семантический адаптер или утверждения о качестве управления диалогом. Заявленная лицензия — other; конкретные условия в предоставленных данных не раскрыты. Зеркало не является квантизованной или дообученной версией: его веса не модифицированы, не объединены и не прорежены. Для работы с моделью README рекомендует поддерживаемую среду PersonaPlex от NVIDIA.

Карточка модели sumankamila2/Qwen2.5 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B, поэтому описание составлено по ней. Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это причинная плотная трансформерная модель с 494 млн параметров, 24 слоями, механизмом GQA и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и служит основой для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Семейство поддерживает более 29 языков, включая русский и английский, а также улучшено для следования инструкциям, работы с длинным текстом, структурированными данными, JSON, кодом и математикой. Для этого базового чекпойнта карточка отдельно не рекомендует диалоговое применение без постобучения. К сильным сторонам относятся небольшой размер, многоязычность и относительно длинный контекст для модели такого масштаба. Возможности конкретной версии ограничены её размером и предварительным этапом обучения; качество диалога и следования инструкциям может быть ниже, чем у инструктивно настроенных вариантов семейства.

Карточка модели Ronaldodev/Qwen2.5-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B, поэтому описание составлено по ней. Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это причинная плотная трансформерная модель с 494 млн параметров, 24 слоями, механизмом GQA и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и служит основой для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Семейство поддерживает более 29 языков, включая русский и английский, а также улучшено для следования инструкциям, работы с длинным текстом, структурированными данными, JSON, кодом и математикой. Для этого базового чекпойнта карточка отдельно не рекомендует диалоговое применение без постобучения. К сильным сторонам относятся небольшой размер, многоязычность и относительно длинный контекст для модели такого масштаба. Возможности конкретной версии ограничены её размером и предварительным этапом обучения; качество диалога и следования инструкциям может быть ниже, чем у инструктивно настроенных вариантов семейства.

Это черновая модель EAGLE3, созданная методом онлайн-обучения SpecForge для ускорения генерации текста моделью Qwen/Qwen3-1.7B. Она содержит 361,5 млн параметров, использует архитектуру LlamaForCausalLMEagle3, формат safetensors и контекст длиной до 40 960 токенов. Чекпойнт соответствует 9-й эпохе обучения, шагу 233 900; в качестве обучающих данных использовался ShareGPT. Модель предназначена для спекулятивного декодирования в совместимом коде SpecForge/EAGLE3 и не является самостоятельной языковой моделью. Для её использования требуется целевая модель Qwen/Qwen3-1.7B. В карточке не заявлены результаты бенчмарков. Лицензия указана как other.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch8-step415000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-8-step-415000, поэтому описание составлено по ней. Это производная модель Huluhuluu: черновой чекпойнт EAGLE3 для Qwen/Qwen3-1.7B, обученный методом SpecForge EAGLE3 online training. Он предназначен для ускорения генерации текста с помощью speculative decoding: черновая модель предлагает продолжения, которые проверяет основная модель Qwen3-1.7B. Чекпойнт не является самостоятельной целевой языковой моделью. Модель имеет плотную архитектуру LlamaForCausalLMEagle3 и содержит 361,5 млн параметров. Указанное родное окно контекста — 40 960 токенов. Веса сохранены в safetensors; конфигурация README указывает bfloat16. Для загрузки нужны основная модель Qwen3-1.7B и совместимый код SpecForge/EAGLE3. Карточка не приводит результатов бенчмарков. Лицензия обозначена как other, поэтому условия следует проверять в репозитории.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw512-epoch9-step463620 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-463620, поэтому описание составлено по ней. Это компактная черновая модель EAGLE3, созданная на базе Qwen/Qwen3-1.7B с помощью онлайн-обучения SpecForge на данных ShareGPT. Она предназначена для ускорения генерации текста методом speculative decoding вместе с целевой моделью Qwen3-1.7B и не работает как самостоятельная языковая модель. Архитектура чекпойнта — LlamaForCausalLMEagle3; в репозитории доступны веса Safetensors, а размер модели составляет 361,5 млн параметров. Контекст — до 40 960 токенов; в метаданных указаны английский и китайский языки. Для загрузки нужны SpecForge или совместимый с EAGLE3 код; замороженные веса целевых эмбеддингов берутся из целевой модели. Карточка не приводит результатов бенчмарков. Лицензия указана как other, поэтому условия использования следует проверять в репозитории и у правообладателя.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step445000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-445000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, разработанная с помощью SpecForge для ускорения генерации текста методом speculative decoding вместе с Qwen/Qwen3-1.7B. Она не предназначена для самостоятельного использования как целевая языковая модель: для работы нужны базовая модель и совместимый код SpecForge/EAGLE3. Модель обучалась методом online training на данных ShareGPT; в конфигурации указаны архитектура LlamaForCausalLMEagle3 и тип bfloat16. Число параметров репозитория — 361,5 млн, контекст — 40 960 токенов. Веса черновой модели не содержат замороженные эмбеддинги целевой модели: SpecForge загружает их из Qwen/Qwen3-1.7B. Метаданные указывают английский и китайский языки. Лицензия обозначена как other; конкретные условия в доступных данных не раскрыты. Карточка не приводит бенчмарков производительности.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step455000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-455000, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 для спекулятивного декодирования с Qwen/Qwen3-1.7B. Чекпойнт создан методом онлайн-обучения SpecForge EAGLE3 на данных ShareGPT; архитектура — LlamaForCausalLMEagle3, размер — 361,5 млн параметров, тип данных — bfloat16. Модель принимает текст и предсказывает черновые продолжения для целевой модели, помогая ускорить генерацию текста. Чекпойнт рассчитан на загрузку совместимым кодом SpecForge/EAGLE3 и не является самостоятельной языковой моделью. Для работы целевая модель предоставляет замороженные веса эмбеддингов, отсутствующие в этом репозитории. Карточка не приводит результатов бенчмарков. Контекст составляет до 40 960 токенов; указаны английский и китайский языки. Лицензия обозначена как other.

Это компактная черновая модель EAGLE3, обученная командой, опубликовавшей репозиторий huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-430000, на основе Qwen/Qwen3-1.7B с помощью онлайн-обучения SpecForge EAGLE3. Она предназначена для спекулятивного декодирования вместе с целевой моделью Qwen3-1.7B и не является самостоятельной языковой моделью. Архитектура чекпойнта — LlamaForCausalLMEagle3; в репозитории указаны 361,5 млн параметров и контекст 40 960 токенов. Модель принимает текстовые запросы для ускорения генерации текста целевой моделью. Карточка указывает ShareGPT в названии обучающего запуска и языки en и zh в метаданных; базовая Qwen3 описана как многоязычная модель для диалогов, рассуждений, кода и выполнения инструкций. Веса чекпойнта не включают замороженные эмбеддинги целевой модели, поэтому для загрузки нужен совместимый код SpecForge/EAGLE3 и исходная целевая модель. Карточка не приводит результатов бенчмарков. Лицензия указана как other, конкретные условия в доступных данных не описаны.

Это чекпойнт черновой модели EAGLE3, обученной SpecForge для ускорения генерации текста методом спекулятивного декодирования вместе с Qwen/Qwen3-1.7B. Это вспомогательная модель, а не самостоятельная языковая модель: для работы ей нужна целевая модель Qwen3-1.7B, а веса целевых эмбеддингов загружаются из неё отдельно. Модель основана на архитектуре LlamaForCausalLMEagle3, имеет 361,5 млн параметров и рассчитана на контекст до 40 960 токенов. Чекпойнт сохранён в safetensors; конфигурация указывает dtype bfloat16. Он предназначен для загрузки совместимым кодом SpecForge/EAGLE3. Карточка не приводит результатов бенчмарков, поэтому степень ускорения не подтверждена. Лицензия указана как other, без уточнения условий в предоставленных данных.

Anbeeld/Qwen3.8-27B-DFlash2-GGUF — набор GGUF-квантизаций draft-модели Inco AI DFlash2 для Qwen 3.8 27B. Модель предназначена для ускорения генерации текста с использованием speculative decoding и block diffusion в совместимых средах, включая BeeLlama.cpp — форк llama.cpp с расширенными возможностями квантования. В README также упомянуты интеграции с sglang и vLLM. Доступны варианты квантования от Q2_K до Q8_0, а также bf16; их размер составляет примерно от 705 МБ до 3,86 ГБ. Модель работает с текстом, однако сведения о поддерживаемых языках, максимальном контексте и точной архитектуре в README не указаны. В приведённых тестах использовались 8192 токена контекста, семь draft-токенов на блок и целевая модель Qwen3.8-27B-UD-Q4_K_M. По результатам тестов разные варианты показали около 104–109 токенов в секунду, но эти показатели зависят от оборудования, рантайма и настроек. Основное преимущество модели — возможность существенно ускорить генерацию при использовании поддерживаемого рантайма и подходящей целевой модели, выбирая компромисс между размером, скоростью и качеством квантования. Ограничения связаны с тем, что это draft-модель, а не самостоятельная полноразмерная целевая модель: для работы требуется совместимая основная модель и специализированный runtime. Лицензия указана как Apache-2.0.

Qwen3.8-27B-DSpark — вспомогательная черновая модель от автора yukimakoto для ускорения генерации целевой модели Qwen/Qwen3.8-27B-FP8 методом speculative decoding. Она не является самостоятельной языковой моделью: при обслуживании через сервер с поддержкой DSpark предлагает до 7 токенов за раунд, а целевая модель проверяет предложения и формирует окончательный результат. Модель рассчитана на задачи с умеренным уровнем рассуждений и агентные сценарии. Черновая модель содержит около 1,86 млрд параметров, использует BF16 и архитектуру DSparkDraftModel на базе Qwen3: пять слоёв внимания с окном 2048, GQA и максимальной длиной позиций 262 144. В метаданных указано 2,9 млрд параметров для репозитория. Обучение следовало рецепту DSpark и использовало около 1,04 млрд выходных токенов. В оценках на ряде чатов и других нагрузок модель показала более высокую длину принимаемых предложений, чем сравниваемый DSpark v2, хотя результат зависит от задачи и уровня рассуждений. Для работы нужны целевая Qwen/Qwen3.8-27B-FP8 и сервер SGLang со встроенной поддержкой Qwen3.8 DSpark. Карточка не указывает лицензию, поэтому условия использования по доступным данным определить нельзя.

sasha/regardv3 — классификатор текста на базе BERT, разработанный в рамках проекта Towards Controllable Biases in Language Generation. Модель обучена распознавать regard — полярность высказывания по отношению к демографической группе и содержащиеся в нём социальные представления; это отличается от обычного анализа тональности, который оценивает общую эмоциональную окраску текста. Модель подходит для классификации текстов при аудите языковых генераций, анализе предвзятости и изучении социальных представлений в корпусах. Это одиночный классификатор без ансамбля, обученный на 1,7 тыс. примеров предвзятого языка. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, контекст — до 512 токенов; опубликованные веса представлены в формате PyTorch. Карточка указывает лицензию CC BY 4.0. Данные обучения невелики и сосредоточены на предвзятом языке, поэтому качество на иных темах, группах и распределениях данных может быть ограничено; независимые показатели качества в карточке не приведены.

RegNetY 10B — крупная модель компьютерного зрения семейства RegNetY, опубликованная Facebook и обученная на одном миллиарде неотобранных изображений из Instagram. Она предназначена для извлечения признаков изображений и может использоваться как основа для классификации изображений; для специализированных задач подходят дообученные версии. Модель принимает изображения и выдаёт визуальные признаки. В репозитории представлены веса PyTorch. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или конкретные наборы оценки.

ReMoDetect-deberta — модель классификации текста, разработанная для выявления текстов, сгенерированных большими языковыми моделями. Она использует дообученную модель вознаграждения на базе DeBERTa и оценивает признаки, связанные с выравниванием генерации по человеческим предпочтениям. Подход рассчитан на обнаружение общих характеристик текстов разных LLM, а не на распознавание конкретной модели-автора. Для повышения качества обнаружения применялись дополнительное дообучение на предпочтениях и обучение на смешанных человеческих и машинных текстах, включая перефразированные человеческие тексты. Модель содержит 533,8 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для классификации текстов на английском языке. В README заявлены высокие результаты на нескольких LLM, но конкретные метрики не приведены. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Res2Net-50 14w 8s — модель классификации изображений и извлечения визуальных признаков семейства Res2Net, разработанная авторами соответствующей научной работы и обученная на ImageNet-1k. Архитектура использует многошкальные блоки Res2Net; модель содержит 25,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. В репозитории доступны веса PyTorch и Safetensors; для применения указана библиотека timm. Карточка не сообщает лицензию репозитория, поэтому условия использования следует проверить отдельно. Модель обучена на ImageNet-1k, и её качество и применимость для других предметных областей не установлены приведённой информацией.

Это предобученные на ImageNet веса ResNeXt-101 32x8d из репозитория smp-hub, предназначенные для использования модели как энкодера в библиотеке segmentation-models-pytorch. Модель принимает изображения и решает задачу классификации изображений; веса можно также применять как основу энкодера в моделях сегментации. В карточке указана архитектура ResNeXt-101 32x8d и формат весов safetensors. Сведения о размере модели, языках и контекстном окне неприменимы или не приведены. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в материалах репозитория.

LFTW R3 Target — модель классификации текста на базе RoBERTa, представленная в исследовании Learning from the Worst: Dynamically Generated Datasets to Improve Online Hate Detection. Она предназначена для обнаружения и классификации оскорбительной и ненавистнической речи в тексте, в том числе в сценариях онлайн-модерации. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые последовательности длиной до 514 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch. Модель связана с исследовательским проектом по улучшению обнаружения ненавистнической речи; лицензия в предоставленных данных не указана.

Это классификатор токсичности текстов на базе RoBERTa, дообученной разработчиками модели на объединённом англоязычном наборе примерно из 2 млн примеров Jigsaw 2018, 2019 и 2020. Модель предназначена для определения токсичных комментариев и модерации пользовательского текста. В карточке сообщается, что на тестовой выборке первого соревнования Jigsaw классификатор достиг AUC-ROC 0,98 и F1-score 0,76. Архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, контекст — до 514 токенов. Указан английский язык; веса представлены в формате PyTorch. Модель рассчитана на классификацию текста, а не на генерацию ответов. Результаты зависят от порога классификации и соответствия входных данных обучающей выборке; приведённые метрики не гарантируют такого же качества на других источниках комментариев. Лицензия — CC BY-NC-SA 4.0, допускающая использование с атрибуцией и на условиях ShareAlike, но не коммерческое использование.

Это веса визуального энкодера Hiera Tiny из семейства SAM 2, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и может использоваться как визуальный компонент в системах компьютерного зрения. Репозиторий содержит только энкодер изображений HieraDet; это не полная модель сегментации SAM 2. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Сведения о размере, контексте, языках и конкретных ограничениях качества в карточке не приведены.