II.10Разработка и эксплуатация AI/ML-систем

taobao-mnn/Qwen3-VL-2B-Instruct-Eagle3 — это черновая модель в архитектуре EAGLE-3, разработанная для ускорения генерации текста базовой моделью Qwen3-VL-2B-Instruct. Она предназначена для использования вместе с базовой моделью в системе спекулятивного декодирования: черновая модель предлагает токены, а базовая проверяет их. Репозиторий не содержит самостоятельную модель для диалога; размер указанных весов — 361,5 млн параметров, формат — safetensors, родная длина контекста — 262 144 токена. Автор заявляет об ускорении пропускной способности генерации в 1,5–2,5 раза без снижения качества базовой модели. В тестах средняя длина принятого чернового продолжения при четырёх предлагаемых токенах составила около 1,87 токена; результаты приведены для задач программирования, математики и общих знаний. Модель обучена с помощью SpecForge на данных EagleChat. Лицензия — Apache-2.0. Для работы необходима совместимая реализация спекулятивного декодирования и базовая модель Qwen3-VL-2B-Instruct; сама по себе эта модель не предназначена для генерации ответов. Заявленные показатели ускорения зависят от базовой модели, оборудования и конфигурации декодирования.

RAFT-7B — языковая модель-верификатор кода, разработанная институтом INSAIT в рамках проекта Aletheia. Она принимает условие задачи по соревновательному программированию и несколько кандидатных решений, оценивает их и ранжирует по корректности. Модель предназначена для выбора решений и использования в качестве функции вознаграждения при оптимизации моделей генерации кода. Это плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров, дообученная методом on-policy rejection sampling на положительных примерах рассуждений из INSAIT-Institute/Aletheia-Train. В основе лежит deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Контекст составляет до 131 072 токенов. Карточка описывает сценарии проверки кода; отдельная поддержка естественных языков не заявлена. Датасет содержит задачи и решения на Python, C++ и Java, но это не означает, что языки программирования являются языками общения модели. RAFT-7B подходит для автоматического ранжирования предложенных программ и оценки кода в конвейерах обучения и тестирования. Её область применения уже, чем у универсальных чат-моделей: для проверки нужны условие задачи и кандидатные решения в ожидаемом форматом промпта виде. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

hfl/rbt4 — китайская предварительно обученная модель BERT с маскированием целых слов (Whole Word Masking), опубликованная HFL. Она предназначена для ускорения обработки китайского естественного языка и предсказания замаскированных токенов в тексте. Модель имеет архитектуру BertForMaskedLM, содержит 54 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит как основа для задач обработки китайского языка, где требуется восстановить пропущенные слова или адаптировать предобученный BERT под прикладную задачу. Доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Модель thu-coai/roberta-base-cold — дообученная для выявления оскорбительной речи версия hfl/chinese-roberta-wwm-ext. Она классифицирует китайские тексты по наличию оскорбительного содержания и предназначена для автоматической модерации и исследований по обнаружению токсичной речи. Модель построена на архитектуре BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны результаты на тестовой выборке COLDataset: точность 82,75% и macro-F1 82,39%. Модель опубликована авторами thu-coai; условия лицензии в доступных данных не приведены.

s-nlp/russian_toxicity_classifier — классификатор русскоязычных комментариев на основе BERT, дообученный авторами репозитория от DeepPavlov/rubert-base-cased-conversational. Он предназначен для выявления токсичных комментариев, например при модерации пользовательских публикаций и обсуждений. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов; в метаданных указаны реализации для PyTorch, TensorFlow и safetensors. Для обучения объединили датасеты токсичных комментариев с 2ch.hk и ok.ru, затем разделили данные на обучающую, валидационную и тестовую части в пропорции 80/10/10. На тестовой выборке авторы сообщают F1 0,93 для токсичного класса и точность 0,97 в целом. Эти показатели относятся к указанной выборке и не гарантируют такого же качества на других источниках текста. Лицензия — OpenRAIL++.

Это версия детектора лиц SCRFD det_10g в формате GGUF, подготовленная для CrispEmbed. Модель использует архитектуру с backbone ResNet-50 и пирамидой признаков FPN и обнаруживает лица, возвращая также пять ключевых точек на каждом лице. Модель предназначена для обнаружения лиц на изображениях и может использоваться в системах компьютерного зрения, которым нужны координаты лиц и ориентиры для последующей обработки. В README приведено сравнение максимальных оценок на изображении Lenna 512×512 с ONNX Runtime: результаты близки, а при шаге 32 обе версии обнаруживают пять якорей с оценкой выше 0,5. Репозиторий содержит только преобразование формата и/или квантизацию исходных весов SCRFD det_10g; архитектура и возможности модели не менялись. Лицензия — Apache-2.0, как у upstream-модели deepinsight/insightface.

WueNLP публикует выделенный речевой энкодер из SeamlessM4Tv2-Large. Это плотная архитектура SeamlessM4TSpeechEncoder размером 664,9 млн параметров, доступная в формате safetensors и рассчитанная на использование с Transformers. Модель извлекает представления речи для классификации аудио на уровне последовательностей, в том числе для кросс-языковых и многоязычных задач; карточка также указывает поддержку text-to-speech. Энкодер можно загружать через AutoModel или обёртки для классификации аудио и последовательностей. Метаданные перечисляют языковые коды для многих языков, а длина контекста составляет 4096 токенов. Репозиторий ссылается на результаты SIB-Fleurs и указывает, что исходная модель создана командой SeamlessM4Tv2. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения.

DAMO-NLP-SG/SigLIP-NaViT — визуальный энкодер из семейства VideoLLaMA 3, опубликованный группой Language Technology Lab при Alibaba DAMO Academy. Репозиторий содержит модель примерно на 544,9 млн параметров и помечен для извлечения признаков; его можно подключать как vision encoder в системах VideoLLaMA 3. Модель предназначена для извлечения признаков из изображений в составе мультимодальных систем. Карточка Hugging Face автоматически сгенерирована и не раскрывает архитектурные детали, точные сценарии использования, лицензию или ограничения; поэтому эти характеристики нельзя надёжно уточнить.

Starling — языковая модель, разработанная declare-lab для повышения безопасности ответов больших языковых моделей. Она получена дообучением Vicuna-7B на наборе HarmfulQA, созданном для исследования вредоносных запросов и выравнивания поведения модели. Модель предназначена для генерации текста в диалоге и для экспериментов по оценке безопасности и устойчивости к вредоносным запросам. Starling использует плотную архитектуру LLaMA с примерно 6,6 млрд параметров, принимает текст и генерирует текст. Родной контекст составляет 2048 токенов. В описании приведены результаты сравнений с Vicuna на наборах для оценки безопасности, включая снижение среднего показателя успешности атак на DangerousQA и HarmfulQA и улучшение HHH score. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Swin Transformer Base — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в статье Liu et al. Это базовая модель для классификации изображений, обученная на ImageNet-1k с разрешением 384×384; в каталоге указаны реализации PyTorch и TensorFlow и архитектура SwinForImageClassification. Архитектура строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и вычисляет внимание внутри локальных окон со сдвигом. Такой подход обеспечивает линейную сложность вычислений относительно размера изображения и позволяет использовать модель как основу для задач распознавания изображений. Модель предназначена для классификации изображений по 1000 классам ImageNet; для других задач можно искать дообученные версии. Лицензия — Apache-2.0. В карточке также описана роль модели как общей основы для задач плотного распознавания, но сама модель опубликована с задачей классификации.

Tamil-BERT-SQuAD — модель L3Cube-Pune для ответов на вопросы по предоставленному тексту на тамильском языке. Это модель BERT для извлечения ответа из контекста, дообученная на переводном наборе данных L3Cube-IndicSQuAD; базовая модель — l3cube-pune/tamil-bert. Модель содержит 264,8 млн параметров, принимает текстовые вопросы и контекст и выдаёт текстовый ответ. Максимальная длина контекста — 512 токенов. Модель подходит для систем поиска ответов по тамильским документам и для оценки или экспериментов с вопросно-ответными системами для индийских языков. Она предназначена для тамильского языка; перенос на другие языки или задачи не заявлен. Лицензия — CC BY 4.0.

Модель billingsmoore/tibetan-asr-nict-tib1-wav2vec2-base разработана авторами исследования Дж. Муром, С. Ли и П. Лореном как часть набора чекпойнтов для оценки распознавания тибетской речи. Это wav2vec 2.0 Base с архитектурой Wav2Vec2ForCTC, полностью дообученная на корпусе NICT-Tib1; все параметры обновлялись, адаптеры и квантизация не использовались. Модель принимает аудио и преобразует речь в текстовую транскрипцию на тибетском языке.

deepset/tinyroberta-6l-768d — компактная языковая модель на архитектуре RoBERTa, разработанная deepset и полученная дистилляцией roberta-base методом TinyBERT. Модель содержит 95,2 млн параметров, принимает текст и рассчитана на английский язык; при обучении использовались данные The PILE. По карточке Hugging Face, модель предназначена для задачи question answering, а её контекст ограничен 514 токенами. Модель может служить компактной основой для задач обработки текста и дальнейшего дообучения для извлечения ответов из контекста. Она не проходила специализированную дистилляцию под конкретную задачу; deepset указывает на tinyroberta-squad2 как на вариант, уже дообученный для extractive QA. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

Xenova/toxic-bert — модель для классификации токсичности текста, разработанная на основе unitary/toxic-bert и распространяемая с весами в формате ONNX. Репозиторий подготовлен для совместимости с библиотекой Transformers.js и ориентирован на выполнение классификации непосредственно в JavaScript-приложениях, включая веб-сценарии. Модель предназначена для анализа текстовых сообщений и может использоваться, например, при предварительной модерации пользовательского контента и выявлении токсичных высказываний. В README приведён пример применения через pipeline с задачей text-classification. Подробные сведения о размере модели, архитектуре, поддерживаемых языках, длине контекста и точных метриках не указаны. Ключевое преимущество — наличие ONNX-весов, упрощающих использование модели в экосистеме Transformers.js. Ограничения и условия лицензирования в предоставленных данных не описаны; также отсутствует информация о точности, наборе данных и границах применимости модели.

Transductor TC Mid — компактная модель генерации сокращённых пошаговых рассуждений, разработанная автором репозитория на основе LiquidAI/LFM2.5-2.6B. Она предназначена для преобразования подробной трассы рассуждений более сильной модели в короткую, понятную учебную трассу с одним путём решения; результат рассчитан на сохранение и использование как обучающих данных, а не на диалог с пользователем. Модель имеет плотную архитектуру LFM2 и содержит 2,6 млрд параметров. Это слитый BF16-чекпойнт базовой модели, SFT LoRA и SimPO-дельты; для загрузки не требуется отдельно подключать адаптер. Контекст составляет до 131 072 токенов. Основной язык обучения — английский; другие языки опираются на возможности базовой модели. Модель сокращает и переформулирует входную трассу, стараясь сохранить её содержание и дословно перенести итоговый ответ. Она не проверяет правильность исходных рассуждений и может сформировать связную, но неверную трассу, если исходный ответ ошибочен. Для работы необходимы заданный формат входа из четырёх частей и системный промпт соответствующего уровня; обычный чатовый ввод не является штатным сценарием. При пакетной генерации с левым дополнением в Transformers нужно удалять токены заполнения до декодирования, иначе они могут попасть в обучающие данные. Лицензия указана как other; конкретные условия в карточке не раскрыты.

Trinity Mini Base — базовая языковая модель Arcee AI семейства Trinity, представленная как версия для дальнейшего дообучения. По README, модель имеет архитектуру AfmoeForCausalLM с 26 млрд параметров, из которых активны 3 млрд; используется разреженная MoE-схема со 128 экспертами, 8 активными и одним общим. Метаданные каталога указывают 1,9 млрд параметров, поэтому размер в источниках расходится. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и последующего обучения под конкретные задачи или предметную область; README предупреждает, что исходная версия не подходит для диалога без дообучения. Обучение проведено на 10 трлн токенов с дополнительным материалом по математике и программированию. В карточке перечислены английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский языки. Лицензия — OpenMDW-1.1 по README, а метаданные обозначают её как other.

Карточка модели CollectionStudio/Trinity-Mini-Base на Hugging Face совпадает с карточкой arcee-ai/Trinity-Mini-Base, поэтому описание составлено по ней. Trinity Mini Base — базовая языковая модель Arcee AI семейства Trinity, представленная как версия для дальнейшего дообучения. По README, модель имеет архитектуру AfmoeForCausalLM с 26 млрд параметров, из которых активны 3 млрд; используется разреженная MoE-схема со 128 экспертами, 8 активными и одним общим. Метаданные каталога указывают 1,9 млрд параметров, поэтому размер в источниках расходится. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и последующего обучения под конкретные задачи или предметную область; README предупреждает, что исходная версия не подходит для диалога без дообучения. Обучение проведено на 10 трлн токенов с дополнительным материалом по математике и программированию. В карточке перечислены английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский языки. Лицензия — OpenMDW-1.1 по README, а метаданные обозначают её как other.

Карточка модели CollectionStudio/Trinity-Mini-Base-Pre-Anneal на Hugging Face совпадает с карточкой arcee-ai/Trinity-Mini-Base-Pre-Anneal, поэтому описание составлено по ней. Trinity-Mini-Base-Pre-Anneal — базовая языковая модель компании Arcee AI из семейства Trinity. Это причинная MoE-модель на архитектуре AfmoeForCausalLM: 26 млрд параметров всего, из них 3 млрд активны при генерации; использует 128 экспертов, включая 8 активных и один общий. Контекст составляет 4096 токенов. Модель обучена на 8,8 трлн токенов, включая значительные объёмы математических и программных данных. Это предобученный чекпойнт до этапа anneal, поэтому он предназначен для дальнейшего обучения и адаптации под конкретную область, а не для диалогов или общего использования без дообучения. Поддерживаемые языки включают английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский. Модель распространяется в формате Safetensors по лицензии OpenMDW-1.1; метаданные Hugging Face обозначают лицензию как other.

Карточка модели CollectionStudio/Trinity-Nano-Base на Hugging Face совпадает с карточкой arcee-ai/Trinity-Nano-Base, поэтому описание составлено по ней. Trinity Nano Base — базовая языковая модель семейства Trinity от Arcee AI, построенная на архитектуре AfmoeForCausalLM с разреженной смесью экспертов (MoE). В README указаны 6 млрд параметров, из которых 1 млрд активен при вычислении; метаданные каталога приводят 880,3 млн параметров, поэтому размер в карточке модели расходится. Модель обучена на 10 трлн токенов, использует 128 экспертов (8 активных и один общий) и поддерживает контекст до 128 тыс. токенов. Модель предназначена для дальнейшего обучения под конкретную область и задач генерации текста, включая математику, программирование, рассуждения и ответы на вопросы. Это базовая модель до диалогового дообучения: README предупреждает, что она не подходит для общения в готовом виде. Указана поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. В метаданных отмечен интерфейс вызова инструментов, но готовое качество диалогового или инструментального поведения не заявлено. Модель создана с использованием данных, подготовленных при участии Datology, и обучалась на кластере из 512 ускорителей H200. Репозиторий содержит веса в формате safetensors; лицензия указана как OpenMDW-1.1 в README и как other в метаданных. Показатели из бенчмарков приведены в карточке, но сами по себе не гарантируют качество на прикладных задачах.

timm/twins_pcpvt_large.in1k — модель классификации изображений из семейства Twins-PCPVT, обученная авторами статьи на ImageNet-1k. Её можно использовать как готовый классификатор или как визуальный backbone для извлечения признаков. Архитектура относится к Vision Transformers и использует пространственное внимание. Модель содержит 61 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 9,8 GMACs. Репозиторий содержит веса PyTorch и SafeTensors; для работы предназначена библиотека timm. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных. README также показывает использование для получения эмбеддингов, но не приводит подробностей о переносе на другие наборы данных или задачах.

unitary/unbiased-toxic-roberta — модель классификации текста, разработанная Лаурой Хану и командой Unitary для выявления токсичных комментариев и снижения непреднамеренной предвзятости к упоминаниям идентичностей. Она основана на RoBERTa с классификационной головой, содержит около 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для проверки комментариев и помощи модераторам в выявлении оскорблений, угроз, непристойного содержания, атак на идентичности и других видов токсичности. Вариант unbiased обучен для задачи Jigsaw Unintended Bias in Toxicity Classification; метаданные указывают задачу text-classification. README описывает линейку моделей Detoxify и приводит семь языков для мультиязычного варианта, однако не подтверждает, что этот конкретный чекпойнт является мультиязычным. Модель может ошибочно считать токсичными комментарии с бранными словами вне зависимости от тона и намерения, включая юмор и самоиронию; также отмечен риск предвзятости к уязвимым группам. Для применения в модерации результаты следует проверять и оценивать на данных, отражающих реальные демографические группы. Лицензия репозитория — Apache-2.0.

Vanilla — Base (1.7B) — базовая предобученная языковая модель, разработанная dlab-spp. Она обучена с нуля на архитектуре SmolLM2-1.7B с помощью стандартного предсказания следующего токена примерно на 100 млрд токенов из части смеси Olmo 3 Dolma 3. Модель использует токенизатор SmolLM2 с словарём из 49 152 токенов и имеет контекстное окно 2 048 токенов. Модель предназначена для продолжения текста, исследовательского анализа поведения и безопасности, а также для дальнейшего дообучения. Это базовая модель без instruction tuning и шаблона чата; она не оптимизирована для выполнения инструкций и может выдавать ошибочную или небезопасную информацию. Опубликованы промежуточные контрольные точки обучения, подходящие для оценки, исследования и дообучения; состояние оптимизатора и генератора случайных чисел отсутствует, поэтому точное возобновление исходного обучения невозможно. Лицензия указана как other.

ViHateT5-base — предобученный текстовый трансформер семейства T5 для вьетнамского языка, разработанный для исследований и задач обнаружения языка ненависти. Чекпойнт содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате Flax; максимальная длина контекста — 512 токенов. Модель предназначена как основа для дообучения на прикладных задачах, особенно для обнаружения языка ненависти во вьетнамских текстах. В качестве предобучающего корпуса указан VOZ-HSD. Для классификации языка ненависти следует использовать дообученный на целевой задаче вариант ViHateT5-HSD либо дообучить этот чекпойнт самостоятельно. Карточка не сообщает лицензию. Примеры в статье и данных могут содержать токсичный и оскорбительный контент; перед использованием результатов в прикладной разметке потребуется оценить качество и ограничения на целевых данных.

Это модель классификации изображений на базе Vision Transformer (ViT), разработанная Россом Уайтманом для библиотеки timm. Вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит 60,4 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В сравнительной таблице README для этой версии указаны точности top-1 86,608% и top-5 97,934%. Для практического использования доступны веса в форматах PyTorch и safetensors; модель распространяется по лицензии Apache-2.0. Она ориентирована на категории ImageNet и не предназначена сама по себе для распознавания объектов, сегментации или анализа изображений с естественно-языковыми запросами.

WinKawaks/vit-tiny-patch16-224 — компактная модель для классификации изображений на основе Vision Transformer (ViT). Автор сообщает, что веса преобразованы из репозитория timm, поскольку Google не публиковала контрольные точки ViT-Tiny и ViT-Small на Hugging Face. Модель содержит 7,1 млн параметров и обучена на ImageNet. Модель принимает изображение и предсказывает класс объекта. Её можно применять для классификации изображений в приложениях компьютерного зрения, где важен небольшой размер модели. Репозиторий содержит веса PyTorch и SafeTensors; для загрузки варианта SafeTensors требуется PyTorch 2.0 или новее. Лицензия — Apache-2.0.

V-JEPA 2.1 ViT-g/16 384 — конвертированная упаковка видеомодели Meta AI в формате Hugging Face для библиотеки Transformers. Репозиторий содержит энкодер и предиктор с исходными весами Meta; в энкодере объединённые проекции QKV разделены на отдельные матрицы query, key и value без изменения весов. В README указан размер 1,07 млрд параметров, а метаданные каталога — 1,3 млрд. Модель обучена с иерархической самодистилляцией представлений последних четырёх уровней, поддерживает обработку видео с разрешением 384×384 и извлечение многоуровневых признаков. Модель предназначена для извлечения признаков из видеоклипов и как основа для обучения проб классификации видео. Также доступны промежуточные представления энкодера и предиктор для masked prediction. Пространственно-временные токены формируются с сеткой 24×24 и временным измерением в половину числа кадров; интерполяция RoPE позволяет использовать другие разрешения и неквадратные кадры. Число токенов быстро растёт с длиной клипа, поэтому длинные видео требуют значительных вычислительных ресурсов. Классификационная голова и attentive pooler инициализируются заново и требуют обучения. Лицензия — MIT.

Карточка модели maitrix-org/Voila-autonomous-preview на Hugging Face совпадает с карточкой maitrix-org/Voila-Tokenizer, поэтому описание составлено по ней. Voila-Tokenizer — аудиотокенизатор семейства Voila от Maitrix, построенный на архитектуре EnCodec и представленный в формате safetensors. Он предназначен для преобразования аудио в представление, пригодное для работы голосовых языковых моделей и обратного преобразования в аудио; в карточке Hugging Face основная задача отмечена как audio-to-audio. Проект Voila описывает применение токенизатора в единой системе голосовых задач, включая распознавание речи, синтез речи, перевод речи и голосовой диалог в реальном времени. В метаданных перечислены английский, китайский, французский, немецкий, японский и корейский языки. Для семейства Voila заявлены потоковая обработка с низкой задержкой и поддержка множества голосов; конкретные параметры и результаты для этого токенизатора отдельно не приведены. Модель распространяется по лицензии MIT.

JayLL13/VoxCPM-1.5-VN — дообученный на вьетнамском корпусе vivoice-relabeled чекпойнт модели VoxCPM1.5 от OpenBMB для синтеза речи из текста. В README указан обучающий набор объёмом 1000 часов, контрольная точка на 100 000-й итерации и частота дискретизации синтезируемого аудио 44,1 кГц. Модель предназначена для генерации речи на вьетнамском языке; базовая VoxCPM1.5 также поддерживает клонирование голоса по короткому аудиофрагменту. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY-SA 4.0. Автор позиционирует модель для исследований, экспериментов и разработки технологий и запрещает неправомерное копирование голоса, выдачу синтетической речи за речь реального человека и другие обманные сценарии.

В репозитории размещён текстовый энкодер UMT5-XXL для конвейера генерации видео WAN 2.2. Автор карточки описывает его как компонент для понимания текстовых запросов и преобразования их в эмбеддинги, которые задают условия генерации видео по тексту или изображению. Энкодер содержит около 11 млрд параметров, поддерживает контекст до 512 токенов и имеет размерность эмбеддингов 4096. Веса представлены в формате GGUF с точностью FP16 без квантизации; карточка указывает на совместимость с Diffusers, Transformers и llama.cpp, а также на поддержку многоязычного кодирования текста. Репозиторий содержит компонент энкодера, а не полный генератор видео: для запуска WAN 2.2 нужны остальные части конвейера. Для работы энкодера заявлены 12 ГБ видеопамяти и 16 ГБ оперативной памяти как минимальные требования. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

WangchanBERTa base — предварительно обученная языковая модель для тайского языка, разработанная Lalita Lowphansirikul, Charin Polpanumas, Nawat Jantrakulchai и Sarana Nutanong. Модель основана на архитектуре RoBERTa и представлена классом RobertaForMaskedLM; содержит 132,5 млн параметров и работает с контекстом до 512 токенов. Для токенизации используется SentencePiece с unigram-словарём из 25 000 подслов. Основное назначение — восстановление замаскированных фрагментов тайского текста. Модель обучена на разнообразных тайских текстах общим объёмом 78,5 ГБ и подходит как базовый чекпойнт для языкового моделирования и дальнейшей настройки под классификацию текстов или разметку токенов. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя.