II.10Разработка и эксплуатация AI/ML-систем

akhooli/xlm-r-large-arabic-toxic — модель классификации текста, разработанная на основе XLM-RoBERTa-Large и дообученная для выявления токсичных и оскорбительных высказываний в комментариях на арабском языке. Она относит текст к одному из двух классов: нетоксичный или токсичный. Модель предназначена для модерации комментариев и первичной фильтрации потенциально токсичных сообщений. В README также заявлена возможность классификации без дополнительного обучения для других языков и смешанных арабско-английских текстов. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 658,7 млн параметров, максимальная длина контекста — 514 токенов. Модель распространяется в формате PyTorch по лицензии MIT. Качество классификации для языков помимо арабского и смешанных текстов отдельно не охарактеризовано; результаты следует проверять на целевых данных.

XLM-R Longformer, или XLM-Long, — мультиязычная модель на архитектуре XLM-RoBERTa с механизмом Longformer, разработанная в рамках магистерского проекта в Peltarion. Её дообучили от чекпойнта XLM-RoBERTa по схеме предварительного обучения Longformer на английском корпусе WikiText-103. Модель содержит 305,2 млн параметров и рассчитана на последовательности до 4098 токенов; основной сценарий из карточки Hugging Face — заполнение пропусков в тексте. Увеличенное окно контекста предназначено для экспериментов с эффективными трансформерами и последующей адаптации к задачам на длинных последовательностях, включая многоязычный вопросно-ответный поиск. В README также упоминается дообучение для задач вопросно-ответного типа. Модель поддерживает мультиязычные тексты, но предварительно обучалась на англоязычном WikiText-103, поэтому качество для отдельных языков может различаться. Для обучения авторы рекомендуют крупный GPU, NVIDIA Apex, точность 16 бит и накопление градиентов. Лицензия — Apache-2.0.

Это зеркало модели Ornith 1.0 35B abliterated, опубликованное imbutus для запуска через vLLM и загрузчиков на основе Transformers. Веса скопированы без изменений из YuYu1015/YuYu1015-Ornith-1.0-35B-abliterated; в репозитории добавлены конфигурации мультимодального препроцессора из deepreinforce-ai/Ornith-1.0-35B, чтобы включить загрузку изображений и видео. Архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; файлы весов представлены в safetensors. Модель принимает текст и изображения и предназначена для диалоговых мультимодальных запросов. Базовый контекст составляет 262144 токена, а в приведённой конфигурации запуска ограничен 131072 токенами для размещения KV-кэша на одном GPU. Лицензия — Apache-2.0. Зеркало не меняет веса, а добавляет файлы конфигурации препроцессора.

ACI Yoruba Phase 9 — модель автоматического распознавания речи на базе Wav2Vec2, опубликованная Awesome-x. Репозиторий содержит акустические веса Phase 8, декодер KenLM на 5-граммах с параметрами alpha=0.5 и beta=1.0, а также фонетическую карту для исправления распространённых ошибок написания при распознавании. Число параметров — около 402,7 млн; веса сохранены в формате safetensors. Модель предназначена для преобразования аудиозаписей на йоруба в текст. В README указана оценка WER 12,63% на отложенной выборке из 55 примеров после симметричного удаления пунктуации из предсказаний и эталонов. Разработчики рекомендуют для производственного применения более позднюю модель Phase X, которая показала более низкий WER на том же тесте; Phase 9 сохранена для воспроизводимости. Лицензия — Apache 2.0.

AfriGuardInst-tiny-aya-global-lora-merged — дообученная Cohere Labs модель Cohere2ForCausalLM с 3,3 млрд параметров, созданная на базе CohereLabs/tiny-aya-global. Модель дообучена методом LoRA ранга 16 на наборе israel/AfriGuard-inst, после чего адаптер объединён с базовыми весами. В обучающих примерах использовались инструкции по безопасности вместе с пользовательскими запросами; модель предназначена для диалоговой генерации ответов с учётом этих инструкций. Модель принимает текст и генерирует текст, поддерживает чат и имеет контекстное окно до 8192 токенов. Базовая модель многоязычная, а карточка связывает этот вариант с африканскими языками и английским; в метаданных перечислены en, am, ha, ig, om, sn, sw, tw, wo, yo и zu. Указана лицензия CC BY-NC 4.0, допускающая использование только на некоммерческих условиях.

Карточка модели rmaser/aloe-siglip2-so400m-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.

BAAR3-19M — компактная многоязычная авторегрессионная языковая модель для генерации текста и диалогов, разработанная проектом aixk. По карточке модели, она предназначена для интерактивной генерации на устройствах с ограниченными вычислительными ресурсами, включая встроенные и периферийные системы. Также её можно использовать как основу для лёгких RAG-сценариев. Модель имеет плотную архитектуру семейства FHN, около 37,7 млн параметров по метаданным и контекстное окно 512 токенов. Поддерживает 20 языков: немецкий, английский, испанский, французский, японский, корейский, китайский, итальянский, нидерландский, польский, португальский, русский, арабский, болгарский, греческий, хинди, тайский, турецкий и вьетнамский; README также заявляет поддержку суахили. Модель поставляется в формате Safetensors. Это базовый предварительно обученный чекпойнт, поэтому для точных ответов, специализированных задач и надёжного выполнения инструкций рекомендуется дообучение или подключение поиска по источникам. Лицензия указана как некоммерческая; для коммерческого использования автор предлагает связаться для обсуждения условий.

KBLab/bert-base-swedish-cased-alpha — языковая модель семейства ALBERT, разработанная KBLab Национальной библиотеки Швеции. Она предназначена для работы со шведским текстом; метаданные указывают задачу fill-mask, архитектуру BertForMaskedLM, 151,6 млн параметров и контекст до 512 токенов. Карточка относит модель к alpha-версии и показывает использование через Transformers для предсказания замаскированных токенов. Модель обучалась с сохранением регистра и whole word masking. Её можно применять для подстановки пропущенных слов и как основу для дообучения на шведские задачи обработки языка. В карточке репозитория лицензия не указана; описание моделей KBLab характеризует alpha-вариант как первую попытку ALBERT для шведского языка.

priyaganesh2050/bert-tiny — зеркало компактной модели BERT, представляющее собой неизменённую копию prajjwal1/bert-tiny. Модель разработана авторами исходного чекпойнта; в копии сохранена лицензия MIT. Архитектура включает 2 слоя, размер скрытого представления 128 и 2 attention heads; всего около 4,4 млн параметров. Модель работает с текстом на английском языке и поддерживает контекст до 512 токенов. Чекпойнт предназначен для задачи fill-mask: предсказания пропущенных токенов в тексте. Небольшой размер позволяет запускать её на CPU и использовать для учебных примеров, тестирования обучающих циклов и CI, а также как лёгкую базовую модель для развёртывания на устройствах с ограниченными ресурсами. README также показывает загрузку через Transformers как модели для получения представлений текста. Из-за малой глубины модель уступает более крупным BERT по качеству и не подходит для сценариев NLP, чувствительных к точности. Копия распространяется по лицензии MIT; README указывает, что авторство исходной модели принадлежит её разработчикам.

JungleLee/bert-toxic-comment-classification — модель на базе BERT, дообученная для классификации токсичных комментариев. Она предназначена для анализа англоязычного текста и может использоваться для выявления токсичности в комментариях и пользовательских сообщениях. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для обучения использовали 90% данных train.csv из соревнования Kaggle; на отложенной выборке из 1500 строк автор сообщает результат 0,95 AUC. Модель распространяется в формате PyTorch по лицензии AFL-3.0. Карточка не уточняет набор категорий токсичности и метрики качества для отдельных категорий.

BiniGPT-0.1B-FM — англоязычная авторегрессионная языковая модель на архитектуре GPT-2, опубликованная Абхишеком Кумаром (KumarXAI). Это дообученная версия openai-community/gpt2, представленная как первый эксперимент автора с размещением модели и основа для будущей серии. Модель использует Transformer-декодер и генерирует продолжение текста по входному промпту; контекст составляет 1024 токена. Модель предназначена для проверки производительности инференса, валидации локальных конвейеров и экспериментов с few-shot промптами, задающими стиль продолжения. Это базовая модель без RLHF и настройки на инструкции, поэтому она не рассчитана на диалоговые ответы. В README отмечены склонность к фактическим ошибкам, предвзятым формулировкам и повторам; данные обучения и результаты оценки не описаны. Распространяется по лицензии MIT.

DataikuNLP/camembert-base — копия предобученной модели CamemBERT, разработанной Луи Мартеном, Бенжаменом Мюллером, Педро Хавьером Ортисом Суаресом и коллегами. Это плотная модель семейства CamemBERT на архитектуре RoBERTa, обученная на французских текстах OSCAR. В репозитории доступны веса PyTorch и TensorFlow; число параметров по метаданным — 137,8 млн, длина контекста — 514 токенов. Модель предназначена прежде всего для заполнения пропусков в тексте: она предсказывает замаскированные слова с учётом контекста. Её также можно использовать как основу для извлечения контекстных представлений и дообучения под задачи обработки французского языка. Лицензия — MIT. Репозиторий обозначен в README как копия другого репозитория CamemBERT.

Модель AgentPublic/camembert-base-toxic-fr-user-prompts — дообученная версия CamemBERT-base, разработанная автором репозитория и настроенная для классификации пользовательских запросов на французском языке. Она присваивает запросу одну из трёх категорий: токсичный, нетоксичный или чувствительный. К токсичным относятся в том числе оскорбительные и вредоносные запросы, а также попытки обойти ограничения; чувствительная категория охватывает, например, темы суицида и агрессии. Модель содержит 137,8 млн параметров, использует архитектуру CamemBERT для классификации последовательностей и принимает текст с контекстом до 514 токенов. Её можно применять для первичной модерации запросов и выявления чувствительных тем во франкоязычных чатах. В README приведены предварительные метрики: F1 0,96 для нетоксичных, 0,98 для чувствительных и 0,88 для токсичных запросов; оценка ещё продолжается, а модель остаётся в разработке. Лицензия — Apache-2.0.

ConvNeXT XLarge — сверточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и представленная в репозитории Hugging Face. Она обучена на ImageNet-1k для классификации изображений с разрешением 224×224 пикселя и предсказывает один из 1000 классов ImageNet. Архитектура ConvNeXT — чистая сверточная сеть, дизайн которой вдохновлён Vision Transformers и Swin Transformer. Модель можно использовать для классификации изображений общего назначения или как основу для специализированных версий. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Она предназначена для классификации изображений; карточка не описывает другие задачи и специализированные области применения.

LiefOlsonMd/deberta-v3-base — опубликованная в формате safetensors копия англоязычной модели Microsoft DeBERTa-v3-base с файлами токенизатора. Это плотная модель семейства DeBERTa-v2 с 211,6 млн параметров и контекстом до 512 токенов; она предназначена для предсказания пропущенных токенов в тексте и может служить основой для дообучения на задачи понимания текста. Репозиторий можно использовать через Transformers. Модель принимает текст и предсказывает замаскированные токены. В README приведена оценка размера около 184 млн параметров, тогда как метаданные указывают 211,6 млн. Лицензия — MIT.

StrictlyInsecure разработала компактный англоязычный классификатор сообщений для модерации чатов. Модель основана на sentence-transformers/all-MiniLM-L12-v2 с классификационной головой на четыре класса: benign, abusive, spam и flood. В репозитории есть 33 МБ версия INT8 в формате ONNX и checkpoint safetensors; метаданные указывают 40 млн параметров, а карточка модели — контекст до 200 токенов. Лицензия — Apache-2.0. Модель предназначена для быстрого первичного отбора сообщений в конвейере модерации, включая выявление оскорблений, токсичности, спама и флуда. Автор сообщает о задержке около 4,1 мс и показателях на собственном отложенном наборе: 3,9% ложных срабатываний и 2,2% пропущенных случаев злоупотреблений в близком к обучающим данным регистре. Эти результаты не переносятся на все типы чатов: на реальном игровом чате доли ошибок существенно выше. Оценки классов spam и flood основаны на синтетических шаблонах, а уклонение от фильтра синтетическими способами покрыто ограниченно. Модель рассчитана на роль фильтра первого прохода с последующей проверкой человеком или более сильной системой, а не на автоматические баны.

DPO-Think-7B — языковая модель-верификатор кода, разработанная проектом Aletheia-Bench. Она дообучена методом DPO на наборах пар предпочтительных и отклонённых ответов с рассуждениями, используя DeepSeek-R1-Distill-Qwen-7B как базовую модель. Архитектура — плотная Qwen2, размер — 7,1 млрд параметров; модель работает с текстом и имеет контекст до 131 072 токенов. Модель предназначена для проверки и ранжирования нескольких вариантов решения задачи программирования. Её можно использовать как оценщик кода в контурах оптимизации генеративных моделей, например RLHF/RLAIF, а также для автоматизированного сравнения решений и исследований методов обучения верификаторов. По карточке, DPO-Think использует офлайн-оптимизацию предпочтений без выборки на текущей политике. Модель ориентирована на задачи соревновательного программирования; в обучающих данных представлены решения на Python, C++ и Java. Лицензия CC-BY-NC-SA-4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Карточка не приводит количественных результатов качества именно этой версии; ответы модели следует проверять на целевых задачах.

DroidDetect-Base — классификатор кода, разработанный project-droid и дообученный на answerdotai/ModernBERT-base на датасете DroidCollection. Он относит фрагменты кода к одному из четырёх классов: написан человеком, сгенерирован машиной, доработан ИИ или создан с применением состязательных методов. Модель предназначена для выявления кода, связанного с генеративным ИИ, и различения его типов. При обучении использовались Cross-Entropy Loss и Batch-Hard Triplet Loss: дополнительная контрастивная составляющая помогает разделять представления человеческого и машинного кода. Модель принимает текст кода и выдаёт метку класса. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Надёжность классификации для разных языков программирования и устойчивость к новым способам маскировки в предоставленных данных не оценены.

Ethical Eye — модель классификации текста, разработанная Khush Patel и Jayveersinh Raj из AutopilotAI. Она предназначена для выявления токсичных, оскорбительных, непристойных и иных потенциально вредных комментариев, чтобы помогать модерировать пользовательский контент и проверять ответы чат-ботов. Модель построена на архитектуре XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает текст и выдаёт метки классификации; заявлена поддержка множества языков, включая русский, английский, французский, хинди, испанский и китайский. Максимальный контекст — 514 токенов. Модель распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Её можно применять для первичной фильтрации комментариев в социальных сетях, форумах и образовательных или торговых платформах, а также как вспомогательную проверку ответов виртуальных ассистентов. Предсказания могут упускать контекстные нюансы и отражать смещения обучающих данных, поэтому модель не следует использовать как единственное основание для решений о пользователях или контенте; может потребоваться настройка под конкретный язык и область. Лицензия — Apache 2.0.

Experiment27-7B — экспериментальная языковая модель на архитектуре Mistral, представленная yam-peleg. В README она описана как часть исследования конвейера обучения и оценки LLM, включая подготовку данных, алгоритмы обучения и метрики оценки. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекст до 32 768 токенов. В карточке указаны английский язык и библиотека Transformers; веса опубликованы в формате safetensors. Основная задача по метаданным — генерация текста. Карточка не описывает специальные пользовательские сценарии или подтверждённые преимущества качества; модель позиционируется как эксперимент для проверки и доработки исследовательского конвейера. Лицензия — Apache-2.0.

tiiuae/falcon-mamba-tiny-dev — небольшая языковая модель от Technology Innovation Institute, построенная на архитектуре Falcon Mamba. Карточка Hugging Face помечает её как модель для генерации текста и описывает как «tiny model for development purpose»; размер составляет 8,77 млн параметров. Модель предназначена для разработки и экспериментов с генерацией текста и диалоговым интерфейсом. Она принимает текст и генерирует текст; в карточке приведён пример использования с chat template через Transformers. Поддерживаемые языки и длина контекста в доступных источниках не установлены. Карточка указывает формат Safetensors и лицензию Apache-2.0. Из-за крайне малого размера и пометки о назначении для разработки её следует рассматривать как облегчённую модель для тестирования и прототипирования, а не как универсальную высококачественную разговорную модель.

Forge Tiny Drift — небольшая интерпретируемая модель для демонстрации развёртывания классификатора на промышленных периферийных устройствах в нескольких средах выполнения. Она принимает окно из 50 циклов с двумя каналами: пиковой силой в кН и отклонением детали в мм. По шести детерминированным признакам, включая наклон и разброс силы, максимальное и последнее отклонение, логистическая модель вычисляет вероятность дрейфа L0. В метаданных указана задача tabular-classification; доступны артефакты ONNX и TFLite, а также варианты для PyTorch и TensorFlow. Модель обучена на 2 048 детерминированных синтетических окнах с фиксированным seed. Она предназначена для демонстрации переноса и согласованности предсказаний между средами выполнения, а не для подтверждения точности обнаружения дрейфа на реальном оборудовании. Результат служит только поддержкой принятия решений: модель не выдаёт команд управления оборудованием. Лицензия — Apache-2.0.

deepset/gbert-base — базовая немецкоязычная модель BERT, созданная совместно авторами оригинальной German BERT и dbmdz BERT; среди разработчиков указаны Branden Chan, Stefan Schweter и Timo Möller. Модель обучена для работы с немецким текстом и использует архитектуру BERT base с головой masked language modeling. В каталоге Hugging Face указаны 137,1 млн параметров и контекст до 512 токенов. Основная задача модели — заполнение пропусков в тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Её можно применять как основу для задач понимания немецкого языка и адаптировать под конкретные сценарии. В README приведены результаты на наборах GermEval14 и GermEval18, где модель, по утверждению авторов, превосходит предшественников. Обучение использовало данные, связанные с Wikipedia, OPUS и OpenLegalData. Модель распространяется по лицензии MIT. Она предназначена для немецкого языка и не является генеративным чат-ассистентом; основное применение — masked language modeling, а не свободная генерация длинных текстов.

tinyopsec/GenPRM-7B-GGUF — набор GGUF-квантизаций модели GenPRM-7B, разработанной командой GenPRM и авторами Jian Zhao и соавторами. Модель основана на архитектуре Qwen2 и обучена на базе DeepSeek-R1-Distill-Qwen-7B. Репозиторий tinyopsec предназначен для запуска модели в llama.cpp и совместимых средах. Модель представляет собой генеративную process reward model для математического рассуждения. Она анализирует решения пошагово, выполняет явное рассуждение и проверку кода, после чего выносит суждение о корректности отдельных этапов. Поддерживаются сценарии verifier и critic, оценка относительного прогресса (RPE), критика и уточнение решений, а также масштабирование вычислений во время выполнения с помощью параллельной генерации и голосования по большинству. Заявленный язык — английский; поддерживается текстовая модальность. Доступны варианты от F16 размером 15,2 ГБ до Q2_K размером 3,02 ГБ, включая рекомендуемый для общего использования Q4_K_M размером 4,68 ГБ. Квантизация позволяет запускать модель на устройствах с ограниченной памятью, но более сильное сжатие может снижать качество. Фактические требования зависят от длины контекста, KV-кэша и настроек среды выполнения; в примере указано значение контекста 8192 токена. Модель распространяется по лицензии MIT.

GeoDiffusion — модель генерации изображений, дообученная авторами репозитория на базе Stable Diffusion v1.5 для создания синтетических данных обнаружения объектов. Этот чекпойнт обучен на наборе nuImages и генерирует изображения размером 512×512 с условиями по времени суток и погоде. Модель предназначена для расширения обучающих наборов компьютерного зрения, в частности сценариев, связанных с автономным транспортом и дорожной обстановкой. Она использует Stable Diffusion Pipeline из библиотеки Diffusers и распространяется в форматах Diffusers и PyTorch по лицензии MIT. README отсылает к репозиторию GitHub за подробностями использования; сведения о поддерживаемом текстовом вводе и ограничениях качества не приведены.

Anbeeld/GLM-5.3-DFlash2-GGUF — набор GGUF-квантизаций черновой модели DFlash 2, разработанной Inco AI для GLM-5.3 от zai-org. Это не самостоятельная языковая модель, а вспомогательный draft-модуль для серверов со спекулятивным декодированием: он предлагает блок токенов, после чего целевая модель GLM-5.3 проверяет их. Модель использует блочно-диффузионный подход, предсказывает несколько токенов параллельно и выбирает согласованный путь кандидатов; заявлено сохранение точности целевой модели при жадной генерации и исходного распределения при sampling. Модель предназначена для ускорения инференса GLM-5.3 в задачах генерации текста, рассуждений, математики, программирования и диалогов. В опубликованных тестах DFlash 2 показала более высокую среднюю длину принятых последовательностей и пропускную способность, чем native MTP и авторегрессионное декодирование: ускорение достигало 3,39 раза при единичной конкуренции и зависело от задачи и нагрузки. Для работы требуются совместимый сервер спекулятивного декодирования и целевая модель GLM-5.3; указана поддержка SGLang, vLLM версии 0.28.0 и выше, а также BeeLlama.cpp. README не указывает размер модели, поддерживаемые языки, контекстное окно или полный перечень модальностей. Основное ограничение — невозможность самостоятельного использования без GLM-5.3 и совместимой инфраструктуры; результаты производительности зависят от оборудования, настроек и уровня конкуренции. Модель распространяется по лицензии CC BY-NC-ND 4.0 для исследований и оценки; коммерческое лицензирование требует обращения к Inco AI.

Blackfrost GLM-5.3-F.U-AnthraClaud-Edition-BF16 — текстовая диалоговая модель, созданная Blackfrost на основе zai-org/GLM-5.3-BF16. Это полноточный BF16 чекпойнт с изменениями весов для «de-risking»; методы изменения не раскрыты. В README указана архитектура GlmMoeDsaForCausalLM и Mixture-of-Experts, а метаданные каталога сообщают 30,4 млрд параметров и контекст до 1 048 576 токенов. Модель предназначена для авторизованных red team-проверок, исследований безопасности ИИ, оценки моделей, работы с защитными механизмами и корпоративных исследований в контролируемой среде. Она поддерживает диалог и генерацию текста; артефакт включает токенизатор и шаблон GLM для чата, а для развёртывания нужна среда с поддержкой GLM-5.3 и его токенов рассуждения и вызова инструментов. В карточке не приведены результаты оценки качества или частоты отказов. Лицензия в метаданных обозначена как other; README описывает модель как предоставляемую без гарантий. Указанный в README размер весов — 1,37 ТиБ, поэтому для запуска требуются значительные вычислительные ресурсы. Не следует считать модель готовым безопасным базовым чекпойнтом: для развёртывания карточка рекомендует независимые контроль доступа, журналирование, мониторинг и применение политик.

Это предварительно обученная модель PatchTST, разработанная IBM и предназначенная для прогнозирования временных рядов. Она обучена на обучающей части набора ETTh1 и охватывает все семь каналов данных электрического трансформатора: HUFL, HULL, MUFL, MULL, LUFL, LULL и OT. На тестовой части ETTh1 модель показала MSE 0,3881 при прогнозе на 96 часов по истории длиной 512 часов. Архитектура разбивает временные ряды на патчи и обрабатывает их Transformer-энкодером. Она использует общие веса для отдельных каналов, что помогает сохранять локальную структуру и сокращать вычислительную нагрузку. Модель подходит для оценки и дообучения на данных с теми же каналами; перед использованием данные необходимо нормализовать. README описывает прогнозирование, а также возможность адаптировать архитектуру для регрессии и классификации временных рядов. Модель распространяется в формате Safetensors, содержит около 786,4 тыс. параметров и лицензирована по Apache-2.0. Результат указан для ETTh1; применимость к другим наборам данных и каналам требует проверки или дообучения.

HaloNet50ts.a1h_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. В основе архитектуры лежит ResNet с блоками HaloNet, реализованными через BYOBNet; конфигурация настроена для умеренного времени обучения и использует меньше блоков self-attention, чем описано в соответствующей статье. Модель содержит 22,7 млн параметров, требует изображение размером 256 × 256 пикселей и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Обучение выполнено по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Языковой ввод и текстовый вывод не предусмотрены. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; карточка также предупреждает, что конфигурация не повторяет в точности настройки конкретной статьи.

Heretical-Qwen3.5-0.8B — дообученная версия Qwen3.5-0.8B-Base от автора репозитория, созданная с помощью настроенной версии Heretic. Это компактная плотная мультимодальная модель с 0,8 млрд параметров: гибридная архитектура Gated DeltaNet и Softmax Attention объединена с визуальным энкодером. Модель принимает текст и изображения и предназначена для диалогов и задач понимания изображений; контекст составляет 262 144 токена. В README сообщается о снижении частоты отказов в тесте автора до 5 из 100 при KL-дивергенции 0,0224 относительно исходной модели. Небольшой размер подходит для прототипирования, разработки и дальнейшей настройки под конкретные задачи. Карточка также заявляет поддержку 201 языка и диалекта, но не приводит таблицу языков именно этой версии. Модель распространяется в формате Safetensors для Transformers; лицензия — Apache-2.0.