II.8Инженерия данных и аналитика

InfiR-1B-Instruct — англоязычная инструктивная языковая модель от InfiX, дообученная на базе meta-llama/Llama-3.2-1B. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; метаданные указывают контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста, в частности для математических рассуждений, написания кода и ответов с пошаговым рассуждением. Обучение включает продолженное предобучение на коде и веб-текстах, а также настройку инструкциями на смесях данных, среди которых Infinity-Instruct, Orca-AgentInstruct-1M и NuminaMath. В README приведены результаты на MMLU, GSM8K и MATH, но модель уступает крупным моделям на сложных задачах рассуждения. Оценивание сосредоточено на английских тестах, а многоязычная устойчивость не проверена; знания ограничены примерно серединой 2023 года. Лицензия — Llama 3.2.

LaBSE_geonames_RU — модель эмбеддингов предложений на базе многоязычной BERT-модели LaBSE, дообученная автором карточки на русскоязычных географических названиях из набора GeoNames cities15000. Она преобразует названия городов в плотные 768-мерные векторы и предназначена для семантического поиска и кластеризации географических названий. Метаданные указывают 498,1 млн параметров, контекст до 512 токенов и форматы PyTorch и safetensors. Модель рассчитана на работу с русскими географическими названиями; базовая LaBSE поддерживает многоязычные тексты, но специализация этого дообучения — русский. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Лицензия в предоставленных данных не указана.

LFM-2.5-Coder-2.6B — облегчённая дообученная языковая модель для генерации кода и решения задач программирования с пошаговым рассуждением. Модель разработана Schnuckade на основе LiquidAI/LFM2.5-2.6B и дообучена с использованием Unsloth на датасете Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500. Модель ориентирована на генерацию программного кода, анализ и решение задач, связанных с программированием, при сохранении общей полезности базовой модели. Заявлены английский язык и поддержка сценариев локального развёртывания. Доступны веса в форматах FP16 и BF16 Safetensors, а также квантизированная версия GGUF Q4_K_M. В примере интеграции указан контекст до 2048 токенов и загрузка в 4-битном режиме, однако это не обязательно отражает максимальный контекст модели. Размер модели — 2,6 млрд параметров; архитектура унаследована от LiquidAI/LFM2.5-2.6B, но её подробные характеристики в README не приведены. Сильными сторонами являются компактность, акцент на код и рассуждение, а также наличие форматов для локального запуска. Ограничения включают заявленную ориентацию на английский язык и отсутствие в представленных данных подробных результатов бенчмарков, перечня поддерживаемых языков программирования и оценки качества. Модель распространяется по лицензии Apache-2.0.

Это финальная готовая к инференсу модель для генерации кода, созданная методом supervised fine-tuning на базе meta-llama/Llama-3.2-3B-Instruct. Разработчик обучал её на llama3b_code_sft_data с упорядоченной подачей примеров и равномерным повторным воспроизведением данных с коэффициентом 1,0; представлена версия на шаге оптимизатора 65. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и работает с контекстом до 131 072 токенов. Модель предназначена для генерации кода в диалоговом формате и готова к запуску через Transformers; веса доступны в формате safetensors. README не уточняет поддерживаемые языки программирования, результаты оценки качества или конкретные ограничения. Базовая модель распространяется по лицензии Llama 3.2 Community License; условия лицензии производной модели следует сверить с её репозиторием и лицензией базовой модели.

bergr7f/mathcoder-mistral-7B — объединённая языковая модель на архитектуре Mistral, созданная методом TIES с помощью mergekit. В основу слияния вошла mistralai/Mistral-7B-v0.1; также объединены WizardLM/WizardMath-7B-V1.1 и codellama/CodeLlama-7b-Instruct-hf. Модель предназначена для генерации текста с уклоном в математические задачи и программирование. Она содержит 7,1 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 32 768 токенов. В метаданных указана задача text-generation. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько базовых моделей, условия использования следует сверять с лицензиями исходных компонентов. Данных о качестве на конкретных наборах задач нет.

MiMo-7B-RL-Zero — языковая модель Xiaomi, обученная с нуля в серии MiMo-7B и дообученная методом обучения с подкреплением от базовой MiMo-7B-Base. Модель предназначена прежде всего для рассуждений в математике и программировании; карточка сообщает о результатах на бенчмарках, сопоставимых с OpenAI o1-mini. Это плотная авторегрессионная модель семейства MiMo с 7 млрд параметров и контекстом 32 768 токенов. Она принимает текст и генерирует текст; поддерживает диалоговый режим и интерфейс вызова инструментов. В обучении использовались масштабное предварительное обучение и RL на задачах математики и кода с проверкой ответов по правилам. Репозиторий содержит веса Safetensors. Лицензия — MIT. Карточка не описывает отдельные ограничения качества или поддерживаемые естественные языки; языковые возможности за пределами задач математики и кода из предоставленных данных установить нельзя.

Mirage-Photo-Classifier — модель классификации изображений, созданная на основе google/siglip2-base-patch16-224 и дообученная для бинарного определения подлинности фотографий. Она использует архитектуру SiglipForImageClassification и относит изображение к классу Real (настоящее) или Fake (сгенерированное ИИ). Разработчик в карточке модели не назван. Модель предназначена для поиска синтетических изображений в новостях, социальных сетях и наборах данных, а также для поддержки цифровой экспертизы и модерации контента. В README приведён отчёт на тестовой выборке из 10 000 изображений: точность составила 94,64%, F1 для классов Real и Fake — 0,9446 и 0,9481 соответственно. Эти результаты относятся к указанной выборке и не гарантируют такую же точность на других типах изображений. Модель принимает изображения и выдаёт метки классов. В метаданных указан английский язык карточки; другие поддерживаемые языки не заявлены. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT, опубликованная автором репозитория asfafa454 и предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. Основной сценарий по метаданным Hugging Face — получение векторных представлений текста для последующей классификации, поиска, кластеризации и других задач машинного обучения. В README также заявлены улучшения рассуждений, понимания языка, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти возможности не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены подробностями об архитектуре, размере, языках или контекстном окне. Условия использования определяются лицензией MIT.

MyAwesomeModel — модель на базе Transformers с тегом архитектуры BERT, предназначенная для извлечения признаков из текста. В метаданных Hugging Face её основной pipeline отмечен как feature-extraction, поэтому модель может использоваться для получения векторных представлений текста в задачах последующей классификации, поиска сходства и семантического анализа. README также заявляет об улучшениях рассуждений, генерации, программировании, математике, диалоге, суммаризации и function calling, однако эти сведения не согласуются с указанным в метаданных pipeline feature-extraction и не подтверждают конкретную архитектуру, размер или контекст модели. Разработчик в предоставленных данных не идентифицирован. Модель распространяется под лицензией MIT и предназначена для использования с библиотекой Transformers и PyTorch.

MyAwesomeModel — модель из репозитория SDASD12SAD/MyAwesomeModel-TestRepo. По метаданным Hugging Face она предназначена для извлечения признаков и относится к архитектурному семейству BERT; модель реализуется с использованием PyTorch и библиотеки Transformers. Лицензия — MIT. README также описывает улучшения рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации, перевода и function calling, однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными сведениями о конкретной архитектуре, размере или методике обучения. Поэтому наиболее надёжный сценарий применения по доступным метаданным — получение векторных представлений текста для последующей классификации, поиска или других задач машинного обучения.

NLPclass/Named-entity-recognition — модель распознавания и классификации именованных сущностей в персидском (фарси) тексте, разработанная NLPclass. Это дообученная на PartAI/TookaBERT-Base модель BERT для token classification с 150,1 млн параметров и контекстом до 512 токенов. Она размечает упоминания людей, организаций, мест, продуктов, групп и творческих произведений тегами BIO; карточка также перечисляет категории дат, хотя они отсутствуют среди приведённых выходных тегов. Модель подходит для извлечения сущностей при поиске информации, анализе персидского контента и автоматизации поддержки клиентов. В README указаны обучающая выборка из 15 000 предложений и тестовая из 2 000; лицензия — MIT. Качество может зависеть от домена текста: карточка не приводит численных метрик, а набор предсказываемых категорий ограничен указанными метками.

NanoForecast v0.5 — модель прогнозирования временных рядов, разработанная Eulogik. Она предназначена для zero-shot прогнозов без дообучения на новых рядах, а также для потокового инференса и дообучения на пользовательских данных. Модель выдаёт точечные прогнозы и квантильные оценки p10, p25, p50, p75 и p90; заявлены также обнаружение аномалий, поддержка ONNX и работа на CPU, включая устройства с ограниченными ресурсами. Архитектура содержит около 6,5 млн параметров и рассчитана на контекст длиной 512 временных шагов с прогнозом на 48 шагов, который можно настроить. В README приведены результаты на наборах ETTh1, ETTh2, ETTm1, exchange_rate, electricity и traffic, а метаданные указывают эти же наборы данных. Языковая поддержка неприменима к числовым временным рядам. README сообщает, что квантильные интервалы на проверенных данных уже номинальных и должны рассматриваться как относительный сигнал неопределённости, а не как калиброванные вероятности. Также указано, что модель не предназначена для моделирования зависимостей между несколькими рядами и может уступать крупным моделям на отдельных наборах. Лицензия Apache 2.0 допускает коммерческое использование.

Kukedlc разработал экспериментальную модель для генерации текста и решения задач на логику, математику и программирование. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, дообученная на основе Kukedlc/NeuralExperiment-7b-dare-ties. При обучении обновлялись слои начиная с последнего; использовались наборы задач по математике и программированию, включая Orca Math и Magicoder. Модель предназначена для генерации кода, решения математических текстовых задач и логических головоломок. Автор сообщает о предварительных обнадёживающих результатах, но количественная оценка возможностей ещё проводится. Файлы представлены в формате safetensors; лицензия — Apache-2.0.

OpenCoder-1.5B-Instruct — диалоговая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder. Она основана на плотной архитектуре Llama и дообучена методом supervised fine-tuning на двух этапах на примерах OpenCoder. Модель содержит 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации кода по запросу на естественном языке, ответов на вопросы о программировании и помощи в решении задач на код. Семейство OpenCoder поддерживает английский и китайский языки; в карточке этой версии указаны те же языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench. Модель опубликована в формате safetensors для Transformers. Лицензия указана как «other», поэтому условия использования следует уточнить в файлах лицензии репозитория. README описывает открытые данные и процесс обучения семейства, но не приводит подробных ограничений конкретно этой версии.

fredzzp/open-dcoder-0.5B — модель генерации кода, разработанная fredzzp на архитектуре Qwen2. Это языковая модель с маскированной диффузией и двунаправленным вниманием, содержащая 494 млн параметров; для генерации требуется специальный метод diffusion_generate из пользовательского кода модели. Модель предназначена для генерации кода по текстовым запросам и поддерживает контекст до 32 768 токенов. В репозитории представлены веса в формате safetensors, а для работы используется библиотека Transformers. Карточка не уточняет поддерживаемые языки программирования или естественные языки. Лицензия — Apache-2.0.

OpenThinker3-7B-F32-GGUF — текстовая модель рассуждений на 7 млрд параметров, опубликованная prithivMLmods в формате GGUF. Это вариант OpenThinker3-7B, дообученной на наборе OpenThoughts3-1.2M методом SFT; каталог указывает семейство архитектуры Qwen2. Модель предназначена для генерации ответов и диалогового использования, в частности для математических, программных и научных задач. Файлы доступны в точностях F32, F16 и BF16; README рекомендует запускать их через llama.cpp или совместимые движки. Карточка заявляет улучшение относительно предыдущих версий OpenThinker и высокие результаты среди моделей рассуждений класса 7B, однако независимые условия и метрики сравнения не приведены. Модель принимает текст и генерирует текст, поддерживаемый язык по карточке — английский. Лицензия — Apache-2.0.

Parrot Coder — языковая модель для автодополнения и генерации кода, разработанная Inserloft Research. Это плотная GPT-2-модель на 200 млн параметров; репозиторий содержит объединённые базовую модель и LoRA-адаптеры в формате safetensors, готовые для инференса через Transformers. Модель предназначена для быстрого продолжения фрагментов кода и генерации кода по текстовому запросу. Метаданные указывают контекст до 2048 токенов и поддержку английского языка. Модель выдаёт текст, в том числе программный код. Лицензия — Apache-2.0.

PolyCoder-160M — языковая модель для генерации программного кода, представленная авторами в работе «A Systematic Evaluation of Large Language Models of Code». Модель содержит около 151,9 млн параметров, использует архитектуру GPT-NeoX и принимает текстовый контекст длиной до 2 048 токенов. Модель обучена на 249 ГБ кода на 12 языках программирования и предназначена для продолжения и генерации кода по текстовому запросу или фрагменту программы. Это исследовательский чекпойнт, опубликованный в 2022 году; для запуска авторы указывают Transformers версии 4.23.0 или новее. Сведения о лицензии и языках программирования в карточке не приведены.

Poseidon-Reasoning-1.7B — компактная языковая модель для генерации текста, дообученная prithivMLmods на Qwen/Qwen3-1.7B. Для обучения использована выборка из первых 70 тысяч записей датасета Poseidon-Reasoning-5M. Модель предназначена для математических, научных и связанных с программированием рассуждений, решения задач и выполнения инструкций. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Она принимает текст и может выдавать объяснения и структурированные ответы, включая Markdown, Python, LaTeX и таблицы. Карточка заявляет многоязычные возможности базовой Qwen3; метаданные карточки указывают английский язык. Лицензия — Apache-2.0. Модель рассчитана на задачи с чёткой постановкой и умеренной сложностью: помощь в математике и естественных науках, пошаговое решение задач и написание кода с ограничениями. Она не предназначена для широкой непринуждённой беседы и может уступать в творческом письме, эмоциональных ответах и неструктурированных спекулятивных рассуждениях.

Модель сегментации речи разработана Hervé Bredin и Antoine Laurent для работы с pyannote.audio. Она анализирует аудиозаписи, определяет речевые участки и поддерживает обнаружение перекрывающейся речи и повторную сегментацию говорящих. В README приведены сценарии применения на данных AMI, DIHARD3 и VoxConverse, включая настройку порогов для детектирования речевой активности, перекрытий и повторной сегментации VBx. Модель распространяется в формате PyTorch и используется через pyannote.audio; README указывает на версию 2.0, находившуюся в разработке на момент публикации. Репозиторий создан 8 ноября 2022 года. Лицензия — MIT. В карточке не приведены сведения об архитектуре, числе параметров, длине контекста или поддерживаемых языках.

nluai/question-generation-vietnamese-v2 — модель генерации поисковых запросов для расширения документов, основанная на mT5 и дообученная на вьетнамских данных набора mMARCO. Модель принимает текстовые фрагменты и генерирует вероятные запросы, связанные с их содержанием; это помогает добавить в поисковый индекс синонимы и повысить вес значимых слов для лексического поиска BM25 в Elasticsearch, OpenSearch или Lucene. Модель также подходит для создания пар «запрос — текст» на неразмеченных коллекциях, которые можно использовать при обучении плотных моделей эмбеддингов. В обучении использовались пары «запрос — passage» из mMARCO; вход ограничивался 320 токенами WordPiece, выход — 64. Генерация с выборкой top-k/top-n недетерминирована. Модель содержит 291,2 млн параметров, использует архитектуру mT5 и распространяется под лицензией Apache-2.0.

Tuwhy/Qwen3-4B-OPSA-Code — дообученная языковая модель для генерации кода, созданная на основе Qwen/Qwen3-4B с применением метода On-Policy Self-Adaptation (OPSA). Это плотная causal language model семейства Qwen3 с 3,7 млрд параметров; репозиторий содержит полные веса BF16 в Safetensors, конфигурацию и токенизатор. Модель предназначена для генерации кода в диалоговом формате и может использоваться через Transformers; заявленное окно контекста — 40 960 токенов. Контрольная точка соответствует шагу 259, после 260 обновлений оптимизатора, поэтому это ранний чекпойнт, а не свидетельство зрелого качества для практического развертывания. Базовая модель поддерживает многоязычные задачи, но карточка этого варианта указывает только кодовую специализацию, не уточняя языки программирования или конкретные языки запросов. Лицензия — Apache 2.0, как у базовой модели.

Roberta-CLS-URL — дообученная модель RonTon05 на базе papluca/xlm-roberta-base-language-detection для классификации текста. По метаданным это плотная трансформерная архитектура XLM-RoBERTa с головой XLMRobertaForSequenceClassification; размер — 305,2 млн параметров, контекст — 514 токенов. Модель предназначена для отнесения текстов к классам, однако названия классов и конкретная область применения в карточке не раскрыты. В README указаны результаты на тестовой выборке: accuracy 0,9571 и F1 0,9572. Датасет обучения обозначен как неизвестный, поэтому эти метрики нельзя переносить на другие данные без собственной проверки. Модель распространяется в формате Safetensors по лицензии MIT.

Rudar mmBERT Slovenian NER — модель распознавания именованных сущностей в текстах на словенском языке, разработанная в рамках семейства Rudar. Это дообученная модель jhu-clsp/mmBERT-base с архитектурой ModernBERT и классификационной головой для разметки токенов. Она относит фрагменты текста к четырём классам CoNLL: PER (люди), LOC (места), ORG (организации) и MISC (прочие сущности), выдавая BIO-теги. Модель содержит 306,9 млн параметров, принимает текстовый контекст длиной до 8192 токенов и предназначена для новостей и текстов общего профиля на словенском языке. Модель подходит для извлечения упоминаний людей, мест и организаций из словенских документов и новостных публикаций. Для получения цельных фрагментов сущностей в README рекомендуется объединять метки со стратегией average. Модель ожидает текст с сохранённым регистром и достаточно корректной формой; для языков, кроме словенского, она не предназначена. Лицензия — MIT.

sat-1l-sm — модель семейства Segment any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. В карточке заявлено качество уровня state of the art и компактная архитектура с одним слоем Transformer; метаданные указывают классификатор токенов XLM размером 201,4 млн параметров с контекстом до 514 токенов. Модель выполняет разметку токенов для определения границ предложений и ориентирована на многоязычный текст. Метаданные перечисляют языки, включая английский, арабский, французский, немецкий, хинди и японский; поддержка русского языка среди перечисленных кодов не заявлена. Доступны веса в форматах Safetensors и ONNX. Лицензия — MIT.

Sherry 35B-A3B 0.1 Preview — экспериментальная модель для генерации текста, разработанная Valendra на основе Qwen/Qwen3.6-35B-A3B. Это дообученная методом SFT и GRPO модель семейства Qwen3.5 MoE с 35 млрд параметров; веса объединены, отдельный PEFT-адаптер для инференса не нужен. Модель поддерживает чат и интерфейс вызова инструментов. Главная особенность — управляемый уровень усилий рассуждения: low, medium или high задаёт компромисс между глубиной ответа, задержкой и расходом токенов. Модель предназначена для математических и научных задач, задач на рассуждение и экспериментов с программированием. В описанной авторами оценке показала 97,1% math_verify на MATH-500 и 78,3% exact match на GPQA-Diamond; эти результаты получены в одном контролируемом запуске и не гарантируют аналогичного качества в других условиях. Это предварительная версия: результат AIME 2025 находится на пересмотре, а поведение за пределами оценённых областей изучено ограниченно. Возможны ошибки, поэтому ответы следует проверять, особенно в высокозначимых сценариях. Модель распространяется по лицензии Apache-2.0.

Карточка модели corypaik/silero-vad на Hugging Face совпадает с карточкой istupakov/silero-vad-onnx, поэтому описание составлено по ней. Это модель Silero VAD версии 6.2 в формате ONNX, опубликованная пользователем istupakov для работы с onnx-asr. Она определяет участки речи в аудиозаписи и может использоваться как этап предварительной обработки перед распознаванием речи, например вместе с Parakeet v3 ASR для анализа WAV-файлов. Формат ONNX позволяет запускать модель через совместимые среды выполнения.

Triton VX Qwen3.5 2B — компактный ассистент Fabrix.ai / RDAF, разработанный на базе unsloth/Qwen3.5-2B и дообученный на технической документации, схемах и форматах цитирования Fabrix. После supervised fine-tuning модель прошла выравнивание предпочтений методом DPO, чтобы выдавать краткие ссылки на отдельные карточки базы знаний вместо длинных списков путей. Модель предназначена для поиска сведений в документации Fabrix и RDAF, подбора документации для настройки виджетов и дашбордов, создания сторибордов и работы с динамическими конвейерами. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, 2 млрд параметров, представленная в формате Safetensors с точностью float16 и лицензией Apache-2.0. Метаданные указывают поддержку диалогового режима и интерфейса вызова инструментов; карточка ориентирует модель на английский язык.

Многоязычная модель Cardiff NLP на архитектуре XLM-RoBERTa-base для определения тональности сообщений в Twitter и других коротких текстов. Модель обучена примерно на 198 млн твитов и дообучена для классификации тональности на восьми языках: арабском, английском, французском, немецком, хинди, итальянском, испанском и португальском. Авторы указывают, что она может применяться и к другим языкам. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса тональности. Максимальная длина контекста — 514 токенов. Подходит для анализа тональности публикаций и коротких сообщений; качество за пределами восьми языков дообучения может быть ниже. В карточке указаны форматы PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

TyBert — предварительно обученная текстовая модель семейства BERT, выпущенная Trendyol для турецкого языка. Она предназначена для получения признаковых представлений текста и может служить основой для задач понимания языка, включая классификацию текстов и распознавание именованных сущностей. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors для Transformers. В метаданных основной задачей указано извлечение признаков; также поддерживается заполнение маскированных токенов. Лицензия Apache-2.0.