II.8Инженерия данных и аналитика

starmpcc/Asclepius-Llama2-13B-Pretraining-Only — медицинская языковая модель на базе Llama 2 с 12,9 млрд параметров, разработанная starmpcc. Модель предварительно обучена методом авторегрессионного языкового моделирования на синтетических клинических записях Asclepius-Synthetic-Clinical-Notes; это вариант только с предварительным обучением, без упомянутой в карточке instruction fine-tuning версии Asclepius-Llama2-13B. Модель предназначена для генерации английского текста в клиническом контексте и исследовательских экспериментов с медицинскими языковыми моделями. Она принимает текст и генерирует продолжение; нативная длина контекста — 4096 токенов, реализация указана для Transformers/PyTorch. Карточка ограничивает использование исследовательскими целями, поэтому модель не следует считать инструментом для клинических решений. Указанная в метаданных лицензия — CC-BY-NC-4.0; README приводит CC-BY-NC-SA 4.0, поэтому лицензионные условия в источниках расходятся и их следует сверить перед использованием.

AstroCLIP — опубликованный контрастивно обученный двухбашенный энкодер для данных о галактиках, представленный в репозитории giovannicozzolongo и упакованный в формат, совместимый с Transformers. Он кодирует изображения галактик и спектры в общее пространство признаков; архитектура объединяет энкодер изображений в стиле DINOv2, спектральный энкодер SpecFormer и головы пулинга с перекрёстным вниманием. Для изображения используются каналы g, r, z, обрезка до 144 × 144 пикселей и преобразование Legacy Survey; спектры стандартизируются и разбиваются на перекрывающиеся сегменты. Модель предназначена для поиска соответствий между изображениями и спектрами, извлечения эмбеддингов и научных экспериментов в астрономии. Она выдаёт эмбеддинги размерности 1024. Обучение проводилось на парных данных изображений Legacy Survey и спектров DESI. Производительность вне этого распределения данных не установлена; загрузка включённого в репозиторий кода модели требует trust_remote_code=True. Лицензия — MIT.

Bacformer Large Masked Complete Genomes — модель для бактериальной геномики, разработанная Floto Lab Кембриджского университета и Brbić Lab EPFL под руководством Maciej Wiatrak. Это плотный трансформер Bacformer с примерно 442,4 млн параметров: он обрабатывает упорядоченный по положению в геноме набор белков и строит контекстные представления, учитывающие остальные белки организма. Белковые последовательности сначала кодируются ESM-C 300M, а затем подаются в трансформер Bacformer; модель обучена предсказывать семейства замаскированных белков. Чекпойнт продолжает обучение macwiatrak/bacformer-large-masked-MAG на примерно 40 тысячах полных геномов из NCBI RefSeq после предварительного обучения на корпусе метагеномных сборок. Его можно использовать для получения представлений генома и адаптации к downstream-задачам бактериальной геномики. Контекст ограничен 6000 белками на геном. Модель рассчитана на белковые последовательности бактерий, а не на обычный текст. Лицензия — Apache 2.0. В README описана ошибка реализации, исправленная 15 мая 2025 года: скачанные или кэшированные до исправления веса следует загрузить заново для корректной оценки.

Beaver 7B v1.0 Reward — модель оценки предпочтений, разработанная командой PKU-Alignment и обученная на наборе данных PKU-SafeRLHF. Она предназначена для использования в алгоритмах безопасного обучения с подкреплением на основе обратной связи от людей (RLHF): модель оценивает ответы и помогает обучать Beaver-модели быть более полезными. Модель построена на авторегрессионной архитектуре Transformer семейства LLaMA и содержит 6,6 млрд параметров. Контекст — до 2048 токенов. Это дообученная версия на основе LLaMA и Alpaca; репозиторий содержит веса в формате Safetensors. Основной язык карточки и тегов — английский. Модель предназначена для некоммерческого использования. Она выдаёт оценку предпочтительности, а не готовый ответ пользователю; качество оценки зависит от соответствия данных и сценария применения обучающему набору PKU-SafeRLHF.

Caduceus-Ph — предобученная модель семейства Caduceus, разработанная группой Kuleshov. Она предназначена для моделирования последовательностей ДНК и предсказания замаскированных участков; архитектура включает 16 слоёв MambaDNA со скрытым размером 256, всего 14,7 млн параметров. Модель обучали на референсном геноме человека с длиной последовательности 131 072 токена и аугментацией обратным комплементом (RC). Модель принимает токенизированные последовательности ДНК и выдаёт оценки токенов для заполнения масок. Для downstream-задач её следует дообучать с RC-аугментацией, а при инференсе обрабатывать исходную последовательность и её обратный комплемент, затем усреднять предсказания. Это предобученный чекпойнт, а не готовое решение для конкретной прикладной задачи. Лицензия — Apache-2.0.

Модель tbhugging/camera_orbit_compact_09_2b разработана для локализации частицы в данных томографии GummyBear. Она принимает шесть проекций размером 128×128, снятых с ракурсов 0°, 60°, 120°, 180°, 240° и 300°, и предсказывает координаты частицы по осям x, y и z. Архитектура состоит из сверточной сети для каждого ракурса с глобальным усреднением признаков (GAP), токенов геометрии камеры на основе синуса и косинуса и компактного MLP для объединения информации. Модель реализована на PyTorch; метаданные указывают задачу image-feature-extraction, однако фактический результат описан как координаты частицы. На тестовом наборе указан Euclidean RMSE по координатам xyz 0,860746; на валидационном — 1,320252. Эти значения относятся к описанному протоколу и набору данных GummyBear Tomography. Репозиторий распространяется по лицензии Apache-2.0.

CARP-640m — языковая модель белковых последовательностей на основе свёрточной архитектуры ByteNet, представленная командой MultiMolecule как неофициальная реализация работы Кевина Янга, Николо Фузи и Алекса Лу. Модель содержит 458,8 млн параметров и обучена предсказывать замаскированные аминокислоты по контексту последовательности. В архитектуре используются обучаемые эмбеддинги токенов, остаточные блоки с дилатированными одномерными свёртками и слой нормализации перед декодером MLM. Модель подходит для восстановления замаскированных фрагментов белковых последовательностей и извлечения признаковых представлений для последующих биоинформатических задач. Она предварительно обучена на UniRef50 (выпуск марта 2020 года), но не настроена под конкретные задачи классификации или регрессии: для них потребуется дообучение. Для загрузки предусмотрена библиотека multimolecule; опубликованные веса представлены в форматах PyTorch и safetensors. Лицензия — AGPL-3.0.

CENO-300M-1m — базовая модель семейства CENO для работы с геномными последовательностями ДНК, разработанная командой CENO. Это причинная языковая модель с гибридной архитектурой Nemotron-H, объединяющей Mamba, attention и Mixture of Experts; токенизатор посимвольный и кодирует основания ДНК ASCII-кодами. Чекпойнт прошёл этап расширения контекста и обучался на последовательностях длиной 1 048 576 токенов. Модель предназначена для генерации геномных последовательностей, извлечения эмбеддингов и последующей адаптации для задач геномики. Она не принимает MSA-входы; предсказание эффектов вариантов описано для отдельных MSA-чекпойнтов семейства CENO, поэтому эту возможность нельзя напрямую приписывать данной модели. Модельный код включён в репозиторий и используется через Transformers с trust_remote_code=True. Лицензия — Apache-2.0.

CENO-600M-1m — базовая модель семейства CENO для работы с геномными последовательностями ДНК. Это причинная языковая модель с гибридной архитектурой Nemotron-H, сочетающей Mamba, механизм внимания и смесь экспертов (MoE); модель обрабатывает последовательности без входов MSA. В метаданных указаны 336,1 млн параметров, библиотека Transformers и контекст обучения длиной 1 048 576 токенов. Модель предназначена для генерации геномных последовательностей, извлечения представлений и последующей адаптации к задачам геномики. Токенизатор посимвольный: основания ДНК сопоставляются с ASCII-кодами байтов. Чекпойнт опубликован под лицензией Apache-2.0; для загрузки README указывает использовать trust_remote_code=True.

CodonBERT — разработанный Li и перенесённый на Hugging Face Taykhoom Dalal BERT-языковой модель для последовательностей мРНК, обученная на представлениях кодонов. Модель содержит 113,3 млн параметров, 12 слоёв, 12 голов внимания и размер эмбеддинга 768; контекст — до 1024 токенов. Токенизатор автоматически переводит T в U и разбивает сырые нуклеотидные последовательности на кодоны. Основная задача — восстановление замаскированных кодонов; также при предобучении использовалось предсказание таксономической связи пар последовательностей, но соответствующая голова в этом порте удалена. Модель предназначена для анализа кодирующих последовательностей мРНК: получения эмбеддингов и последующего дообучения для классификации или регрессии на уровне последовательности. Предобучение охватывало более 10 миллионов последовательностей мРНК млекопитающих, бактерий, вирусов человека и дрожжей. Порт реализован для Transformers и поддерживает eager, SDPA и Flash Attention 2 для оценки. При обучении с SDPA или Flash Attention 2 не применяется заданный dropout внимания; для дообучения README рекомендует eager. Известны также ограничения API и поддержки изменения размера словаря. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием и исходным архивом.

NVIDIA Cosmos-Tokenizer-Surg — нейронный токенизатор кадров для низколатентной передачи видео в сценариях телехирургии. Это свёрточная автоэнкодерная модель с остаточными и attention-блоками на основе Wan2.1; модель дистиллирована из Wan2.1 и содержит 12,6 млн параметров. Модель принимает RGB-изображения размером 536×960, 720×1280 или 1080×1920 со значениями пикселей в диапазоне [-1, 1]. Она кодирует кадр в тензор эмбеддингов размером 2×(H/8)×(W/8) и может восстановить RGB-изображение. Предназначена для сжатия и токенизации кадров лапароскопических операций в системах телехирургии и медицинской робототехники. Для запуска предусмотрены ONNX и TensorRT; README указывает оптимизацию для NVIDIA GPU и совместимость с Ampere, Blackwell и Hopper под Linux. Модель обучалась на внутренних данных лапароскопических операций. Это специализированный компонент обработки кадров, а не система для диагностики или принятия клинических решений. README заявляет возможность коммерческого использования; метаданные указывают лицензию other, поэтому условия следует сверять с лицензией и условиями NVIDIA для репозитория.

crophelth — модель классификации изображений листьев растений для обнаружения болезней и других проблем состояния посевов. Её разработала команда студенческого проекта AI Smart Crop Health Monitoring Robot в Sri Lanka Institute of Information Technology (SLIIT); для извлечения признаков и классификации используется EfficientNetB0. Модель обучалась и дообучалась на собственных сельскохозяйственных наборах данных hansaka01/crophelth и hansaka01/crophelth_finetune_2nd_stage. Модель предназначена для распознавания таких классов, как пятнистость листьев, мучнистая роса, ржавчина, фитофтороз, жёлтая мозаика и дефицит питательных веществ. Её можно использовать в системах мониторинга сельскохозяйственных культур, включая роботизированные устройства и серверную обработку изображений. В репозитории представлены модели TensorFlow и TFLite; проект ориентирован, среди прочего, на развёртывание на ESP32-S3. Лицензия — MIT. Качество классификации зависит от соответствия входных изображений обучающим данным. README не приводит метрики качества и не описывает ограничения по культурам, условиям съёмки или разрешению изображений.

DNAGPT2_64 — авторегрессионная языковая модель на архитектуре GPT-2, разработанная авторами семейства DNAGPT2 и обученная с нуля на геномных последовательностях нескольких видов. Версия с размером словаря 64 содержит около 86 млн параметров, 12 слоёв и контекстное окно 1 024 токена. Модель принимает последовательности ДНК из символов A, C, G и T и выдаёт вероятности следующего токена. Модель предназначена для предсказания продолжения ДНК-последовательностей и сжатия геномных данных в сочетании с арифметическим кодированием. Обучение проводилось на данных DNABERT-2: около 32,5 млрд нуклеотидов из 135 геномов позвоночных, грибов, простейших, беспозвоночных и бактерий. В обучающем алфавите отсутствовал символ N для неизвестного или неоднозначного нуклеотида. В описанных испытаниях DNAGPT2 показала более эффективное сжатие, чем gzip, на ряде наборов данных; приведённые численные результаты относятся к версии DNAGPT2_32, а не к DNAGPT2_64. Модель распространяется по лицензии Apache-2.0.

Модель cristian-untaru/frozen-encoder-roberta-medical-triage — классификатор медицинских текстов, разработанный Кристианом Унтару в рамках академического проекта SortMed в Университете Западной Тимишоары. Она принимает краткое описание симптомов на английском языке и относит его к одной из трёх категорий срочности: самонаблюдение, консультация врача общей практики или срочная медицинская помощь. Это дообученная модель RoBERTa с замороженным энкодером: обучалась только классификационная голова. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате SafeTensors по лицензии MIT. Модель предназначена для академических экспериментов и прототипов медицинской предварительной сортировки обращений. На тестовой выборке опубликованы точность 0,3774 и macro recall 0,3333. Датасет мал, а метки получены по правилам и не проверены медицинскими специалистами; модель не ставит диагноз и не подходит для принятия экстренных или клинических решений.

GENA-LM Athaliana — предобученная модель семейства GENA-LM от AIRI Institute для работы с последовательностями ДНК Arabidopsis thaliana. Это BERT-подобный трансформер с 12 слоями, 12 головами внимания, размером скрытого состояния 768 и словарём из 32 тысяч токенов; число параметров — 137,8 млн. Модель обучена на геномах 32 экотипов Arabidopsis thaliana с задачей восстановления замаскированных токенов и принимает последовательности длиной до 512 токенов. Модель подходит для заполнения пропусков в последовательностях ДНК и как основа для дообучения под задачи классификации геномных последовательностей. В метаданных указаны PyTorch и задача fill-mask. Карточка описывает модель как открытую, но конкретные условия лицензии не приведены в доступных данных.

Intern-S1-mini Oral Bioavailability Assay Transfer v27 L2 — модель на основе Qwen3ForCausalLM, разработанная jiosephlee и дообученная от jiosephlee/Intern-S1-mini-lm для переноса данных между анализами пероральной биодоступности. Она предназначена для работы с записями химических анализов и прогнозирования относительной активности соединений в задачах поиска ближайших примеров и ранжирования по биодоступности. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Для обучения использовался датасет assay-transfer-record-level-v27-bioavailability-ma-l2-intern; выбран чекпойнт на шаге 500 по совместной метрике MAE@3 для распределений ID и OOD. На тестовой панели из 500 запросов ID модель показала MAE@3 0,7043 и превзошла базовые варианты с Morgan fingerprints по MAE@3. Модель рассчитана на специализированные задачи химической биоинформатики и не является универсальным предиктором биодоступности за пределами описанного сценария. Результаты зависят от состава анализов и представительности обучающих данных; README не содержит сведений о лицензии.

Kronos-small-BIST — zubziretta tarafından Borsa İstanbul (BIST) биржасидаги свечаларда дообученная модель Kronos-small. Она предназначена для прогнозирования финансовых временных рядов по последовательностям свечей и генерирует возможные траектории следующих значений. Модель содержит predictor-веса; токенизатор NeoQuasar/Kronos-Tokenizer-base при дообучении оставался замороженным. Базовая модель насчитывает 24,7 млн параметров. Обучение проводилось на наборе zubziretta/bist-klines: 193 ряда и около 1,02 млн свечей BIST-100 с часовыми и дневными данными. В README сообщается, что на проверенных горизонтах до 10 свечей модель не превзошла наивный прогноз последней цены; дообучение улучшило дневную ошибку, но ухудшило часовую, а точность направления не отличалась статистически от случайной. Лицензия — MIT.

LANTERN MAPT Aβ model A — это ансамбль из пяти 3D U-Net-моделей для сегментации амилоид-бета-бляшек в очищенном мозге мыши, снятом методом светолистовой микроскопии. Модель разработана для когорты мышей MAPT/APOE и дообучена на основе модели apooladi/lantern-ki3-abeta. Архитектура ResEncLUNet сочетает шестистадийный энкодер ResEncL с декодером U-Net; всего 102,3 млн параметров, из них обучались 12,1 млн. Энкодер заморожен и инициализирован самоконтролируемым предобучением nnBYOL3D. Модель принимает 3D изображения канала Aβ и выдаёт маску из трёх классов: фон, бляшка и помеченная аннотаторами яркая структура, не являющаяся бляшкой. Основное назначение — обнаружение и очерчивание бляшек для исследовательской оценки их количества. На валидационных патчах object F1 составил 0,364 без фильтрации мелких компонентов и 0,428 после удаления компонентов меньше 8 вокселей. Результат чувствителен к масштабу и нормализации: требуется ресэмплинг до 4,0 × 3,25 × 3,25 мкм и нормализация по тайлам исходной интенсивности. Обучение проводилось на 40 вручную аннотированных патчах; валидация разделяла патчи, а не животных, поэтому качество на новых животных может быть ниже. Класс ложных срабатываний нестабилен и не валидирован; количественная оценка абсолютной нагрузки бляшками также не проводилась. Модель не предназначена для диагностики. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

LANTERN MAPT model B — это модель сегментации амилоид-бета-бляшек в трёхмерных изображениях целого очищенного мозга мыши, снятых методом light-sheet microscopy. Модель разработана для когорты мышей MAPT/APOE; это ансамбль из пяти 3D U-Net с энкодером ResEncL и декодером UNet. Веса энкодера заморожены, обучаемая часть содержит 12,1 млн параметров из 102,3 млн общих. Модель принимает трёхмерные микроскопические изображения и выдаёт маску двух классов: бляшки и фон. Модель предназначена для выделения бляшек и исследовательской оценки их количества и распределения, а не для диагностики. Для применения требуется воспроизвести предобработку: ресэмплировать данные до 4,0 × 3,25 × 3,25 мкм и нормализовать сырые интенсивности отдельно для каждого тайла. Обучение проведено на 40 размеченных патчах от 18 мышей; лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование. Качество ограничено небольшим набором обучения и оптимистичной проверкой со случайным разделением патчей, а не животных; на ранее не встречавшихся животных качество может быть ниже. У модели нет отдельного класса ложноположительных структур, поэтому яркие сосуды и края изображения требуют дополнительной обработки. Метрики получены на патчах 128³, и модель не проверена для точной оценки абсолютной нагрузки бляшками.

Карточка модели timorobrecht/nk_babylm_zho_gpt2_atomic_bpe_cross_100m на Hugging Face совпадает с карточкой timorobrecht/nk_babylm_zho_qwen2_atomic_bpe_cross, поэтому описание составлено по ней. Pinyin-Code Causal LM — компактная причинная языковая модель на архитектуре Qwen2, опубликованная timorobrecht. Репозиторий содержит экспорт модели с собственным токенизатором atomic_bpe_cross; число параметров — 31,4 млн, контекст — 512 токенов. Модель принимает предварительно преобразованный текст с кодированием китайского пиньиня и предназначена для генерации продолжения такого текста и извлечения скрытых представлений. Для обработки исходного мандаринского текста перед токенизацией README указывает преобразование в пиньинь с помощью pypinyin; также используется jieba. Модель загружается через Transformers с `trust_remote_code=True`, а конфигурация включает узкую совместимость для чтения текстовых файлов в Windows. README не приводит оценок качества или подробностей обучающего набора. Лицензия в предоставленных данных не указана.

Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с плотной архитектурой и гибридным токенизатором для работы с текстом на пиньинь-коде. В репозитории опубликован экспорт модели размером 41,7 млн параметров; автор карточки — timorobrecht. Контекст составляет 512 токенов, формат весов — safetensors. Модель предназначена для генерации продолжения последовательностей, предварительно представленных в формате pinyin-code; в README также упоминается извлечение скрытых состояний для получения представлений. Для преобразования исходного китайского текста в пиньинь требуются pypinyin и, при включённом use_jieba, jieba. Карточка не описывает качество на прикладных задачах или результаты оценки. Для загрузки используется Transformers с trust_remote_code=True. Лицензия в предоставленных данных не указана.

Карточка модели timorobrecht/nk_babylm_zho_qwen2_hybrid на Hugging Face совпадает с карточкой timorobrecht/nk_babylm_zho_gpt2_hybrid, поэтому описание составлено по ней. Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с плотной архитектурой и гибридным токенизатором для работы с текстом на пиньинь-коде. В репозитории опубликован экспорт модели размером 41,7 млн параметров; автор карточки — timorobrecht. Контекст составляет 512 токенов, формат весов — safetensors. Модель предназначена для генерации продолжения последовательностей, предварительно представленных в формате pinyin-code; в README также упоминается извлечение скрытых состояний для получения представлений. Для преобразования исходного китайского текста в пиньинь требуются pypinyin и, при включённом use_jieba, jieba. Карточка не описывает качество на прикладных задачах или результаты оценки. Для загрузки используется Transformers с trust_remote_code=True. Лицензия в предоставленных данных не указана.

Карточка модели timorobrecht/nk_babylm_zho_qwen2_hybrid_100m на Hugging Face совпадает с карточкой timorobrecht/nk_babylm_zho_gpt2_hybrid, поэтому описание составлено по ней. Pinyin-Code Causal LM — причинная языковая модель на базе Transformers с плотной архитектурой и гибридным токенизатором для работы с текстом на пиньинь-коде. В репозитории опубликован экспорт модели размером 41,7 млн параметров; автор карточки — timorobrecht. Контекст составляет 512 токенов, формат весов — safetensors. Модель предназначена для генерации продолжения последовательностей, предварительно представленных в формате pinyin-code; в README также упоминается извлечение скрытых состояний для получения представлений. Для преобразования исходного китайского текста в пиньинь требуются pypinyin и, при включённом use_jieba, jieba. Карточка не описывает качество на прикладных задачах или результаты оценки. Для загрузки используется Transformers с trust_remote_code=True. Лицензия в предоставленных данных не указана.

NucEL — геномная модель, разработанная для получения представлений последовательностей ДНК. Она использует ELECTRA-предобучение с дискриминатором на базе ModernBERT: небольшой генератор предлагает замены отдельных нуклеотидов, а дискриминатор учится определять заменённые позиции. При использовании модели загружается дискриминатор; размер составляет около 92,3 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для извлечения эмбеддингов и дообучения на задачах анализа генома человека, включая классификацию регуляторных элементов, связывание факторов транскрипции, поиск сайтов сплайсинга и промоторов, а также анализ профилей гистоновых меток. В README также описан перенос на последовательности мыши, дрожжей и вирусов. Модель поддерживает работу с последовательностями ДНК; неоднозначный нуклеотид N отображается в [UNK], а качество на микробных последовательностях, повторах и сильно отличающихся эволюционных линиях может быть ограничено. Распространяется по лицензии Apache-2.0.

ProtBert-BFD — белковая языковая модель Rostlab на архитектуре BERT, предварительно обученная на 2,1 млрд белковых последовательностей из набора BFD с помощью задачи masked language modeling. Модель содержит 503,3 млн параметров и принимает последовательности аминокислот в виде заглавных однобуквенных обозначений, разделённых пробелами; контекст — до 40 000 токенов по метаданным. Для неизвестных или нестандартных аминокислот в примере рекомендуется заменять U, Z, O и B на X. Модель предназначена для заполнения замаскированных аминокислот, извлечения признаков белковых последовательностей и последующего дообучения для прикладных биологических задач. В README приведены результаты дообучения на задачах предсказания вторичной структуры белка. Самостоятельно модель не выдаёт готовые структурные или функциональные аннотации без соответствующей настройки. Доступны веса PyTorch и TensorFlow. Модель опубликована для исследовательского использования и дообучения; лицензия в предоставленных данных не указана. Качество на конкретных downstream-задачах зависит от дообучения, а вход должен соответствовать ожидаемому формату последовательностей белка.

brivangl/qwenar-0.6b — англоязычная модель для кодирования предложений в один 1024-мерный вектор и последующего восстановления текста из этого вектора. Разработчик соединяет Qwen/Qwen3-0.6B-Base и pplx-embed-v1-0.6b линейным мостом и адаптирует обе модели с помощью DoRA; всего в системе около 1,194 млрд параметров. Модель использует архитектуру qwenar и формат safetensors, работает через Transformers и требует версию transformers не ниже 5.15. Основной сценарий — компактное представление предложения, которое можно декодировать обратно; README сообщает о посимвольном восстановлении 30 из 32 тестовых предложений для лучшего чекпойнта и приводит высокие показатели реконструкции на тесте SlimPajama. Это не подтверждённая модель для поиска по сходству: автор не оценивал retrieval, STS или кластеризацию, а векторы обучались прежде всего для восстановления текста. Обучение проводилось на английском корпусе предложений длиной до 96 токенов, причём более половины обучающих токенов приходилось на биомедицинские аннотации PubMed. Восстановление ухудшается на длинных предложениях, плотных числовых данных, редкой терминологии, коде, URL и формулах; многоязычность не обучалась и не оценивалась. Лицензия — Apache-2.0.

RNAErnie — модель семейства BERT–ERNIE, разработанная Ning Wang и соавторами; репозиторий multimolecule/rnaernie содержит неофициальную реализацию и веса. Модель предварительно обучена на последовательностях некодирующих РНК из RNAcentral с многоэтапным маскированием нуклеотидов, подпоследовательностей и мотивов. Она предназначена прежде всего для восстановления замаскированных участков последовательности и получения признаковых представлений РНК. Архитектура включает 12 слоёв, размер скрытого представления 768 и 12 голов внимания. В карточке указано 86,06 млн параметров и контекст до 512 токенов; метаданные репозитория сообщают 113,3 млн параметров и 513 токенов. Поддерживается работа с последовательностями РНК; токенизатор может преобразовывать T в U. Модель не дообучена для конкретной классификации или регрессии, поэтому для таких задач её требуется адаптировать на целевых данных. Веса опубликованы в форматах PyTorch и safetensors, библиотека для использования — multimolecule. Лицензия — AGPL-3.0. Авторы реализации предупреждают, что не могут подтвердить совпадение промежуточных представлений с оригинальной реализацией RNAErnie.

aguxez/snap-plate-rim-marker-dfine-v6 — модель обнаружения объектов на изображениях, разработанная как дообучение aguxez/snap-plate-stack-instance-dfine-v5 на наборе данных aguxez/snap-plate-rim-marker-v6. Она основана на архитектуре D-Fine и предназначена для обнаружения и локализации маркеров обода блинов для штанги на изображениях. Модель принимает изображения и выдаёт найденные объекты с координатами рамок и метками. В опубликованной оценке на тестовой выборке mAP и mAP@50 равны 0, поэтому качество обнаружения по этим результатам не подтверждено. Модель распространяется под лицензией Apache-2.0.

wukevin/tcr-bert-mlm-only — модель семейства BERT, разработанная для предсказания замаскированных аминокислот в белковых последовательностях. Она обучена методом masked amino acid modeling и подходит для восстановления пропущенных остатков в последовательностях T-клеточных рецепторов и анализа вариантов последовательностей. Модель содержит 70,8 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности с контекстом до 64 токенов. Модель предназначена для работы с аминокислотными последовательностями, а не с естественным языком. В карточке указаны PyTorch и задача fill-mask. Лицензия в предоставленных данных не указана.

keremberke/yolov8n-pcb-defect-segmentation — модель компьютерного зрения на базе YOLOv8n, опубликованная пользователем keremberke и предназначенная для сегментации дефектов печатных плат. Она выделяет на изображении области с сухими паяными соединениями, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics. Модель подходит для автоматизированного визуального контроля печатных плат на производстве и анализа изображений плат при диагностике дефектов. Карточка указывает четыре поддерживаемых класса; сведения о лицензии не приведены в доступных данных.