II.8Инженерия данных и аналитика

SapBERT-PubMedBERT — англоязычная биомедицинская модель семейства BERT, разработанная Liu и соавторами и дообученная на названиях сущностей из UMLS 2020AA. В качестве основы использована microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для получения векторных представлений названий биомедицинских сущностей. Для каждого входного названия используется эмбеддинг токена [CLS] последнего слоя. Такие векторы подходят для поиска семантически близких терминов и связывания упоминаний с сущностями медицинских словарей. Модель работает с текстом на английском языке и распространяется по лицензии Apache-2.0.

Sapiens2-0.8B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Это дообученная версия предобученного Vision Transformer Sapiens2 с 0,8 млрд параметров и головой семантической сегментации; модель размечает 29 классов: 28 частей тела и фон. Модель предназначена для анализа изображений с людьми, включая выделение частей тела и исследования в области человекоцентричного компьютерного зрения. Чекпойнт распространяется в формате safetensors для использования с кодом проекта Sapiens2. Указана лицензия Sapiens2 License; её условия следует проверить перед использованием.

Takemeter — модель классификации текста, созданная дообучением RoBERTa-base с помощью Transformers. Она предназначена для присвоения тексту метки класса; число и значения классов в карточке не описаны. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. В README приведён результат оценки: Macro F1 0,7078 и loss 0,9067. Датасет, сценарии применения и ограничения качества не раскрыты. Модель распространяется по лицензии MIT.

TempoPFN — модель для прогнозирования одномерных временных рядов, представленная в исследовательской работе о синтетическом предварительном обучении линейных RNN для zero-shot прогнозирования. Она содержит 38 млн параметров и использует архитектуру Linear RNN GatedDeltaProduct с механизмом state-weaving; модель обучена исключительно на синтетических данных. Архитектура поддерживает параллельные обучение и инференс, а также сохраняет временное состояние на длинных последовательностях без разбиения ряда на окна или патчи. Модель предназначена для zero-shot прогнозирования временных рядов и оценки на разных типах рядов без обучения на реальных данных. В README заявлены конкурентные результаты на GIFT-Eval и воспроизводимый конвейер генерации синтетических данных. Для инференса требуется CUDA-совместимый GPU и соответствующая сборка PyTorch; первый запуск для новой длины последовательности замедлен компиляцией ядер Triton. Репозиторий распространяется по лицензии Apache-2.0.

TimeSformer Base — модель для классификации видео на основе архитектуры пространственно-временного Transformer. Она была представлена Tong и соавторами в работе «TimeSformer: Is Space-Time Attention All You Need for Video Understanding?» и дообучена для классификации по 400 категориям набора Kinetics-400. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Модель принимает видео и определяет, к какой из 400 категорий действий Kinetics-400 оно относится. Она предназначена для распознавания действий и анализа видеоконтента. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

tiny-bert-sst2-distilled — компактная модель классификации последовательностей на архитектуре BERT, дообученная автором репозитория на наборе GLUE. В качестве основы указана google/bert_uncased_L-2_H-128_A-2; модель содержит 4,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для классификации текста. Название репозитория указывает на задачу SST-2 — определение тональности отзывов, однако README не содержит подробностей о настройке и результатах оценки. Репозиторий создан в 2022 году, веса представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Компактный размер делает её подходящей для экспериментов и сценариев, где важны небольшие вычислительные затраты; качество и ограничения применения в карточке не описаны.

TinyLettuce (Ettin-17M) — компактная модель организации KRLabsOrg для выявления галлюцинаций в ответах с опорой на заданный контекст. Это энкодер Ettin на 17 млн параметров с головой классификации токенов; модель помечает токены как подтверждённые контекстом или галлюцинированные, а объединение токенов в фрагменты выполняется отдельно. Она принимает последовательность контекста, вопроса и ответа длиной до 4096 токенов и рассчитана на англоязычные данные. Модель дообучена на RAGTruth и синтетических span-размеченных примерах; заявленный объём обучения — около 20 тысяч примеров. Разработчики ориентируют её на быстрый запуск на CPU и недорогое доменное дообучение. На RAGTruth указана F1 68,52%, ниже показателей приведённых в README моделей LettuceDetect на базе ModernBERT. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию MIT.

TY-ecomm-asure-relevance — многоязычный классификатор Trendyol для оценки релевантности товара поисковому запросу. Это cross-encoder, который совместно обрабатывает запрос и текст карточки товара и относит пару к одному из четырёх классов ESCI: нерелевантный товар, дополнительный товар, замена или релевантный товар. В метаданных указаны архитектура EsciCrossEncoderForSequenceClassification, 305,3 млн параметров и контекст до 8192 токенов; модель использует Transformers и веса Safetensors. Модель предназначена для ранжирования и классификации кандидатов в поиске интернет-магазина. На вход подаются запрос и текстовые поля товара: название, категория, бренд, пол, возрастная группа, продавцы и атрибуты. Обучение проводилось примерно на 1,5 млн пар на турецком, арабском, румынском и английском языках. Модель создана командой LLM & Core NLP компании Trendyol; README сообщает, что она дистиллирована из Trendyol/Trendyol-LLM-Asure-12B, а метаданные также связывают её с TY-ecomm-embed-multilingual-base-v1.2.0. Лицензия — Apache-2.0. Модель помогает отделять точные соответствия от альтернатив и сопутствующих товаров, но оценивает только переданный текст: изображения товаров не анализируются, а качество суждений о релевантности может быть ошибочным. Для использования требуется trust_remote_code=True; Transformers 5.x пока не поддерживается.

Talha/urdu-audio-emotions — модель классификации аудио на архитектуре Wav2Vec2, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для распознавания эмоциональной окраски аудиозаписей на урду и относит речь к четырём категориям: гнев, радость, нейтральное состояние и грусть. В карточке указаны точность 0,975 и функция потерь 0,1638 на наборе оценки. Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не уточняет датасет обучения и условия записи аудио, поэтому приведённые метрики не гарантируют аналогичного качества на других данных.

Vela-1.0-Encoder-307M — многоязычный энкодер ModernBERT от Vela, предназначенный как базовая модель для специализированных моделей маршрутизации. Он содержит 306,9 млн параметров, принимает последовательности длиной до 32 768 токенов и использует архитектуру ModernBertForMaskedLM. Основная задача по метаданным — заполнение масок в тексте. Модель поддерживает английский, китайский, немецкий, французский, японский и арабский языки. В README приведено сравнение masked-token negative log-likelihood с базовой mmBERT32K на наборе разработки: Vela показывает более низкие значения на длинах контекста 512, 8K и 16K токенов. Этот набор использовался при выборе чекпойнта и не является независимым тестом. Модель распространяется по лицензии MIT.

Wav2Vec2-Large-VoxPopuli — модель Facebook AI на архитектуре Wav2Vec2 с 402,7 млн параметров, предварительно обученная на 100 тысячах часов неразмеченной аудиозаписи из корпуса VoxPopuli. Она предназначена для получения речевых представлений и служит основой для создания систем распознавания речи после дообучения на размеченных аудиоданных. Модель принимает аудио, но в этом чекпойнте нет токенизатора, поэтому готовой расшифровки речи она не выдаёт. Для распознавания нужно создать токенизатор и дообучить модель на размеченных текстом аудиозаписях, например для выбранного языка. В репозитории представлены веса PyTorch и Flax; карточка описывает многоязычное предварительное обучение, но не перечисляет конкретные поддерживаемые языки. Модель разработана Facebook AI и связана с исследовательской работой о корпусе VoxPopuli и многоязычном обучении речевых представлений. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

WAVe-1B-Multimodal-PT — модель оценки качества синтетической речи, разработанная Yuriyvnv. Она сопоставляет аудио с транскриптом на уровне отдельных слов, чтобы выявлять ошибки произношения и синтеза, неестественную просодию, плохое качество звука и несовпадения между речью и текстом. Основной сценарий применения — отбор синтетических аудиозаписей для обучения систем распознавания речи. Модель объединяет текстовый энкодер XLM-RoBERTa, аудиоэнкодер Wav2Vec2-BERT 2.0 и модуль выравнивания на основе многоголового внимания и GLU. Она выдаёт оценку качества, сходство аудио и текста, оценки выравнивания по словам, матрицу внимания и эмбеддинги размерности 768. Модель обучена на португальских данных; заявлена поддержка обработки аудио длительностью примерно до 30 секунд. Для входа требуется монофоническое аудио с частотой дискретизации 16 кГц и соответствующий текст транскрипта. Ограничения: модель обучена на португальском и может плохо обобщать на другие языки; обработка ограничена длиной последовательности энкодеров, а инференс требует существенных вычислительных ресурсов. Лицензия — Apache-2.0.

When2Think-ThinkOnly-1.5B — языковая модель на 1,5 млрд параметров, разработанная авторами проекта When2Think и дообученная с помощью RLVR на основе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это вариант ThinkOnly: модель всегда генерирует явное пошаговое рассуждение, адаптируя его глубину к сложности задачи. Она предназначена для решения математических задач и исследований эффективного рассуждения; также может служить основой для дальнейшего дообучения на проверяемых задачах, включая программирование и научные рассуждения. Модель построена на архитектуре Qwen2, работает как причинная языковая модель через Transformers и поддерживает контекст до 131072 токенов. В README приведены результаты на GSM-Plus и AIME24/AIME25, но для этого варианта отдельно не опубликованы результаты MATH-500 Level 1. Поддерживается английский язык. Лицензия — MIT.

hezarai/word2vec-cbow-fa-wikipedia — модель векторных представлений персидских слов, разработанная Hezarai. Она обучена алгоритмом CBOW на данных Википедии и предназначена для извлечения эмбеддингов слов для задач обработки персидского текста. Модель можно использовать как основу для поиска семантически близких слов и других NLP-сценариев, которым нужны векторные представления слов. Для работы автор предлагает библиотеку Hezar. Данные о размере вектора и условиях лицензии в предоставленных источниках отсутствуют.

YanoljaNEXT-Rosetta-12B-2510 — мультиязычная языковая модель Yanolja NEXT, дообученная на основе google/gemma-3-12b-pt. Это плотная decoder-only модель архитектуры Gemma 3 с 11,6 млрд параметров; для текстовых задач используется компонент Gemma3ForCausalLM. Модель предназначена для перевода структурированных данных в формате JSON с сохранением исходной структуры. Контекстное окно составляет 131 072 токена, модель работает через библиотеку Transformers и распространяется в формате safetensors. Модель обучалась на синтетических данных для перевода, созданных на основе FineWeb Edu и FineWeb2, и рассчитана на 32 языка: арабский, болгарский, китайский, чешский, датский, нидерландский, английский, финский, французский, немецкий, греческий, гуджарати, иврит, хинди, венгерский, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, словацкий, испанский, шведский, тагальский, тайский, турецкий, украинский и вьетнамский. Среди подходящих сценариев — локализация товарных каталогов и перевод отзывов об отелях. В опубликованном сравнении для перевода с английского на корейский модель показала результат CHrF++ 37,36 на WMT24++. Модель в первую очередь оптимизирована для JSON; качество на обычном тексте и других форматах может отличаться. Возможны некорректный JSON, повторы и неточный перевод. Лицензия — Gemma; перед использованием следует учитывать её условия.

YOLO26n-face — созданная Shubham12864 модель обнаружения лиц, полученная дообучением компактной архитектуры YOLO26n (nano) на наборе данных WIDER FACE. Она выделяет лица как единственный класс объектов и предназначена для компьютерного зрения, где нужно находить лица на изображениях или кадрах.

MilaNLProc/bert-base-uncased-ear-misogyny — англоязычный классификатор на базе BERT, разработанный Джузеппе Аттанасио, Деборой Ноццей, Дирком Хови и Еленой Баралис. Модель дообучена для выявления мизогинии в тексте на датасете Automatic Misogyny Identification. Регуляризация внимания на основе энтропии призвана снизить чрезмерную зависимость классификатора от отдельных слов; модель подходит для анализа англоязычных публикаций и высказываний. Архитектура — BertForSequenceClassification, около 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт метки классификации. Опубликована в формате PyTorch под лицензией GPL-3.0. Регуляризация уменьшает, но не устраняет лексическое переобучение: отдельные характерные слова всё ещё могут вызывать определённые предсказания вне контекста, а модель может сохранять смещения. Для оценки качества и степени снижения смещений следует учитывать результаты исследования авторов.

BERTweet-large-sexism-detector — модель классификации текста, дообученная разработчиками NLP-LTU на BERTweet-large с использованием датасета Explainable Detection of Online Sexism (EDOS). Она предназначена для определения, содержит ли публикация в Twitter сексистское содержание: класс 0 означает «не сексистская», класс 1 — «сексистская». Модель основана на архитектуре RoBERTa, содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указаны точность 89,72% и F1-score 86,13% на тестовой выборке; команда заняла 10-е место среди 84 участников. Эти показатели относятся к оценке на EDOS и не гарантируют такую же точность на других платформах, языках или типах текста. Модель рассчитана на англоязычные публикации. Лицензия в предоставленных данных не указана.

ahmedmohamed55/checkpoints — дообученная модель VideoMAE для классификации видео, опубликованная пользователем ahmedmohamed55. Модель содержит 113,2 млн параметров, использует архитектуру VideoMAEForVideoClassification и представлена в формате safetensors для библиотеки Transformers. Карточка приводит результаты оценки на наборе данных: accuracy 0,9913, precision 0,9821, recall 0,9781, F1 0,9795 и loss 0,1487. Назначение классов и набор данных не описаны, поэтому применимость этих результатов к конкретным видео зависит от неизвестных категорий и условий оценки. Модель принимает видео и выдаёт метки классов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Koichi Yasuoka разработал эту модель на основе китайской BERT-модели hfl/chinese-bert-wwm-ext. Это дообученный BERT с 129,5 млн параметров для разметки частей речи по универсальным тегам UPOS; модель также предназначена для поддержки синтаксического разбора зависимостей. Она обучена на текстах китайской Википедии на упрощённом и традиционном китайском языках, а в метаданных указан датасет Universal Dependencies. Модель принимает текст и присваивает словам теги частей речи, что подходит для лингвистического анализа китайских текстов и предварительной разметки корпусов. Максимальная длина контекста — 512 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0.

NVIDIA C-RADIO — модель извлечения визуальных признаков на основе Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для использования в последующих моделях. Модель возвращает глобальное представление изображения и пространственные признаки, подходящие для задач классификации, семантической сегментации и интеграции с языковой моделью. Поддерживаются изображения с разрешением до 2048×2028 пикселей с шагом 16 пикселей. Модель обучалась на наборе NV-CC-Img-Text-Dataset, включающем 700 миллионов изображений; для оценки использовался ImageNet. Для применения эмбеддингов требуется downstream-модель. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией и условиями NVIDIA.

Модель sercetexam9/cs221-afro-xlmr-large-76L-hau-finetuned-10-epochs — дообученная для классификации текста версия Davlan/afro-xlmr-large-76L, разработанная на базе XLM-R. Она предназначена для присвоения тексту классов; конкретная схема классов и прикладная область в карточке не раскрыты. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Базовая модель рассчитана на 76 языков, преимущественно африканских. В README приведены результаты оценки: F1 0,7285, ROC AUC 0,8197 и accuracy 0,5618. Модель распространяется по лицензии MIT. Карточка не описывает ограничения и обучающие данные; README указывает набор данных как None.

Koichi Yasuoka разработал модель на базе DeBERTa(V2), дообученную на китайских текстах Википедии на упрощённом и традиционном письме для разметки частей речи и синтаксического анализа зависимостей. Модель присваивает словам теги UPOS из универсального набора частей речи и предназначена для морфологической и синтаксической обработки китайского текста. Это модель DeBERTa V2 с архитектурой для классификации токенов, содержащая 133,7 млн параметров и рассчитанная на контекст до 512 токенов. Она принимает текст и выдаёт метки для токенов; в метаданных основным языком указан китайский. Модель построена на KoichiYasuoka/deberta-base-chinese и распространяется по лицензии CC BY-SA 4.0.

DETR с backbone ResNet-101 — модель компьютерного зрения семейства Detection Transformer, разработанная авторами DETR и обученная на COCO 2017 Panoptic. Архитектура сочетает сверточный backbone и encoder-decoder Transformer; масочная голова расширяет модель для паноптической сегментации. Модель принимает изображения и предсказывает сегментацию объектов и фона на них. Модель предназначена для паноптической сегментации изображений в сценариях, где требуется одновременно выделять области и распознавать объекты. На валидационной части COCO 2017 она получила PQ 45,1 и segmentation AP 33. При обучении изображения масштабировались так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333. Модель обучена на COCO 2017 Panoptic. В карточке также описаны результаты детекции объектов, однако основной заявленный сценарий — паноптическая сегментация. Распространяется по лицензии Apache-2.0.

Sukanyan/distilbert_distilbert-base-uncased — англоязычная модель классификации текста на базе DistilBERT, дообученная на наборе данных, который в карточке обозначен как None. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. Она предназначена для классификации текста. В карточке приведены результаты оценки: accuracy 0,6171 и loss 0,9476; сведений о классах и конкретной области применения нет. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Gwennji/distilbert-sentiment-demo — модель классификации текста, созданная дообучением DistilBERT на неизвестном наборе данных. Архитектура — DistilBertForSequenceClassification; модель предназначена для присвоения тексту меток классов, включая анализ тональности, что следует из названия репозитория, однако конкретные метки и обучающий набор не описаны. Модель принимает текст и поддерживает контекст до 512 токенов. В README указана точность 0,8452 и значение функции потерь 0,4220 на оценочном наборе, но подробности оценки не приведены. Опубликованы веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

EAT-base Epoch 30 Fine-tuned Checkpoint — аудиомодель семейства Efficient Audio Transformer (EAT), дообученная разработчиками репозитория worstchan на датасете AS-2M поверх worstchan/EAT-base_epoch30_pretrain. Она предназначена для извлечения акустических представлений, которые можно использовать в последующих задачах понимания аудио, включая классификацию звуков и создание описаний аудиозаписей. Модель выдаёт покадровые представления с частотой около 50 Гц и представление всего высказывания на основе CLS-токена. Репозиторий предоставляет веса в формате Safetensors для загрузки через Transformers. Лицензия — MIT. Карточка заявляет улучшение качества аудиопредставлений относительно исходного чекпойнта при решении последующих задач, но не приводит количественных результатов или подробной оценки ограничений.

Explora-0.6B — компактная текстовая модель prithivMLmods для генерации ответов и рассуждений в задачах по науке и программированию. Она представляет собой дообученную на первых 100 000 примерах набора Open-Omega-Explora-2.5M модель Qwen3-0.6B с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Модель принимает текст и выдаёт текст; заявлены поддержка кода и диалогов, а также контекст до 40 960 токенов. Модель предназначена для учебных и исследовательских инструментов, помощи с программированием и научными вопросами, базовых вычислений, структурированной логики и пошагового решения задач. Она может формировать объяснения, функции и ответы в форматах Markdown, Python, JSON или обычного текста. Компактный размер подходит для запуска в условиях ограниченных ресурсов. Указана лицензия Apache-2.0. Модель не оптимизирована для сложных многошаговых рассуждений и творческих задач; для узкоспециализированных технических запросов могут потребоваться точные инструкции. Карточка также отмечает, что по беглости она уступает более крупным моделям.

Карточка модели fwwrsd/fancyfeast-llama-joycaption-beta-one-hf-llava на Hugging Face совпадает с карточкой 1038lab/llama-joycaption-beta-one, поэтому описание составлено по ней. Llama JoyCaption Beta One — визуально-языковая модель для создания подробных описаний изображений. По карточке её разработал автор проекта JoyCaption для сообщества; модель предназначена прежде всего для подготовки подписей к изображениям, используемых при обучении и дообучении моделей генерации изображений. Она принимает изображения и текстовые инструкции, поддерживает диалоговый интерфейс и выдаёт текстовые описания. Модель объединяет визуальный энкодер SigLIP 2 SO400M Patch14 384 и Meta Llama 3.1 8B Instruct; в метаданных архитектура обозначена как LLaVA. Автор заявляет широкое покрытие стилей изображений, включая цифровое искусство, фотореализм и аниме, а также описания SFW- и NSFW-концепций. Указанный в примере запуска предел контекста — 4096 токенов. Сильная сторона модели — ориентированность на подробное и разнообразное описание изображений для подготовки данных генеративных моделей. Карточка предупреждает, что запуск через vLLM может требовать настройки параметров и значительных ресурсов видеопамяти. Автор заявляет открытые веса и отсутствие ограничений, однако конкретный идентификатор лицензии в предоставленных данных не указан.

sitharo/finer-sql-baseline-05b — модель генерации текста на базе архитектуры семейства Qwen2, опубликованная на Hugging Face пользователем sitharo. По имени репозитория модель, вероятно, относится к базовой версии для задач, связанных с SQL, однако README не содержит подтверждённого описания назначения, разработчика или обучающих данных. Модель содержит около 494 млн параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. В метаданных указаны обучение методом supervised fine-tuning и conversational-режим, поэтому модель может применяться для генерации продолжений и ответов в диалоговом формате. Лицензия, поддерживаемые естественные языки, результаты оценки и конкретные сценарии использования в доступных материалах не указаны.