II.8Инженерия данных и аналитика

Madras1/plantdoc-rtdetrv2-leaf-disease-detector — модель обнаружения объектов на изображениях листьев, разработанная на основе RT-DETRv2-R18 и дообученная на очищенной версии набора PlantDoc. Она принимает изображения размером 640 × 640 и находит области листьев, относя их к одной из 27 категорий растений или заболеваний. Модель предназначена для исследовательских экспериментов и предварительного анализа фотографий растений; она не сегментирует отдельные поражения и не является проверенной системой диагностики. Модель содержит около 20,1 млн параметров и использует архитектуру RT-DETRv2 с backbone R18. На отложенном тестовом наборе указаны mAP@[0.50:0.95] 0,239 и mAP@0.50 0,337; результаты заметно различаются между классами. Репозиторий распространяет веса в формате safetensors, для запуска указаны Transformers и PyTorch. Лицензия — Apache-2.0. Качество ограничено особенностями PlantDoc: неоднородными источниками изображений, водяными знаками, смещениями фона и неполной или непоследовательной разметкой. Модель слабо различает некоторые похожие болезни, качество обнаружения мелких объектов не установлено, а выбранный общий порог уверенности может не подходить для отдельных классов. Результаты не следует использовать самостоятельно для выбора пестицидов, лечения или иных агрономических мер; перенос на новые хозяйства, камеры, сорта, регионы и условия освещения не подтверждён.

Protein Matryoshka Embeddings — модель на базе BERT, созданная monsoon-nlp для получения векторных представлений белковых последовательностей. Она дообучена на Rostlab/prot_bert_bfd с использованием Matryoshka loss и данных о сходстве пар белков из UniProt/Swiss-Prot. Модель содержит 503,3 млн параметров, принимает последовательности аминокислот в однобуквенных кодах IUPAC-IUB и поддерживает контекст до 40 000 токенов. Векторные представления предназначены для поиска сходных белков и последующего использования в задачах классификации и регрессии. Matryoshka loss позволяет применять укороченные эмбеддинги для более быстрого поиска; в README приведены результаты корреляции косинусного сходства на валидационных парах. Лицензия — CC.

ProTrek_650M_UniRef50_protein_encoder — версия модели ProTrek, подготовленная для работы с библиотекой Sentence Transformers. Она предназначена для получения векторных представлений белковых последовательностей и сравнения их семантической близости, например для поиска, кластеризации и извлечения признаков. Модель использует контрастивное обучение для представления белковых данных; в описанной архитектуре ProTrek также объединяет информацию о последовательностях, структуре белка и тексте. Модель основана на ESM-архитектуре и содержит около 865,1 млн параметров. Максимальная длина последовательности — 1026 токенов, размерность выходного вектора — 1024, для сравнения используется косинусное сходство. Указаны компоненты esm2_t33_650M_UR50D, foldseek_t30_150M и PubMedBERT; эта версия оформлена как Sentence Transformer для эмбеддингов и задач сходства. Лицензия — MIT. Описание не уточняет, принимает ли именно этот чекпойнт структуру белка или текст как вход наряду с последовательностью.

ProtSent-V2-150M — модель GrimSqueaker на базе ESM-2, дообученная контрастивным обучением для получения векторных представлений белковых последовательностей. Она сопоставляет биологически похожим белкам близкие эмбеддинги и предназначена для поиска ближайших соседей, извлечения белков по сходству и кластеризации. Модель содержит 196,6 млн параметров, принимает аминокислотные последовательности длиной до 1026 токенов и выдаёт эмбеддинги фиксированного размера. Доступна через библиотеку Sentence Transformers. Обучение проводилось на парах из Pfam, AlphaFold DB и STRING-DB; обучающие данные очищены от совпадений с тестовыми последовательностями для задач удалённой гомологии и взаимодействия белков. В описанных экспериментах модель улучшает некоторые показатели поиска по сравнению с предыдущей версией, но не превосходит все методы поиска профилей по точности первого результата. Её преимущество ориентировано на геометрию ближайших соседей; для предсказания свойств обучаемым линейным классификатором выигрыш над исходной ESM-2 не показан. Лицензия — MIT.

SegmentNT-multi-species — модель InstaDeep для разметки геномных последовательностей на уровне отдельных нуклеотидов. Она дообучена на основе энкодера Nucleotide Transformer v2 500M multi-species: языковую голову заменили одномерной U-Net-головой сегментации. Модель содержит около 490,7 млн параметров по метаданным, принимает последовательности ДНК, токенизированные 6-мерами, и имеет контекст 2050 токенов. Модель предсказывает расположение семи геномных элементов: белок-кодирующих генов, 5′- и 3′-нетранслируемых областей, интронов, экзонов, акцепторных и донорных сайтов сплайсинга. Обучение проводилось на геномах человека, мыши, курицы, дрозофилы, данио-рерио и червя; для части видов набор аннотаций ограничен доступным подмножеством. Модель подходит для анализа и сегментации геномных последовательностей этих видов. Для загрузки весов указан формат PyTorch, а для использования README сообщает о необходимости устанавливать Transformers из исходного кода. Лицензия — CC-BY-NC-SA-4.0, с условиями атрибуции, распространения на тех же условиях и ограничением на коммерческое использование.

VolaTTM — компактная модель временных рядов, созданная как исследовательская донастройка IBM Granite Tiny Time Mixer R2.1. Модель содержит около 805 тысяч параметров и использует архитектуру TinyTimeMixer с декодером, смешивающим прогнозные каналы. Она прогнозирует реализованную волатильность на основе двенадцати каналов данных за закрытую торговую сессию и рассчитана на кросс-активный сценарий: акции, валютные пары и фьючерсы. Модель предсказывает целевой показатель rv5 — реализованную дисперсию, рассчитанную по пятиминутным доходностям. Контекст формируется из дневных наблюдений и включает показатели волатильности, доходности, диапазона, объёма и числа сделок; прогнозируется траектория на 1, 5 и 22 сессии. Это модель для прогнозирования на конец дня, а не для внутридневной оценки текущего состояния. Для совместимости требуется восстановить признаки с исходными преобразованиями, порядком каналов и масштабом цели; данные VOLARE в репозитории модели отсутствуют и должны быть получены отдельно с соблюдением условий поставщика. В описанной оценке VolaTTM улучшает RMSE и QLIKE относительно базовых эконометрических моделей на трёх горизонтах, но не превосходит Log-HAR по MAE. Результаты ограничены фиксированной выборкой активов и тестовым периодом, который не является полностью независимым от предшествующих экспериментов; качество не оценивалось через торговые издержки или экономическую полезность. Модель предназначена для исследований и бенчмаркинга, не для исполнения ордеров, автоматических риск-лимитов или инвестиционных рекомендаций. Базовая модель распространяется по Apache 2.0; сама VolaTTM — независимая исследовательская донастройка, а использование данных VOLARE регулируется условиями их поставщика.

aajrami/bert-rand-base — базовая языковая модель архитектуры RoBERTa с 151,8 млн параметров, созданная с использованием случайной цели предобучения. Она предназначена для извлечения признаков из текста и изучения влияния цели предобучения на языковые свойства модели. Модель принимает текст и формирует векторные представления; контекст ограничен 514 токенами. Модель опубликована под лицензией CC BY 4.0. Случайная цель предобучения ограничивает основания ожидать от неё надёжного качества в прикладных задачах без дополнительного обучения или проверки.

BulkFormer-50M — фундаментальная модель для транскриптомов bulk RNA-seq, представленная Kang, Fan и соавторами и опубликованная в Cell Systems в 2026 году. Это второй по размеру из пяти вариантов BulkFormer, с 50 млн параметров. Модель преобразована в совместимый с Transformers формат и распространяется в виде весов Safetensors. Модель предназначена для извлечения признаков на уровне генов и экспрессии из bulk RNA-seq данных. Полученные представления можно использовать для последующего дообучения с классификационной головой, продолжения предобучения с masked imputation или объединения с эмбеддингами ESM2. Лицензия — MIT. Для запуска README указывает пакет bulkformer; подробности использования вынесены в отдельную карточку пакета.

Caduceus-PS fish20 adapted — модель семейства Caduceus, адаптированная к корпусу геномов рыб FishNALM из 20 видов посредством доменного предварительного обучения. Разработчики адаптации не названы. Модель содержит 14,7 млн параметров; базовая Caduceus-PS имеет около 7,7 млн параметров. Для токенизации используется отдельный нуклеотид. Модель предназначена для masked language modeling геномных последовательностей: предсказания скрытых нуклеотидов и анализа последовательностей рыб. Метаданные также указывают text-classification как поддерживаемую задачу. Карточка сообщает о пользовательском коде модели и токенизатора; для загрузки в Transformers требуется trust_remote_code=True. Доступен формат PyTorch, лицензия — Apache-2.0.

Модель разработана Tiantian Feng и предназначена для классификации детской речи по произношению английского звука /ɹ/. Она различает две категории: Rhotic и Derhotic; модель дообучена на корпусе PERCEPT-R на базе мультиязычной OpenAI Whisper large-v3 и принимает аудио для классификации. Модель подходит для исследовательского анализа записей детской речи и изучения произношения. Она не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения за людьми или иных вмешательств в частную жизнь. Детские аудиозаписи требуют особой защиты, согласия семей и соблюдения применимых этических и правовых требований. Лицензия CC-BY-NC-SA-3.0 запрещает коммерческое использование.

luqh/ClinicalT5-base — текстовая модель семейства T5 для генерации текста по текстовому запросу. В карточке приведён пример загрузки через Transformers из Flax-чекпойнта с помощью AutoTokenizer и T5ForConditionalGeneration. Модель содержит 123,8 млн параметров, её контекст составляет 1024 токена. Название указывает на клиническую направленность, однако README не описывает обучение, клинические задачи или проверенные сценарии применения. Поэтому её можно рассматривать как основу для экспериментов с преобразованием медицинских текстов, но пригодность для конкретных клинических задач по имеющимся сведениям подтвердить нельзя. Лицензия и результаты оценки в предоставленных данных не указаны.

Карточка модели goodarzilab/decodon-200M на Hugging Face совпадает с карточкой goodarzilab/encodon-80M, поэтому описание составлено по ней. EnCodon-80M — предобученная плотная модель семейства EnCodon от goodarzilab для работы с кодирующими последовательностями. Она предназначена для извлечения эмбеддингов последовательностей и предсказания замаскированных участков; каталог также относит её к задачам классификации текста. Модель содержит около 100,7 млн параметров, работает с кодонами и поддерживает контекст до 2048 токенов по метаданным. В README указано, что обучение охватывает последовательности длиной до 2048 кодонов, или 6144 нуклеотидов. EnCodon представляет собой одну из моделей пакета cdsFM; README также описывает DeCodon для генерации кодирующих последовательностей, но это отдельная модель. Для EnCodon перечислены извлечение эмбеддингов и предобученный чекпойнт. Доступны веса в формате safetensors, библиотека Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

DNAGPT2_8192 — авторегрессионная модель семейства DNAGPT2 от vojtam, обученная с нуля на последовательностях геномной ДНК. Она использует декодерную архитектуру GPT-2 Small с примерно 86 млн параметров, 12 слоями и контекстом до 1 024 токенов; вариант 8192 относится к размеру словаря. Модель принимает последовательности из символов A, C, G и T и предсказывает вероятности следующего токена. Модель предназначена для моделирования геномных последовательностей и сжатия ДНК в сочетании с арифметическим кодированием. Предобучение проводилось на 135 геномах разных групп организмов, на данных авторов DNABERT-2; неоднозначный символ N исключался. В приведённых испытаниях DNAGPT2 показывала лучшее сжатие, чем gzip, однако результаты относятся к отдельным наборам данных и варианту DNAGPT2_32, а не напрямую к версии 8192. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

izumi-lab/electra-small-japanese-fin-generator — японская модель семейства ELECTRA, разработанная izumi-lab и предварительно обученная на японских текстах Википедии и финансовых документах. Она предназначена для восстановления замаскированных токенов в тексте, в том числе в финансовых материалах; это задача заполнения пропусков, а не генерация связных ответов или диалогов. Модель использует архитектуру ELECTRA small с 12 слоями, размерностью скрытого состояния 256 и 4 головами внимания. В словаре 32 768 WordPiece-токенов после предварительной токенизации MeCab; размер модели — 21 млн параметров, контекст — до 512 токенов. Обучающие данные включают японскую Википедию и финансовые отчёты и документы о ценных бумагах. Модель принимает японский текст и предсказывает маскированные токены. Для использования указана лицензия CC BY-SA 4.0. Специализация на финансовых текстах не гарантирует точность на других жанрах; модель не предназначена для свободной генерации текста.

ESMC-300M — предварительно обученная белковая языковая модель из семейства ESM Cambrian, опубликованная командой MultiMolecule как неофициальная реализация модели Biohub. Это плотный encoder-only Transformer с rotary position embeddings, нормализацией QK и блоками SwiGLU; в карточке указано 331,8 млн параметров и контекст до 2048 токенов. Модель обучена на последовательностях белков из UniRef, MGnify и Joint Genome Institute с самоконтролируемой задачей предсказания замаскированных аминокислот. Она предназначена для восстановления пропусков в белковых последовательностях и получения векторных представлений белков, которые можно использовать как основу для последующего дообучения на задачах классификации или регрессии последовательностей и остатков. Она не дообучена для конкретной прикладной задачи, поэтому такие сценарии требуют дополнительной настройки. Реализация использует библиотеку MultiMolecule и опубликована в форматах PyTorch и Safetensors. Лицензия — AGPL-3.0.

Synthyra/ESMplusplus_6B — опубликованная Synthyra версия чекпойнта Biohub ESMC-6B для работы с FastPLMs в Transformers. Это плотная белковая языковая модель с архитектурой ESMplusplus и 8,4 млрд параметров; она принимает аминокислотные последовательности, преобразованные в идентификаторы остатков, и предоставляет предварительно обученную masked-language-model голову для заполнения масок. Модель также позволяет получать представления белковых последовательностей и токенов, а также подключать скрытые состояния к поддерживаемым разреженным автоэнкодерам. Основное применение — анализ белковых последовательностей и получение признаков для последующих биологических задач. Головы классификации последовательностей и остатков создаются заново и не обучены, поэтому их предсказания нельзя интерпретировать без отдельного дообучения. Доступны бэкенды внимания eager, SDPA и Flex Attention; FlashAttention поддерживается интерфейсом, но доступность зависит от платформы и установленных ядер. FP8 обозначен как экспериментальный режим инференса. Модель распространяется по лицензии MIT.

Модель Cristian Untaru из академического проекта SortMed классифицирует короткие описания симптомов на английском языке по трём категориям срочности: самонаблюдение, консультация врача общей практики и срочная медицинская помощь. Это BERT-модель для классификации последовательностей на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext: энкодер заморожен, обучена только классификационная голова. Модель содержит 136,7 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель предназначена для экспериментов и учебных прототипов медицинской предварительной сортировки, в том числе для сравнения подходов к дообучению и классификации медицинских текстов. На тестовой выборке из небольшого набора данных опубликованы accuracy 0,6038 и macro recall 0,6058. Обучающие метки сформированы по правилам и не проверены медицинскими специалистами; модель не учитывает важные сведения о пациенте и может ошибаться, особенно при редких, неполных или противоречивых симптомах. Она не предназначена для диагностики, клинической сортировки или принятия экстренных решений. Лицензия — MIT.

GB.RNA-650M — базовая модель для работы с последовательностями РНК, разработанная GenBio AI. Это плотная архитектура RNABert с примерно 646,1 млн параметров, обученная на 42 млн последовательностей некодирующих РНК с разрешением до отдельного нуклеотида; заявленная длина контекста — 1024 токена. Модель предназначена для получения представлений РНК и создания на её основе downstream-моделей классификации последовательностей и токенов, а также регрессии. В метаданных указана задача fill-mask, соответствующая архитектуре RNABertForMaskedLM. Модель работает с последовательностями РНК; README описывает также получение эмбеддингов и адаптацию для задач классификации и регрессии через ModelGenerator. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в материалах репозитория.

Taykhoom Dalal поддерживает перенос GENA-LM-t2t-bert-base в Transformers — плотную модель семейства BERT для маскированного языкового моделирования последовательностей ДНК человека и нескольких видов. Модель принимает последовательности нуклеотидов, разбитые на 32 000 BPE-токенов, и предсказывает замаскированные участки. Её можно использовать для получения эмбеддингов последовательностей и дообучать для задач классификации последовательностей. Архитектура включает 12 слоёв, 12 голов внимания и размерность эмбеддингов 768; размер модели по метаданным — 137,8 млн параметров, контекст — 512 токенов. Перенос воспроизводит веса исходного чекпойнта AIRI-Institute/ gena-lm-bert-base-t2t побитно в eager-режиме; доступны также реализации внимания SDPA и FlashAttention 2. Модель распространяется по лицензии MIT. Модель предназначена для биологических последовательностей, а не для обычного текста. В переносе отсутствуют исходные NSP-голова и pooler, поэтому для эмбеддингов следует использовать скрытое состояние токена CLS или усреднение непустых позиций.】【。

Healthcare Pathways-Inspired MoE SLM — небольшая авторская языковая модель, обученная с нуля для экспериментов с обработкой медицинского текста. Это декодерный Transformer с причинным вниманием и разреженной архитектурой Mixture-of-Experts: четыре эксперта, маршрутизация Top-2, GELU и LayerNorm. Размер скрытого слоя — 256, словарь содержит 16 384 токена, длина контекста — 512 токенов. Для работы требуется совместимый токенизатор alokanand002/medical-bpe-16k. Модель предназначена для исследований в Healthcare NLP и MedTech, экспериментов с медицинской терминологией и MoE-архитектурами, локального запуска и тонкой настройки. Веса и исходный код архитектуры представлены для PyTorch; для загрузки необходимы сопровождающие файлы model.py и конфигурация, поскольку архитектура не является стандартной архитектурой Transformers. Лицензия в предоставленных данных не указана. Это экспериментальная исследовательская модель, не прошедшая клиническую проверку. Она может выдавать неверную, неполную или вводящую в заблуждение медицинскую информацию и не предназначена для диагностики, лечения или принятия клинических решений.

Exscientia IgBert — белковая языковая модель семейства BERT, разработанная Exscientia для работы с последовательностями белков и антител. Модель предварительно обучена с задачей восстановления замаскированных токенов, а эта версия дообучена на парных последовательностях антител из набора Observed Antibody Space на базе Exscientia/IgBert_unpaired. Число параметров — 503,3 млн; максимальный контекст — 40 000 токенов. Модель принимает последовательности аминокислотных остатков и выдаёт контекстные представления токенов, пригодные для усреднения в эмбеддинги последовательностей и последующего дообучения под задачи классификации или другие задачи уровня последовательности. Для подготовки входов используется токенизатор Transformers с разделителями для парных последовательностей. Репозиторий распространяется по лицензии MIT.

ModernGENA-base — базовая модель для анализа последовательностей ДНК, подготовленная как репозиторий Hugging Face Taykhoom и основанная на исходном чекпойнте AIRI Institute. Это энкодер ModernBERT со 136,1 млн параметров, 22 слоями и 12 головами внимания; он обучен предсказывать замаскированные токены в геномных последовательностях позвоночных. Словарь GENA-LM BPE содержит 32 000 токенов для ДНК и символов IUPAC, а максимальный контекст составляет 1024 токена. Модель подходит для заполнения масок в ДНК-последовательностях и получения представлений последовательностей, которые можно использовать как основу для дообучения под классификацию и другие задачи анализа геномики. При предобучении использовались 443 сборки геномов позвоночных, включая прямые и обратнокомплементарные цепи. Для загрузки пользовательского класса требуется включить trust_remote_code=True. Распространяется по лицензии Apache-2.0.

MoPET booster-retina — модель классификации медицинских изображений, разработанная Себастьяном Дёррихом и Даниэлем Вюртингером из xAILab Университета Бамберга. Это вариант для RetinaMNIST, совместно обученный на наборах BreastMNIST, BloodMNIST, PathMNIST и OrganAMNIST из MedMNIST+. Модель предназначена для исследовательской классификации изображений сетчатки и изучения переноса знаний между медицинскими наборами данных. Архитектура объединяет замороженный визуальный трансформер DINOv3 ViT-B/16 и разреженный маршрутизатор top-k, который направляет признаки через пул из 32 адаптеров LoRA и BOFT; для каждого набора данных предусмотрена отдельная классификационная голова. На вход подаются цветные изображения размером 256×256, на выходе — логиты пяти голов: для классов RetinaMNIST и четырёх вспомогательных наборов. Карточка указывает английский язык; текстовый языковой ввод или вывод модель не использует. Модель подходит для извлечения признаков и экспериментов с классификацией медицинских изображений. Изображения MedMNIST+ уменьшены относительно клинических источников, классы в некоторых наборах несбалансированы, а устойчивость при сдвиге домена не оценена; поведение на других типах изображений не определено. Это исследовательский артефакт, не предназначенный для клинической диагностики без экспертной проверки и регуляторного одобрения. Лицензия — MIT.

PlantCaduceus_l20 — языковая модель ДНК, разработанная группой Kuleshov и предварительно обученная на геномах 16 покрытосеменных растений. Она использует архитектуры Caduceus и Mamba и обучалась с задачей masked language modeling; версия l20 имеет 20 слоёв и размер скрытого представления 384. В README указано 20 млн параметров, тогда как метаданные Hugging Face сообщают 41,3 млн. Модель предназначена для извлечения признаков и анализа последовательностей ДНК растений, включая изучение сохранности эволюционных участков и грамматики последовательностей. Метаданные также относят её к задачам заполнения маски и классификации текста; основной pipeline-тег автора — feature-extraction. Для оценки zero-shot-оценок README рекомендует более крупную версию PlantCaduceus_l32. Модель распространяется по лицензии Apache-2.0.

ProtSent-V2-35M — модель эмбеддингов белковых последовательностей на базе ESM-2, дообученная контрастивным обучением разработчиком GrimSqueaker. Она преобразует последовательности аминокислот в векторы фиксированной длины, где близость векторных представлений отражает биологическое сходство белков. Модель предназначена для поиска похожих белков, кластеризации и переноса аннотаций по ближайшим соседям; контекст составляет 1026 токенов, размер — 44,3 млн параметров. По результатам README, версия V2 улучшает поиск по структурному сходству SCOPe-40 и точность классификации удалённой гомологии относительно ProtSent-V1 35M. Модель доступна в формате safetensors через Sentence Transformers. Лицензия — MIT. Ограничения: преимущество модели проявляется прежде всего в геометрии ближайших соседей; обученный линейный классификатор на финальном слое показывает примерно равные или немного худшие результаты, чем исходная ESM-2, на наборе задач предсказания свойств. Для предсказания свойств лучше может подойти промежуточный слой; фильтрация обучающих данных охватывала только тестовые наборы удалённой гомологии и взаимодействий белков.

RNAMamba-14M — компактная модель семейства Mamba, разработанная автором репозитория и обученная с нуля на 1,96 млн последовательностей, содержащих 1,56 млрд нуклеотидов из RNAcentral, релиз 24 (март 2024 года). Модель предназначена для получения эмбеддингов последовательностей некодирующей РНК и последующей обработки этих последовательностей в других задачах. Модель имеет 16,8 млн параметров по метаданным; в README указано 14,1 млн. Архитектура включает 8 слоёв, скрытый размер 512 и промежуточный размер 1024. Она обучалась с задачей masked language modeling, но MLM-голова удалена. Контекст составляет до 8192 нуклеотидов; обучающие последовательности имели длину от 10 до 8192 нуклеотидов. Компактный размер рассчитан на быстрое выполнение без GPU. Репозиторий предоставляет веса в формате safetensors, лицензия — Apache-2.0.

seqLens_4096_512_23M-at-xsmall — разработанная omicseye модель-кодировщик для геномных последовательностей ДНК на архитектуре DeBERTa-v2 с разделённым вниманием и относительным позиционным кодированием. Модель содержит около 29,9 млн параметров, принимает последовательности длиной до 512 токенов и загружается через Transformers в формате safetensors. Модель предназначена для заполнения замаскированных участков ДНК и как основа для анализа геномов, включая предсказания фенотипических признаков и аннотацию геномов. Она предварительно обучена на наборе omicseye/prok_heavy; семейство seqLens обучалось на корпусах референсных геномов прокариот и эукариот. Для применения к прикладным биологическим задачам могут потребоваться дополнительные классификационные головы или дообучение. Лицензия CC-BY-NC 4.0 ограничивает коммерческое использование; для коммерческого лицензирования README предлагает связаться с разработчиком.

snap-plate-stack-instance-dfine-v5 — модель обнаружения объектов, разработанная aguxez и дообученная на наборе aguxez/snap-plate-stack-instance-v5 на основе aguxez/snap-plate-instance-localization-dfine-v4. Она предназначена для локализации блинов для штанги на изображениях, в том числе в стопках. Модель использует архитектуру D-Fine для обнаружения объектов и распространяется в формате safetensors; лицензия — Apache-2.0. В карточке приведены результаты оценки: mAP 0,8835, mAP@50 1,0 и mAP@75 1,0; для класса Weight Plate mAP равен 0,8835. Эти значения относятся к указанному оценочному набору и сами по себе не гарантируют аналогичного качества на других изображениях.

SDT-SatStreak — модель сегментации изображений, выпущенная вместе с исследованием Iulia Maria Istrate 2026 года. Она предназначена для попиксельного выделения следов спутников и космического мусора на широкоугольных астрономических снимках и для переноса между телескопами без разметки целевого сенсора. Модель построена на спайковом трансформере SDT-V3 с backbone на 10 млн параметров, квантованной FPN-частью и головой сегментации; всего содержит 11,5 млн параметров. Веса дообучены на снимках MeerLicht с дистилляцией от учителя U-Net ResNet-34. На вход подаются RGB-изображения с глубиной 8 бит на канал; снимки FITS с большей глубиной нужно предварительно растянуть и привести к поддерживаемому формату. Модель выдаёт маску классов «фон» и «след». Для работы с данными другого телескопа README рекомендует сопоставление гистограмм. Качество ограничено: слабые следы часто пропускаются или сегментируются частично, а в межсенсорном сценарии модель даёт много ложных кандидатов. Она обучена на кропах 512×512 при одном масштабе пикселя и не валидирована для оперативной оценки сближений или критически важных решений. Лицензия — Apache-2.0.

Модель FODUU AI классифицирует изображения шин по двум категориям: исправная шина (Good_Tyre) и дефектная шина (Defective_Tyre). Это дообученная YOLOv8s на основе Ultralytics, предназначенная для автоматизации контроля качества при производстве шин и проверки изображений на производственной линии. Модель рассчитана на быстрое распознавание дефектов, включая износ протектора, выпуклости на боковине и проколы. В README указана точность 83,5% на тестовой выборке; модель может помогать сортировать шины и направлять изделия на дополнительную проверку. Конкретные условия съёмки и состав тестовой выборки подробно не описаны, поэтому результатам следует проверяться на данных целевого производства. Лицензия в предоставленных сведениях не указана.