II.8Инженерия данных и аналитика

V-JEPA 2.1 ViT-L/16 @ 384 — преобразованные веса модели для извлечения плотных пространственно-временных признаков из видео. Репозиторий подготовил Dev-Jahn в формате Hugging Face на основе официального чекпойнта Meta; модель ViT-L/16 дистиллирована из ViT-G. Модель принимает видеоклипы и кодирует их в сетку признаков: патч имеет размер 16 пикселей, временной tubelet охватывает 2 кадра. Для клипа из 64 кадров размером 384 × 384 получается сетка токенов 32 × 24 × 24 с размерностью признаков 1024. Подходит как визуальный энкодер для извлечения признаков видео и последующего пространственно-временного анализа. Веса опубликованы в формате safetensors и доступны на условиях лицензии Apache-2.0. Это порт чекпойнта, а не отдельное дообучение; README не сообщает о поддержке генерации текста или других модальностей.

WavJEPANat-Nat Base — аудиомодель на основе Joint-Embedding Predictive Architecture, разработанная Goksenin Yuksel. Она извлекает высокоуровневые семантические представления непосредственно из звуковой волны и предназначена для использования как экстрактор признаков в последующих аудио-задачах. В архитектуру входят волновой энкодер на основе свёрточного feature encoder из Wav2Vec 2.0, контекстный и целевой энкодеры, а также предиктор на основе Vision Transformer. Модель обучена на AudioSet с добавлением шумов и реверберации, чтобы повысить устойчивость представлений в естественных акустических сценах. Извлечённые признаки можно использовать для классификации окружающих звуков, распознавания речи, подсчёта говорящих и других задач анализа аудио; для конкретного сценария может потребоваться обучить классификационную голову. Карточка сообщает о поддержке всех языков с основным акцентом на английский. Модель распространяется по лицензии MIT.

Aimlab/xlm-roberta-base-finetuned-urdu — модель классификации текста, созданная дообучением XLM-RoBERTa-base на данных тональности на урду. Она определяет эмоциональную окраску предложения и относит его к одному из двух классов: положительному или отрицательному. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст на урду. Контекст составляет до 514 токенов. Модель подходит для анализа отзывов и коротких сообщений на урду; качество на других языках или для иных задач не подтверждено. Модель распространяется по лицензии AFL-3.0 и рассчитана на использование с библиотекой Transformers в формате PyTorch.

Fer1155453/xlm-roberta-sarcasmo — модель классификации текста, дообученная автором на базе FacebookAI/xlm-roberta-large. По названию репозитория она предназначена для определения сарказма в тексте. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и рассчитана на контекст до 514 токенов. В README приведены результаты на тестовой выборке: F1 Macro 0,9288, F1 Weighted 0,9318, F1 Binary 0,9137 и accuracy 0,9319. Карточка не сообщает состав и язык датасета, поэтому эти показатели нельзя переносить на другие языки и типы текста без проверки. Модель распространяется по лицензии MIT.

Zanii Quant — веса декодерной модели временных рядов, используемые приложением Zanii Quant. Модель загружается через TimesFM3Forecaster и предназначена для прогнозирования временных рядов. В README не приведены сведения о размерах модели, поддерживаемых языках или контексте. Лицензия обозначена как other; условия использования следует смотреть в файле LICENSE репозитория.

AfroXLMR-base — модель Davlan, созданная адаптацией masked language modeling базовой XLM-R-base для африканских языков. Она использует архитектуру XLM-RoBERTa для заполнения замаскированных токенов и может служить основой для задач обработки языков Африки, включая распознавание именованных сущностей. В README приведены результаты оценки на MasakhaNER для ряда языков. Модель содержит 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Она обучена для 17 африканских языков, включая африкаанс, амхарский, хауса, игбо, малагасийский, чичева, оромо, Naija, киньяруанда, кирунди, шона, сомали, сесото, суахили, коса, йоруба и зулу; также поддерживает арабский, французский и английский. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

Minachist разработал бинарный классификатор иллюстраций, определяющий, создано ли изображение генеративной моделью или человеком. Это дообученная модель google/siglip2-so400m-patch16-384: она использует визуальный энкодер SigLIP2 с линейной классификационной головой на два класса, а текстовая часть исходной модели удалена. На вход подаётся изображение; на выходе модель выдаёт оценки классов «human» и «ai». Изображения приводятся к размеру 384×384 с игнорированием исходного соотношения сторон. Модель предназначена для предварительной проверки иллюстраций и анализа наборов изображений на наличие AI-генераций. В README приведены высокие метрики на отложенной выборке, включая AUROC 0,9994 на варианте с нейтрализованными форматами и разрешениями. Для воспроизведения указанной сбалансированной точности следует применять порог P(ai) ≥ 0,0368; стандартный argmax использует порог 0,5, поэтому может давать другие решения. Вероятности не откалиброваны. Разработчик характеризует выпуск как исследовательский артефакт. Обобщение на генераторы, которых не было в обучающих данных, не гарантируется; новые генераторы, постобработка и сильное повторное сжатие могут снизить точность. Результаты одной валидационной выборки могут завышать качество на реальных данных, поэтому классификатор не следует использовать как единственное основание для решений с серьёзными последствиями. Лицензия — Apache-2.0.

Algolia-large-multilang-generic-v2410 — мультиязычная модель эмбеддингов компании Algolia, предназначенная для поиска и извлечения релевантных результатов в электронной коммерции. Это дообученная модель на базе OrdalieTech/Solon-embeddings-large-0.1 с архитектурой XLM-RoBERTa и примерно 658,7 млн параметров. Репозиторий содержит веса в форматах Safetensors и ONNX; модель принимает текстовые запросы и документы, а её контекст составляет 514 токенов. Модель рассчитана на семантический поиск по товарам и другим материалам электронной коммерции на английском, французском, немецком, испанском и русском языках. Для запроса README рекомендует добавлять префикс «query: », а документы подавать без специальных инструкций. Модель выпущена под лицензией MIT.

Shaer-AI/ARBERT-base-submeter-classifier — дообученная модель классификации текста на основе ARBERT от UBC-NLP. Она предназначена для присвоения меток текстовым последовательностям; карточка сообщает о дообучении на датасете, обозначенном как None. Модель построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. Базовый ARBERT предварительно обучен для арабского языка MSA. На оценочном наборе указаны accuracy 0,9709, macro F1 0,6021 и weighted F1 0,9654. Сведения о классах, предметной области и ограничениях применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

vinai/bartpho-word-base — базовая версия BARTpho-word, разработанная авторами Nguyen Luong Tran, Duong Minh Le и Dat Quoc Nguyen. Это предварительно обученная последовательностная модель на архитектуре BART, использующая схему денойзингового обучения и предназначенная для извлечения признаков из текста на вьетнамском языке. Модель содержит 105,8 млн параметров, имеет контекст до 1024 токенов и распространяется в формате PyTorch. Её можно использовать как основу для получения контекстных представлений текста и построения или дообучения приложений для вьетнамского языка. Лицензия — MIT.

baseline-rtdetr-v2-r18 — модель обнаружения объектов на изображениях, дообученная на основе PekingU/rtdetr_v2_r18vd. Она использует архитектуру RT-DETRv2 и предназначена для поиска объектов и определения их расположения на изображениях. Конкретный набор классов зависит от обучающих данных, которые в карточке не описаны. Модель распространяется в формате safetensors; лицензия — Apache-2.0.

leomaurodesenv/bert-base-uncased-nvidia-aegis-v1-augmented — дообученная модель классификации последовательностей на основе google-bert/bert-base-uncased. Она предназначена для отнесения англоязычного текста к классам; название репозитория указывает на связь с NVIDIA Aegis, но README не раскрывает конкретную схему меток или сценарий применения. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: loss 0,1679 и accuracy 0,9491; набор данных и подробности методики оценки не указаны. Базовая модель ориентирована на английский язык. Модель распространяется по лицензии Apache-2.0.

Модель Yoshitomo Matsubara — версия BERT-base-uncased, дообученная на датасете SST-2 для классификации тональности коротких текстов на английском языке. Она использует архитектуру BERT с 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README обучение описано как воспроизводимый пример с использованием torchdistill и библиотек Hugging Face; указанный общий результат на тестах GLUE — 77,9 балла. Модель подходит для определения положительной или отрицательной тональности английских фраз и отзывов. Она опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. Обучение на SST-2 ограничивает специализацию модели анализом тональности; README не приводит отдельной оценки качества именно для этой модели на SST-2.

Модель fabr iceyhc/bert-base-uncased-yahoo_answers_topics — дообученная версия BERT base uncased для классификации текстов по темам набора Yahoo Answers Topics. Она принимает текст и относит его к тематической категории; опубликованный результат на оценочной выборке — точность 0,7499 при значении loss 0,8092. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для тематической сортировки вопросов и ответов, похожих на данные Yahoo Answers. Карточка не описывает категории, обучение и ограничения подробнее. Базовая модель ориентирована на английский текст. Лицензия — Apache-2.0.

nova4i2/bert-emotion — модель классификации текста на основе BERT, дообученная автором на неизвестном наборе данных. Она предназначена для определения эмоциональных категорий в тексте. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. На указанном в карточке наборе для оценки модель достигла accuracy 0,928 и F1 0,9283 при loss 0,1684. Эти результаты нельзя уверенно переносить на другие данные, поскольку обучающий и оценочный наборы не описаны. Модель распространяется по лицензии Apache-2.0.

BERTimbauwithDropout — дообученная модель классификации текста на основе neuralmind/bert-base-portuguese-cased, разработанная leandroaraujodev. Она предназначена для отнесения текстовых последовательностей к классам; конкретный набор меток и целевая область не описаны. Модель построена на архитектуре BERT, содержит 136,1 млн параметров и поддерживает контекст до 512 токенов. Ориентирована на бразильский португальский язык. На указанном в карточке наборе для оценки модель показала точность 0,7263 и значение функции потерь 0,7215. Датасет и подробности обучения не раскрыты, поэтому результаты нельзя переносить на другие данные без дополнительной проверки. Репозиторий распространяется по лицензии MIT.

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

Hemanthhebbal/custom-image-classifier — модель компьютерного зрения на архитектуре MobileNetV2, дообученная для классификации изображений. Её можно использовать через библиотеку Transformers с конвейером image-classification для получения предсказанных классов изображения. Модель хранится в формате safetensors и распространяется по лицензии Apache-2.0. Карточка заявляет высокую производительность инференса, но не приводит метрик качества, набора классов или данных, на которых модель обучалась.

distilbert-base-german-cased — немецкоязычная модель DistilBERT от сообщества DistilBERT, представленная на Hugging Face. Это компактный трансформер на основе архитектуры BERT, обученный методом дистилляции под надзором bert-base-german-dbmdz-cased; модель содержит 67,4 млн параметров и рассчитана на последовательности до 512 токенов. Модель предназначена для предсказания скрытых токенов в немецком тексте. Такой режим подходит для подстановки пропущенных слов и получения контекстных представлений текста, которые можно применять как основу для последующей настройки под задачи понимания языка. В материалах разработчика приведены результаты для распознавания именованных сущностей на немецких наборах CoNLL-2003 и GermEval 2014. Модель работает с текстом на немецком языке и сохраняет регистр. Компактность DistilBERT рассчитана на более быстрый и лёгкий инференс по сравнению с BERT, хотя приведённые разработчиком результаты на NER немного ниже показателей исходной немецкой BERT-модели. Лицензия репозитория — Apache-2.0.

Модель abdelkader/distilbert-base-uncased-finetuned-emotion — дообученная для классификации эмоций версия DistilBERT от автора репозитория abdelkader. Она предназначена для присвоения эмоциональных меток тексту; в README указаны результаты на наборе emotion: accuracy 0,9215 и F1 0,9216. Модель использует архитектуру DistilBertForSequenceClassification, веса PyTorch и контекст до 512 токенов. Модель принимает текст и выдаёт классовую оценку, поэтому подходит для анализа эмоциональной окраски коротких текстовых фрагментов. Она дообучена на наборе emotion; язык этого набора и точный перечень меток в доступных сведениях не приведены. Лицензия — Apache-2.0. Результаты оценки относятся к указанному набору и сами по себе не гарантируют качество на других тематиках и языках.

Модель esuriddick/distilbert-base-uncased-finetuned-emotion разработана автором репозитория и дообучена на базе distilbert/distilbert-base-uncased для распознавания эмоций в английском тексте. Это компактная двунаправленная архитектура DistilBERT для классификации последовательностей; она принимает текст длиной до 512 токенов и относит его к одной из шести категорий: гнев, страх, радость, любовь, грусть или удивление. Модель подходит для анализа коротких сообщений и текстов, в том числе похожих на публикации в Twitter. В README указаны результаты на оценочной выборке: точность 0,9375 и F1 0,9379. Файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

vishinvents выпустила компактную специализированную модель на 1,7 млрд параметров для извлечения продуктовых проблем из кратких описаний поведения пользователей. Это дообученная Qwen3-1.7B с плотной архитектурой Qwen3ForCausalLM; модель принимает текстовую narration и генерирует JSON с найденными ошибками интерфейса и сценариями, которые пользователь хотел выполнить, но не смог. Для чистой сессии она должна возвращать пустой список находок. Модель обучена на платформе Distil Labs: использованы 25 размеченных примеров и 10 078 синтетически расширенных и проверенных примеров; учителем служила openai.gpt-oss-120b. Модель предназначена для анализа пользовательских сессий и продуктовой аналитики, в частности для выявления ошибок и UX-пробелов с оценкой серьёзности от 1 до 5. В README приведены небольшие тестовые оценки: на наборе из пяти примеров модель сравнялась с учителем по оценке LLM-судьи, а в десяти проверках на неоднозначных случаях иногда путала тип проблемы. Указаны форматы safetensors и GGUF F16, возможность диалогового использования и контекст до 40 960 токенов. Лицензия — Apache 2.0. Русский язык явно не заявлен; базовая Qwen3 является многоязычной, но карточка не уточняет языки этой настройки.

DZAIR — разработанная авторами карточки с нуля энкодерная модель для понимания алжирского дариджа. Она обучена на разножанровых текстовых источниках и рассчитана на арабское письмо, латинскую запись Arabizi и переключение на французский. Модель содержит 105,3 млн параметров, использует 12 дискриминаторных слоёв с шириной 768, группированное внимание и SwiGLU; длина контекста — 512 токенов. Доступные веса сохранены в формате safetensors, библиотека загрузки — Transformers. Модель предназначена для классификации тональности, эмоций, тем и диалектных вариантов, а также для вычисления представлений текста, поиска сходства, кластеризации и извлечения релевантных текстов. В описанных авторами тестах она превзошла DziriBERT на тональности форумов и Arabizi, но немного уступила на Twitter; на диагностическом тесте с замороженными весами результат был ниже DziriBERT. Лицензия — Apache-2.0. Авторы рекомендуют исследовательское применение: модель не предназначена для генерации, перевода, других языков и диалектов или принятия решений о людях; предобучение на социальных сетях могло включать оскорбительную лексику, а смещения, токсичность и фактическая точность не оценивались.

Emollama-chat-13b — языковая модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста и выполнения инструкций. Модель дообучена на базе Meta LLaMA2-chat-13B с использованием полного набора инструкций AAID; её архитектура — плотная LLaMA, размер — 12,9 млрд параметров, максимальный контекст — 2048 токенов. Модель предназначена для классификации тональности и эмоций, а также оценки их выраженности числовой шкалой. Она может определять полярность и категории эмоций, включая радость, грусть, гнев и другие, и оценивать интенсивность эмоции или тональности. В карточке приведены примеры на английском языке; метаданные также указывают английский язык. Авторы отмечают риск смещений, ошибочных предсказаний и чрезмерного обобщения, поэтому результаты требуют проверки при использовании в реальных системах анализа эмоций. Модель распространяется по лицензии MIT.

Tanneru дообучил DeBERTa-v3-Large от Microsoft для классификации эмоций в англоязычном тексте. Модель на архитектуре DeBERTa V3 содержит 533,8 млн параметров, принимает текст длиной до 512 токенов и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Модель обучена на объединённых и дополненных наборах GoEmotions, ISEAR и Emotion Dataset от DAIR-AI. Она предназначена для определения эмоциональной окраски сообщений, отзывов и других текстов; в карточке приведены метрики обучения и валидации, но они не гарантируют такое же качество на новых данных и других жанрах текста. Лицензия — Apache 2.0.

E-Star-12B-base — корейскоязычный текстовый оценщик Selectstar Eval Team для проверки ответов LLM по заданным критериям и шкалам. Это дообученная методом полного fine-tuning модель Gemma 3 12B на 11,6 млрд параметров с архитектурой decoder-only Transformer; она принимает текст и генерирует текстовую оценку, объяснение и ключевые фрагменты-основания в структурированном виде. Контекст составляет до 131 072 токенов. Модель предназначена для оценки следования рубрикам и качества RAG, включая релевантность контекста, обоснованность ответа источниками и соответствие ответа запросу. Её применяют для автоматической проверки ответов, мониторинга качества, регрессионных сравнений и первичного отбора примеров перед экспертной оценкой; в карточке отдельно описаны сценарии в финансовой и юридической областях. README сообщает о повышении корреляции с оценками на англо- и корейскоязычных Feedback Bench относительно базовой модели, но результаты уступают крупным frontier-моделям, а Faithfulness остаётся слабым показателем. Обучение проводилось на 6 311 примерах, отобранных из K2-Feedback; репозиторий использует Transformers и формат safetensors. Хотя базовая Gemma 3 поддерживает мультимодальный ввод, эта модель обучалась и оценивалась для текста, а качество обработки изображений не проверено. Лицензирование требует соблюдения условий Gemma и дополнительного ограничения CC BY-NC 4.0 для изменений Selectstar; коммерческое использование требует отдельного соглашения с Selectstar.

HTill/flexEAT-base_epoch30_pretrain — предварительно обученная модель EAT-base, основанная на worstchan/EAT-base_epoch30_pretrain и подготовленная для извлечения признаков и последующего дообучения для задач понимания аудио. Она обучена на AS-2M методом самообучения в рамках EAT и доступна через Transformers в формате safetensors. Модель выдаёт представления аудио на уровне кадров с частотой около 50 Гц и представление всего высказывания по CLS-токену. Обновлённая реализация поддерживает динамическую длину входного аудио благодаря позиционным эмбеддингам, вычисляемым на лету; предусмотрена инфраструктура для дообучения с динамическими классификационными головами и слоями нормализации. Метаданные относят модель к audio-classification, однако README описывает её прежде всего как извлекатель признаков и основу для адаптации под классификацию и создание аудиоподписей. Лицензия — MIT.

yj2773/hinglish11k-sentiment-analysis — модель классификации текста на базе BERT, представленная разработчиком yj2773. Она предназначена для определения тональности текста на хинглише — смеси хинди и английского, в том числе для анализа пользовательских отзывов и сообщений. Модель содержит 205,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку классификации. Репозиторий содержит веса PyTorch и Safetensors; лицензия — AFL-3.0. Модель ориентирована на тональность хинглиша. Метаданные также отмечают английский, хинди и урду, но не подтверждают одинаковое качество на каждом из этих языков. README не содержит дополнительных сведений о качестве или методике оценки.

hawalurahman/indobert-base-uncased-bloom-base — дообученная модель на базе indolem/indobert-base-uncased для классификации текста. Она построена на архитектуре BERT и содержит 137,8 млн параметров; принимает текстовые последовательности длиной до 512 токенов. Репозиторий использует библиотеку Transformers и формат весов safetensors. Модель подходит для присвоения тексту категорий в задачах на индонезийском языке. В README указаны результаты оценки: accuracy 0,575 и loss 1,0931; описание набора данных, конкретных меток и предполагаемых сценариев применения не приведено. Модель распространяется по лицензии MIT.

faidrama/indobert_lr3e-05_ep4 — дообученная модель классификации текста на базе indobenchmark/indobert-base-p1, разработанной для индонезийского языка. Архитектура — BERT для классификации последовательностей, размер — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для отнесения текста к классам; назначение конкретной классификации и набор меток в карточке не описаны. На оценочном наборе указаны Loss 0,8057 и Macro F1 0,6836. Эти результаты относятся к набору, не названному в карточке, поэтому их нельзя переносить на другие данные. Модель распространяется по лицензии MIT.