II.8Инженерия данных и аналитика

DarijaBERT-arabizi — модель семейства BERT, разработанная AIOX Lab совместно с SI2M Lab INSEA для обработки марокканского арабского диалекта Darija, записанного латинскими буквами (Arabizi). Это версия DarijaBERT для Arabizi, основанная на архитектуре BERT-base без цели обучения Next Sentence Prediction. Модель содержит 197,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена примерно на 4,6 млн последовательностей, полученных из комментариев YouTube. Её основная задача — предсказывать пропущенные токены в тексте; это может служить основой для экспериментов и других NLP-сценариев на марокканском диалекте. В карточке не указана лицензия. Данные из социальных сетей могут приводить к токсичным предсказаниям.

DFineForObjectDetection архитектуры D-FINE, дообученная aguxez на наборе aguxez/snap-plate-instance-localization-v4 для локализации дисков-штанг на изображениях. Модель обнаруживает класс Weight Plate и возвращает ограничивающие рамки объектов. В README приведены результаты оценки: mAP 0,2631 и mAP@50 0,5376. Модель принимает изображения и выдаёт обнаруженные объекты с координатами рамок. Она основана на aguxez/snap-plate-localization-dfine-v1, использует библиотеку Transformers и формат весов Safetensors. Лицензия — Apache-2.0. В карточке нет сведений о поддерживаемых языках и размере модели.

SumTO_FNS2020 — модель на архитектуре BERT, разработчик — morenolq. Это лучший по результатам авторов чекпойнт из работы «End-to-end Training For Financial Report Summarization», предназначенный для классификации текста. Модель содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. В метаданных указаны реализации для PyTorch и JAX, а веса доступны в форматах Flax, PyTorch и Safetensors. Карточка связывает модель с задачей суммаризации финансовых отчётов, однако её pipeline-тег — text-classification; сведений о лицензии в предоставленных данных нет.

SuperDetectionModel — дообученная модель ArrayDice на базе facebook/detr-resnet-50 для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; в карточке приведены результаты оценки для категорий Car, Hgv, Motorcycle и Other. Модель основана на архитектуре DETR с ResNet-50, веса опубликованы в формате safetensors. Для оценки указаны mAP 0,1631 и mAP@50 0,3094. Результаты заметно различаются по категориям: mAP для Car составляет 0,2921, для Hgv — 0,3204, для Motorcycle — 0,0399, для Other — 0. Название обучающего набора в README приведено как None, поэтому область применения за пределами перечисленных категорий неясна. Лицензия — Apache-2.0.

Chicken V-JEPA2 Action Classifier — модель Khoroos для классификации поведения отдельных кур по видеоклипам. Она дообучена на архитектуре VJEPA2ForVideoClassification и содержит 402,7 млн параметров. Модель принимает RGB-видео отдельной птицы: для каждого примера требуется 64 кадра. Она распознаёт 15 классов поведения, включая кормление, питьё, отдых, ходьбу, бег, чистку перьев и взмахи крыльями. Подготовка кадров включает изменение размера, центральное кадрирование до 256 × 256 и нормализацию по параметрам процессора модели. Предназначена для присвоения поведенческих меток и сбора описательной статистики по видео птицеводства. Карточка не содержит метрик оценки; автор отдельно указывает, что предсказания не дают оценки благополучия животных. Репозиторий приватный, для доступа нужна авторизованная учётная запись Hugging Face. Лицензия CC BY-NC-SA 4.0.

CNN10 — свёрточная нейросеть, разработанная Утрехтским университетом для обнаружения вокализаций шимпанзе в биоакустических записях. Модель классифицирует аудиофрагменты длительностью 0,5 секунды как вокализацию шимпанзе или фон. Для входа используются мел-спектрограммы с PCEN-нормализацией, нормализацией по файлу и дельта-признаками; записи перед обработкой приводятся к частоте 48 кГц и фильтруются в диапазоне 100–2000 Гц. Чекпойнт обучен только на реальных записях из заповедника Мефу в Камеруне, без синтетических данных. На тестовых записях из Замбии показал F1 0,7250 и 0,6667 для двух рекордеров; карточка отмечает снижение полноты при переносе в другую акустическую среду. Модель предназначена прежде всего для записей, близких к условиям обучения, и для сравнения с вариантом, обученным с синтетической аугментацией. Это PyTorch-модель в формате safetensors, не интегрированная с Transformers. Лицензия — Apache-2.0.

EconoBert — англоязычная модель на архитектуре BERT, разработанная Samuel Chaineau путём дообучения bert-base-uncased на корпусе речей Банка международных расчётов за 1997–2023 годы. Модель предназначена для заполнения пропусков в тексте и может служить языковой основой для NLP-задач в экономике, политике и финансах. Модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В README приведены результаты оценки: точность 73% для задачи masked language modeling и 95% для next sentence prediction. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0. В README указано, что это простое дообучение базового BERT; отдельные оценки качества для прикладных задач в экономике, политике и финансах не приведены.

ShreyaR/finetuned-roberta-depression — модель классификации текста на основе RoBERTa-base, дообученная для задачи, связанной с депрессией. В карточке указаны 151,8 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт метку классификации. На оценочном наборе автор сообщает accuracy 0,9745 и loss 0,1385, однако описание набора данных, классов и методики оценки отсутствует. Модель может использоваться для исследовательской классификации текстов, связанных с депрессией, но приведённые метрики не подтверждают надёжность для клинических решений. Лицензия — MIT.

FootballBERT — трансформерная модель для футбольной аналитики, разработанная в рамках проекта RisingBALLER. Она рассматривает игроков как токены, а составы матчей — как последовательности, и обучается предсказывать замаскированных игроков по контексту матча. Так модель формирует контекстные плотные эмбеддинги, отражающие идентичность игрока и его роль среди партнёров и соперников. Архитектура — трансформерный энкодер с 6 слоями, скрытым размером 256 и словарём из 99 944 игроков; размер модели — 31,9 млн параметров. Максимальная длина контекста в метаданных — 68 токенов. Модель принимает структурированные данные о матчах: идентификаторы игроков, позиции, сезоны и команды. Основная задача в Hugging Face — fill-mask, также доступны контекстные эмбеддинги игроков. Эмбеддинги можно применять для поиска игроков по сходству стиля или игрового контекста, анализа ролей и построения моделей футбольной аналитики. Словарь игроков ограничен обучающей выборкой, поэтому для входных данных нужны совместимые идентификаторы. Эмбеддинги отражают коллективный контекст и не предназначены для прямого статистического сравнения игроков. Лицензия — Apache-2.0.

OlmoEarth v1.2 Energy Multi-Task V4 — исследовательская многозадачная модель для плотного анализа спутниковых снимков Sentinel-2 L2A, разработанная на основе allenai/OlmoEarth-v1_2-Base и дообученная для энергетических объектов в США. Общий энкодер OlmoEarth v1.2 формирует признаки, а отдельные декодеры предсказывают наличие энергетической инфраструктуры, тип топлива электростанций, маски площадок-кандидатов для солнечных и ветровых установок, показатели возобновляемой генерации, вероятности источников энергии центров обработки данных и вспомогательный тип их геометрии. Модель предназначена для исследовательского картирования объектов и анализа территорий по спутниковому контексту. Для подачи требуются гармонизированные DN-значения Sentinel-2 L2A и время съёмки; модель применяет нормализацию OlmoEarth самостоятельно. Выходы по источникам энергии ЦОД — некалиброванные вероятности, а не измеренные доли потребления или закупки электроэнергии. Тип топлива следует интерпретировать только после подтверждённого обнаружения электростанции. В версии V4 заморожены энкодер и декодеры возобновляемой энергетики и ЦОД, а дообучена силовая ветвь; географический охват обучения ориентирован на США. Калибровка вероятностей и независимая внешняя географическая проверка не заявлены, поэтому качество за пределами США не подтверждено. Модель основана на OlmoEarth Artifact License и подчиняется условиям исходной модели Ai2 Responsible Use Guidelines; для датасетов могут действовать отдельные лицензии и требования атрибуции.

SAM 3 Car Glass Segmentation — дообученная на базе facebook/sam3 модель для сегментации автомобилей по текстовым подсказкам. Она предназначена для поиска отдельных лобовых и боковых стёкол на изображениях автомобилей и выделения их масками экземпляров. Модель относится к семейству SAM 3, использует архитектуру Sam3Model и работает с изображениями; для запуска применяется библиотека Transformers, веса сохранены в формате safetensors. На момент загрузки было завершено 11 эпох обучения. README указывает, что сравнительная оценка с исходной моделью ещё не опубликована, поэтому качество и преимущества дообучения не подтверждены. Лицензия — Apache-2.0.

Test PatchTST — тестовый чекпойнт архитектуры PatchTST для прогнозирования временных рядов. В карточке указаны 786,4 тыс. параметров и формат весов safetensors. Автор README отсылает к официальной предварительно обученной модели PatchTST, поэтому этот репозиторий следует рассматривать как тестовый, а не как полноценный обученный чекпойнт. Модель распространяется по лицензии Apache-2.0.

tt-x1_lr-lr4e6-30-30B — экспериментальный чекпойнт модели TaskTrove X1, созданный в ходе абляционного прогона с learning rate 4e-6. Он дообучен на базе Qwen/Qwen3-Coder-30B-A3B-Instruct с использованием агентного RL harness terminus-2; в обучающем сценарии применялись задачи из DCAgent/exp_rpt_multifile, проверка pytest и формирование награды по pass_ratio. Это разговорная MoE-модель для генерации текста, унаследовавшая от базовой модели назначение для программирования, агентных сценариев и работы с длинным контекстом до 262 144 токенов. Прогон остановил владелец на шаге 36 из 80 после падения награды до нуля на шагах 33–36. В качестве экспорта выбран чекпойнт global_step_30 — лучший по trailing-5 EMA среди сохранённых и последний здоровый перед коллапсом. Поэтому результат не является завершённым или валидным итогом эксперимента; его пригодность для практического применения не подтверждена. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия в предоставленных источниках не описана.

Tiantian Feng разработала модель для классификации зрелости детской речи и вокализаций. Это дообученная на корпусе BabbleCor модель OpenAI Whisper Base, предназначенная для анализа аудиофрагментов и отнесения их к одной из пяти категорий: Canonical — зрелые слоги с переходом согласный-гласный; Non-Canonical — незрелые вокализации, например отдельные гласные или согласные; Crying — плач; Laughing — смех; Junk — шум, речь взрослых и другие фрагменты, не являющиеся детскими вокализациями. Модель принимает аудио и выдаёт метки классов. Она ориентирована на исследовательский анализ детских вокализаций; README описывает её в рамках бенчмарка ChildVox, принятого на EMNLP 2026. Используется библиотека Transformers, веса представлены в формате safetensors. Лицензия OpenRAIL запрещает коммерческое применение согласно README. Записи детской речи требуют особой защиты конфиденциальности и согласия семей. Автор не рекомендует использовать модель для диагностики, индивидуальной оценки развития без экспертной проверки, наблюдения или вторжения в частную жизнь; при исследованиях следует соблюдать требования этики и применимые законы.

tiantiaf/childvox-ReCANVo-whisper-base — модель классификации детских вокализаций, разработанная для бенчмарка ChildVox и дообученная Tiantian Feng на наборе данных ReCANVo поверх openai/whisper-base. Она принимает аудио и относит вокализации к шести категориям: delighted, dysregulated, frustrated, request, self-talk и social. Модель рассчитана на анализ детской речи и вокализаций, включая записи молодых взрослых; базовая архитектура — Whisper Base, библиотека — Transformers. Модель может применяться для исследовательской классификации аудиозаписей по типу вокализации. Репозиторий распространяется по лицензии OpenRAIL, а карточка запрещает коммерческое использование. Детские аудиозаписи требуют строгого соблюдения приватности, согласия семей, этического одобрения и применимых законов. Модель не предназначена для клинической диагностики, индивидуальной оценки развития без экспертной проверки, слежки или вторжения в частную жизнь.

DieTurn · YOLO26s-OBB v0.6 — модель компьютерного зрения, разработанная для обнаружения зон ожидания мотоциклов перед двухэтапным левым поворотом на ортофотоснимках. Она основана на YOLO26s-OBB и дообучена авторами проекта dieturn на 1 500 вручную размеченных изображениях NLSC из 21 округа и города Тайваня; модель выделяет зоны одним классом и возвращает ориентированные ограничивающие рамки. Предназначена для построения геопривязанных карт таких зон и поддержки навигации мотоциклистов. Рекомендуемый вход — RGB-ортофотоснимки NLSC z20 с разрешением около 13,5 см на пиксель, подготовленные как мозаика 768×768. В README приведены метрики на выборке из 300 изображений, но она специально отбиралась по сложным сценариям и не является независимой случайной проверкой точности по всему Тайваню. Версия 0.6 продолжает обучение с весов v0.5; артефакты модели представлены в формате PyTorch и рассчитаны на использование с Ultralytics. Качество может снижаться при другом источнике снимков, разрешении или ракурсе; тени, кроны деревьев, транспорт и выцветшая разметка ведут к пропускам, а похожие белые прямоугольники могут давать ложные обнаружения. Результаты общенационального сканирования не прошли независимую полевую проверку, поэтому отсутствие обнаружения не подтверждает возможность прямого поворота. Лицензия весов — AGPL-3.0.

MentalBERT-large-cased — языковая модель AIMH, созданная на основе BERT-large и предварительно обученная на публикациях о психическом здоровье, собранных на Reddit. Модель обучали по стандартной процедуре masked language modeling с использованием Transformers; в репозитории доступны веса PyTorch и Safetensors. Модель предназначена для анализа текстов о психическом здоровье и может служить основой для исследований и систем предварительного выявления возможных психических расстройств в публичных онлайн-публикациях. Метка fill-mask отражает её непосредственную задачу: предсказать замаскированные слова в тексте. Разработчики подчёркивают, что предсказания модели не являются психиатрическим диагнозом. Обучающие данные происходят из Reddit, поэтому возможны смещения, проблемы справедливости, неопределённость и низкая интерпретируемость результатов. Модель не предназначена для клинической диагностики. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства, на некоммерческих условиях и с распространением производных материалов на той же лицензии.

ItsnotAilabs/Sovereign-EIP4907-Entitlement-v1 — компактная модель на основе плотного трансформера, разработанная ItsnotAilabs для извлечения признаков в задачах управления цифровыми лицензиями и правами доступа. В README заявлены сценарии временной аренды B2B-лицензий, синхронизации прав в RevenueCat и расчёта долей дохода создателей контента. В метаданных указано около 917,5 тыс. параметров, форматы PyTorch и Safetensors и лицензия Apache-2.0. README сообщает о 796 552 обучаемых параметрах, обучении AdamW в течение 10 эпох и метриках валидации MSE 0,00835 и точности 0,9999; эти показатели приведены без описания методики и набора оценки. Размер контекста и поддерживаемые естественные языки не указаны.

ibm-research/test-ttm-v1 — тестовая модель на архитектуре TinyTimeMixer от IBM Research. В карточке указано, что за официальной моделью TTM следует обратиться к её отдельной карточке; этот репозиторий обозначен как тестовый. Метаданные относят модель к прогнозированию временных рядов и указывают класс TinyTimeMixerForPrediction, около 1 млн параметров и формат safetensors. Модель предназначена для проверки или демонстрации работы с задачей прогнозирования временных рядов. Репозиторий распространяется по лицензии Apache-2.0. README не приводит сведений о поддерживаемых языках, контекстном окне или качестве прогнозов.

FELA Power Grid — компактная модель Lowdown Labs для вероятностного прогнозирования выработки солнечных и ветровых электростанций на ближайшие часы по числовым данным прогноза погоды. Она предназначена для работы непосредственно на станции или устройстве, в том числе офлайн, чтобы помогать операторам планировать резервы, рыночные заявки и управление изменениями выработки. Модель использует двухпутевую архитектуру Fourier Neural Operator: обрабатывает временные циклы через преобразование Фурье и дополняет его локальным смешиванием признаков. В солнечном варианте 136 780 параметров, во ветровом — 311 554. На каждый прогнозный час выдаются 99 квантилей мощности от 1-го до 99-го, нормированной на номинальную мощность объекта. В README приведены входы из 6 временных шагов и 20 погодных признаков для солнечной генерации либо 12 шагов и 15 признаков для ветровой. Модель оценивалась на GEFCom2014; заявлена поддержка экспорта ONNX или TFLite и компактного запуска на CPU. Модель предназначена для краткосрочного планирования с учетом неопределенности, а не для выдачи гарантированного значения или непосредственного управления оборудованием. Калибровка квантилей проверена на GEFCom2014; переносимость на другие площадки, климаты и метеопрогнозы не охарактеризована, а тест на SDWPF показал слабый перенос. Не валидирована для самостоятельного применения в критических контурах управления. Лицензия в метаданных указана как other; README предупреждает, что для данных GEFCom2014 не предоставлено явного разрешения на повторное или коммерческое использование.

Jolia — разработанная авторами репозитория 3D-модель для извлечения признаков из компьютерной томографии. Модель на основе многомасштабного 3D Vision Transformer кодирует целый объём КТ в глобальный вектор размерности 576 и, при соответствующем запросе, в отдельные векторы для 102 анатомических областей. Для входа требуется подготовленный объём формата Atlas: 11 каналов окон КТ и кубический кроп 192×192×192 с изотропным разрешением 1,5 мм. Модель предназначена для создания признаковых представлений, которые можно использовать в последующих задачах классификации, поиска похожих исследований и анализа отдельных органов, в том числе с линейным зондированием или дообучением. В комплекте есть текстовые проекционные головы для zero-shot-классификации с текстовым энкодером Qwen/Qwen3-Embedding-8B; этот энкодер загружается отдельно и требует около 18 ГБ памяти. Модель обучена на КТ грудной клетки и брюшной полости взрослых пациентов. Это исследовательская версия, а не медицинское изделие: модель не ставит диагнозы и не подходит для принятия клинических решений. Она может плохо обобщаться на другие модальности и необычные протоколы получения изображений. В метаданных указана лицензия other, поэтому конкретные условия использования следует проверять в карточке репозитория.

gefgu/modernbert-schedule-aligner — англоязычный текстовый CrossEncoder, дообученный на базе nomic-ai/modernbert-embed-base с библиотекой Sentence Transformers. Модель оценивает пары текстов одним числовым баллом; оценки можно использовать для ранжирования кандидатов и семантического поиска. Архитектура — ModernBERT для классификации последовательностей, размер — 149 млн параметров, максимальная длина входа — 8192 токена. Модель предназначена для сопоставления профилей жителей с дневными расписаниями в платформе CityBehavEx для моделирования городской мобильности. В частности, она выступает макроуровневым выравнивателем расписаний SW-CRP. В обучающей выборке указано 1000 пар текстов с оценками соответствия. Модель принимает текст и выдаёт оценки релевантности; заявленный язык — английский. Для использования требуются Sentence Transformers. В карточке указана ссылка на базовую модель, но отдельная лицензия этой модели не приведена; перед применением следует проверить условия базовой модели и карточки репозитория. Результаты обучены на небольшой выборке и описаны для сценария CityBehavEx, поэтому качество в иных задачах сопоставления не установлено.

OlmoEarth v1.2 Energy Multi-Task V3 — модель плотного многозадачного анализа спутниковых снимков, дообученная разработчиком карточки на allenai/OlmoEarth-v1_2-Base. Она принимает гармонизированные данные Sentinel-2 L2A и за один проход энкодера формирует карты наличия энергетической инфраструктуры, категорий топлива электростанций, кандидатных участков солнечной и ветровой энергетики, оценок возобновляемой генерации и характеристик источников энергии центров обработки данных, а также вспомогательную оценку типа геометрии ЦОД. Модель ориентирована на исследовательский анализ объектов и энергетических характеристик в США. Это экспериментальный исследовательский чекпойнт: опубликованные значения — сырые предсказания, для которых не завершены калибровка на отложенной выборке и подбор порогов. Оценки источников энергии ЦОД не являются измеренными долями закупок или потребления; они обучались внутри известных контуров ЦОД. Обобщение за пределами США не проверено. Лицензия указана как other; производная модель включает веса OlmoEarth и подпадает под OlmoEarth Artifact License и Responsible Use Guidelines Ai2, а лицензии датасетов применяются отдельно.

Marco333/segformer-b0-facade-cmp — модель семантической сегментации фасадов зданий, созданная на базе SegFormer-B0 NVIDIA и дообученная на датасете CMP Facade. Она присваивает пиксели изображениям фасадные классы; рассчитана прежде всего на разбор выровненных фасадов, включая выделение стен, окон, дверей и балконов. Модель также можно применять к исходным уличным фотографиям как первый этап анализа, но точность ожидается ниже из-за перспективных искажений. Архитектура содержит около 3,7 млн параметров. Входной размер, указанный в карточке, — 512×512 пикселей; модель обучалась на 378 выровненных изображениях фасадов из CMP, с проверкой на 114 изображениях. Для обучения объединили исходные 12 классов в 6 классов; в доступном описании перечислены фон, стена фасада и окно, а полный состав классов не приведён. Лицензия — MIT. Основной сценарий — второй проход в конвейере сегментации: после обнаружения фасада и его геометрического выравнивания модель размечает детали фасада. На валидации средний IoU составил 0,4856, а IoU класса стены фасада — 0,867. Модель обучалась только на выровненных фасадах, поэтому на перспективных уличных снимках качество снижается; растительность не представлена в обучающих данных и может классифицироваться как фон. Небольшой обучающий набор ограничивает достижимое качество.

rado-tech/uzbek-gender-wav2vec2 — модель rado-tech для бинарной классификации акустических характеристик узбекской речи по голосу говорящего. Она дообучена на facebook/wav2vec2-base и использует Wav2Vec2ForSequenceClassification с двумя метками: Ayol (женский голос) и Erkak (мужской голос). Модель принимает аудиоволну длительностью 2 секунды с частотой 16 кГц и выдаёт оценки двух классов. Размер по метаданным — 113,3 млн параметров; библиотека — Transformers. Модель предназначена для исследовательского анализа узбекской речи. Для длинных записей README рекомендует разбивать аудио на перекрывающиеся двухсекундные окна, исключать тишину и усреднять вероятности. На отложенном тестовом наборе из 3 049 фрагментов заявлена точность 98,75%; результаты относятся к данным и условиям этой оценки. Модель обучена только на узбекской речи, а её точность на других языках не проверялась. Обучающие метки бинарны и не отражают всего разнообразия гендерной идентичности; значительная часть обучающих говорящих — в возрасте 18–24 лет. Модель не рассчитана на потоковую работу в реальном времени, студийные записи и аудио с сильным фоновым шумом. README предостерегает от использования её результатов для решений об отдельных людях. Лицензия — Apache 2.0.

Детектор ключевых точек автомобиля от kiselyovd, обученный на реальных изображениях CarFusion. Основная модель — YOLO26-pose в формате PyTorch; для каждого обнаруженного автомобиля она выдаёт рамку, оценку уверенности и 14 ключевых точек с координатами и признаком видимости. Схема точек включает колёса, фары, углы крыши, выхлопную трубу и центральную точку кузова. Модель предназначена для обнаружения и локализации характерных точек автомобилей на дорожных изображениях. На тестовой выборке CarFusion из 12 761 изображения автор сообщает OKS-mAP 50,4%, OKS-mAP@50 70,4% и PCK@0.05 76,1%. В репозитории также есть отдельный справочный чекпойнт ViTPose-S и сопутствующий 3D PnP-эксперимент; эти результаты не следует приписывать основной модели. Лицензия — MIT; автор указывает исследовательское и образовательное применение.

VetBERTDx — модель классификации ветеринарных клинических записей, созданная дообучением VetBERT. Она определяет синдром заболевания по тексту клинической записи и предназначена для NLP-задач в ветеринарной медицине. Модель построена на архитектуре BERT и имеет около 135,5 млн параметров; максимальный размер контекста — 512 токенов. Репозиторий содержит веса PyTorch, модель можно загружать с помощью библиотеки Transformers. VetBERT был инициализирован из Bio_ClinicalBERT, а затем предварительно обучен на корпусе VetCompass Australia, содержащем более 15 млн ветеринарных записей и 1,3 млрд токенов. VetBERTDx дополнительно дообучен на 5002 аннотированных клинических записях для классификации синдромов. Модель ориентирована на английские ветеринарные записи. Лицензия в предоставленных данных не указана.

Это модель обнаружения объектов на изображениях, созданная дообучением facebook/detr-resnet-50 с помощью AutoTrain. Она предназначена для поиска экскаваторов и определения их расположения на изображении с помощью ограничивающих рамок. Модель построена на архитектуре DETR с ResNet-50 и рассчитана на задачу object detection. В карточке приведены метрики валидации: mAP 0,4249, mAP@50 0,5213 и mAP@75 0,4799. По ним можно оценивать качество на использованной выборке, но они не гарантируют такую же точность на других изображениях. Лицензия в предоставленных данных не указана.

BrainG3N — модель Gevaert Lab для анализа структурных МРТ головного мозга. Это самоконтролируемый 3D masked autoencoder с энкодером ViT-Large, обученный на примерно 33 тысячах объёмов из 18 открытых когорт. Энкодер принимает одноканальные объёмы размером 160×192×160 вокселей с патчами 16×16×16 и извлекает векторные признаки для клинических исследовательских задач без дообучения. В репозитории также доступны декодер для реконструкции и условная DiT для генерации синтетических объёмов. Модель предназначена для извлечения признаков из структурных МРТ T1, T1c, T2 и FLAIR, реконструкции и условной генерации объёмов. Перед подачей данных требуется удалить череп и аффинно зарегистрировать скан к общему шаблону; модель выполняет только подгонку размера и z-нормализацию ненулевых вокселей. Признаки содержат сильный сигнал о месте сканирования, поэтому при клинической оценке необходима кросс-валидация с учётом центра. Модель не является медицинским изделием и предназначена для исследований. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

hersxy/era5-t2m-lstm — модель прогноза временных рядов, разработанная автором репозитория на основе архитектуры LSTM. Она прогнозирует температуру воздуха на высоте 2 м на следующие 24 часа по предыдущим 72 часам для ячейки сетки ERA5. Общая модель применяется к каждой ячейке заданного региона, а координаты широты и долготы подаются как входные признаки. Модель принимает почасовые данные температуры ERA5 в кельвинах и временные признаки: час суток и день года, закодированные синусом и косинусом, а также координаты ячейки. Архитектура состоит из двух слоёв LSTM по 128 элементов с dropout 0,1 и линейного выходного слоя Dense на 24 значения; всего 204 312 параметров. Реализация использует Keras и TensorFlow. Обучение проведено на данных 2021–2023 годов, с валидацией за 2024 год и тестированием за 2025 год; область применения ограничена прямоугольником 41,75–57° с. ш. и 95–74,25° з. д. Модель предназначена для краткосрочного прогноза температуры по ERA5. В тесте за 2025 год RMSE составляла 1,505 K на горизонте 1 час, 1,946 K на 3 часа и 2,578 K на 6 часов; на горизонте 3 часа модель превзошла прогноз сохранения последнего значения. Она не использует ветер, давление или соседние ячейки, поэтому прогноз зависит только от истории температуры в той же ячейке и временно-пространственных признаков. Применение за пределами обучающего региона, на других типах входных данных, при климатическом дрейфе и экстремальных событиях не гарантируется. Лицензия — MIT.