II.8Инженерия данных и аналитика

Модель amnesiackid/distilhubert-finetuned-ravdess — дообученная на датасете RAVDESS версия компактной речевой модели DistilHuBERT от NTU. Это плотная архитектура HuBERT с классификационной головой для аудио; содержит 18,9 млн параметров и сохранена в формате safetensors. Модель предназначена для классификации аудиозаписей, в частности для распознавания эмоциональных категорий в речи и вокальных исполнениях RAVDESS. В README приведены результаты на оценочной выборке: accuracy 0,8681 и loss 0,8330. Базовая DistilHuBERT рассчитана на извлечение речевых представлений из аудио с частотой 16 кГц. Использование регулируется лицензией Apache-2.0. Подробности о метках классов, точной конфигурации обучения и ограничениях в карточке не раскрыты.

EkmanClassifier — модель классификации текста, опубликованная пользователем Hugging Face Arpan Ghoshal. Она относит текст к шести базовым эмоциям по модели Пола Экмана: радости, грусти, гневу, страху, отвращению и удивлению. Модель построена на архитектуре BERT, содержит 135,5 млн параметров и принимает текст длиной до 512 токенов. Модель подходит для определения эмоциональной окраски коротких текстов, например сообщений и отзывов. В README для запуска предлагается библиотека Transformers и pipeline sentiment-analysis; задача в метаданных указана как text-classification. Модель опубликована под лицензией MIT. В карточке указано обучение на датасете GoEmotions, однако README описывает только шесть категорий Экмана. Поэтому классификатор не следует считать полноценным анализатором всех эмоций или универсальным инструментом для выявления настроения; данные не подтверждают поддержку языков помимо английского.

vashuag/HindiEmotion — модель классификации эмоций в тексте на основе Indic-BERT от AI4Bharat, дообученная разработчиком репозитория на датасете google_go_emotions_hindi_translated. Она принимает текст и оценивает вероятности шести классов: гнев, отвращение, радость, удивление, нейтральное состояние и грусть. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 266,8 млн параметров и поддерживает контекст до 512 токенов. Основной сценарий — определение эмоциональной окраски коротких сообщений на хинди, например отзывов или пользовательских обращений. В README приведены accuracy 0,8085 и F1 0,7983 на тестовой выборке из 47 примеров; результаты отдельных классов заметно различаются. Метрики в описании также содержат отдельные значения для другой оценки, поэтому их не следует считать гарантией качества на новых данных. Лицензия модели — MIT.

argsearch/llama-7b-rm-float32 — модель классификации последовательностей на архитектуре Llama с 6,6 млрд параметров. Согласно README, она обучена с нуля на неизвестном наборе данных; дополнительных сведений о разработчике и обучении карточка не содержит. Модель предназначена для классификации текста и может применяться в сценариях, где требуется отнести входной текст к одному из классов. Репозиторий содержит веса в формате Safetensors. Длина контекста составляет 2048 токенов. Данных о языках, лицензии, качестве и ограничениях применения нет, поэтому нельзя надёжно определить поддерживаемые языки или рекомендовать модель для конкретной предметной области.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_7 — модель классификации текста, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. По идентификатору и карточке каталога она основана на BERT-base-uncased и предназначена для задачи QQP (Quora Question Pairs), то есть для классификации пар вопросов, в частности определения их семантической эквивалентности. Модель относится к семейству BERT и работает с текстом на входе; заявленная максимальная длина последовательности при дообучении составляет 128 токенов. Суффикс ft указывает на fine-tuning, а название отражает использованные настройки обучения, включая clipping, warmup и перемешивание данных. Данные о точном числе параметров, языках, метриках качества, ограничениях и лицензии в доступных результатах поиска не установлены, поэтому сильные стороны и условия использования нельзя надёжно описать.

Marigold Depth v1-1 — модель для оценки относительной глубины по одному изображению, разработанная Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler. Это генеративная латентная диффузионная модель, дообученная на базе stable-diffusion-2 и предназначенная для монокулярной оценки глубины в том числе на изображениях из реальных условий. Модель принимает изображение и выдаёт карту глубины с аффинно-инвариантными значениями от 0 до 1, соответствующими ближним и дальним областям сцены. При ансамблировании более двух предсказаний можно также получить карту неопределённости. Для оптимальных результатов большие изображения рекомендуется уменьшать так, чтобы длинная сторона составляла около 768 пикселей; модель рассчитана на scheduler DDIM и от 1 до 50 шагов денойзинга. Распространяется по лицензии CreativeML Open RAIL++-M.

underscore2/modernbert_large_slop_classifier_v3 — дообученная модель классификации текста на базе answerdotai/ModernBERT-large. Она предназначена для отнесения текста к классам; название указывает на классификацию «слопа», однако README не описывает метки и критерии классификации. Модель содержит 394,7 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов. В README приведены результаты оценки: accuracy 0,9413 и loss 0,1670; набор данных указан как None, поэтому эти показатели нельзя связать с конкретным тестовым корпусом. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_4 — модель, размещённая пользователем Jeevesh8 на Hugging Face и основанная на BERT base uncased от Google. Это BERT-модель для классификации текста, дообученная на задаче Multi-Genre Natural Language Inference (MNLI); конфигурация содержит три выходных класса с идентификаторами LABEL_0, LABEL_1 и LABEL_2. Архитектура — BertForSequenceClassification: 12 Transformer-слоёв, 12 attention heads, hidden size 768, промежуточный размер 3072 и словарь из 30 522 токенов. Модель использует uncased-токенизацию английского BERT и поддерживает позиции до 512 токенов, хотя название репозитория указывает на экспериментальную длину последовательности 128. Она предназначена для классификации пар или отдельных фрагментов текста, прежде всего для задач, связанных с определением отношения между текстами. Сильная сторона модели — использование проверенной архитектуры BERT и специализированного дообучения на MNLI. Ограничения включают англоязычность, чувствительность к максимальной длине входа и отсутствие опубликованной model card, описания метрик, точных семантических значений выходных меток и рекомендаций по применению. Для производного репозитория отдельная лицензия не указана; базовая модель bert-base-uncased распространяется по Apache-2.0, но условия именно этого производного набора файлов следует проверять отдельно.

MigoXV/mossformer2-se-48k — модель на основе MossFormer2 для улучшения и очистки речи в аудио с частотой дискретизации 48 кГц. Чекпойнт содержит около 55,3 млн параметров и использует 24 блока MossFormer2; веса сохранены в формате Safetensors. Модель получает признаки входного аудио в виде тензора [batch, 180, frames] и предсказывает неотрицательную временно-частотную маску размером [batch, frames, 961]. Загрузка и преобразование аудиосигнала, извлечение признаков, применение маски и восстановление волны выполняются отдельно; готовый Transformers pipeline не предоставляется. Для работы используется пользовательский код архитектуры из репозитория, а частота дискретизации должна составлять 48 кГц. Модель предназначена для исследований и вывода при шумоподавлении и улучшении речи. Качество следует проверять на целевых аудиозаписях. Не описаны обучающие данные, метрики оценки и процедура обучения, поэтому нет подтверждённых гарантий для конкретных языков, дикторов, устройств записи или типов шума. Условия лицензии в доступных данных не приведены.

hnguyentran03/mpnet-game — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2 для сравнения описаний видеоигр. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусному расстоянию. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. README указывает максимальную длину последовательности 384 токена, а метаданные — нативный контекст 514 токенов. Модель подходит для семантического поиска по описаниям игр, ранжирования похожих игр, поиска перефразировок и кластеризации игровых описаний. Обучение с CoSENTLoss проводилось на парах описаний игр с оценками сходства; в README также приведены результаты оценки семантического сходства. Модель рассчитана на текстовый ввод и выдаёт эмбеддинги, а не готовые ответы или метки. В карточке не указана лицензия, поэтому условия распространения и коммерческого использования следует проверить в метаданных репозитория перед применением. Результаты могут зависеть от языка и тематики входных текстов; описания игр — основная подтверждённая область обучения.

MyAwesomeModel — опубликованный пользователем chengze79 репозиторий модели на Hugging Face. В карточке автор описывает её как модель для рассуждений и вывода, включая задачи математики, программирования и общей логики; также заявлены генерация кода и диалога, ответы на вопросы, суммаризация и следование инструкциям. Эти возможности и приведённые в карточке результаты оценки не подтверждены независимыми источниками. Метаданные репозитория указывают на архитектуру BERT с классом BertModel и задачу feature-extraction, что расходится с описанием генеративной модели в карточке. Доступны сведения о формате PyTorch, библиотеке Transformers и лицензии MIT; карточка разрешает коммерческое использование. Репозиторий не даёт надёжно установить размер модели, поддерживаемые языки или длину контекста.

NusaBERT Base — многоязычная языковая модель на архитектуре BERT, разработанная LazarusNLP. Это энкодер с 137,8 млн параметров, дообученный продолжительным предобучением на примерно 16 млрд токенов из открытых корпусов, включая индонезийскую Википедию, KoPI-NLLB и CulturaX. Модель предназначена для задачи заполнения пропусков в тексте: она предсказывает скрытые токены и может служить основой для языковых задач с энкодером. Модель рассчитана на индонезийский и ряд региональных языков Юго-Восточной Азии: ачехский, балийский, банжарский, бугинский, горантало, яванский, баньюмасанский, минангкабау, малайский, ниасский, сунданский и тетум. Использует библиотеку Transformers, принимает текст, а контекст ограничен 512 токенами. Выпущена под лицензией Apache 2.0.

Qwen3OIE-0.6B — компактная модель для абстрактивного извлечения открытой информации на португальском языке, разработанная на основе Qwen/Qwen3-0.6B. Она принимает отдельное предложение и генерирует одно или несколько отношений в JSON с полями ARG0, V и ARG1. Это дообученная причинная языковая модель семейства Qwen3 на 507,9 млн параметров; репозиторий содержит веса safetensors, лицензия — Apache-2.0. Контекст базовой архитектуры составляет 40 960 токенов, но обучение модели использовало последовательности до 2 048 токенов, а более длинные входы не оценивались. Модель предназначена для структурирования отношений в португальских предложениях, например для извлечения субъектов, предикатов и объектов из энциклопедических текстов. На локальных экспериментах она может работать на CPU, но генерация носит абстрактивный характер: формулировки могут нормализоваться или выводиться моделью, а не буквально копироваться из источника. В оценке на 100 предложениях из небольшого набора данных F1 составил 0,1369 для точного совпадения и 0,3005 для лексического совпадения; эти результаты не гарантируют качество на других типах текста. Модель может пропускать или дублировать отношения, галлюцинировать и выдавать некорректный JSON, поэтому извлечённые поля следует проверять по исходному предложению.

KoichiYasuoka/roberta-base-ukrainian-upos — модель RoBERTa для разметки украинского текста. Она дообучена на корпусе UberText на основе KoichiYasuoka/roberta-base-ukrainian и классифицирует каждый токен по универсальной части речи UPOS. Модель также предназначена для синтаксического анализа зависимостей. Модель содержит 136,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате PyTorch. Её можно применять для морфологического анализа украинского текста и подготовки данных для синтаксического разбора. Лицензия — CC BY-SA 4.0.

Sapiens2-1B-Pose — модель Meta на базе Vision Transformer для оценки позы человека по изображению. Это чекпойнт с 1,462 млрд параметров в backbone, дообученный от facebook/sapiens2-pretrain-1b; репозиторий содержит веса в формате safetensors. Модель предсказывает 308 ключевых точек в формате Sociopticon, включая 274 точки лица, а также точки кистей и стоп. Она использует top-down подход: для работы нужны ограничивающие рамки людей, например полученные детектором RTMDet. Предназначена для анализа позы на изображениях с людьми и исследований в области человекоцентричного компьютерного зрения. Модель разработана Meta и распространяется по лицензии Sapiens2 License (в метаданных лицензия обозначена как other).

Модель gdurkin/segformer-b0-finetuned-segments-floods-S2 — дообученная NVIDIA SegFormer-B0 для семантической сегментации изображений, созданная на основе nvidia/mit-b0 и обученная на наборе gdurkin/flood_dataset_S2. Она предназначена для выделения областей, связанных с наводнениями, на спутниковых снимках Sentinel-2. Архитектура SegFormer использует трансформерный энкодер и выдаёт попиксельную сегментацию изображения. Модель подходит для картирования затопленных территорий и анализа спутниковых снимков после наводнений. В карточке указана лицензия other, поэтому условия использования следует уточнить у автора модели; подробностей об оценке качества и ограничениях в карточке нет.

Simon-Kotchou/ssast-small-patch-audioset-16-16 — модель Self-Supervised Audio Spectrogram Transformer (SSAST) для анализа аудио, основанная на архитектуре Vision Transformer, применённой к спектрограммам. Модель предобучена на AudioSet и LibriSpeech; в репозитории указано 28,3 млн параметров. Классификационная голова не обучена, поэтому перед классификацией её необходимо дообучить на целевой задаче. Модель предназначена для построения систем классификации аудио после настройки классификационной головы. Она принимает аудио, преобразованное в спектрограмму, и выдаёт классовые оценки. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — BSD 3-Clause.

Карточка модели TechnoBaptist/stupase на Hugging Face совпадает с карточкой cisco-ai/stupase, поэтому описание составлено по ней. StuPASE — генеративная модель улучшения речи, разработанная Cisco Systems. Она подавляет шум и реверберацию в монофонических аудиозаписях с частотой 16 кГц, стремясь сохранить разборчивость речи, её содержание и особенности голоса говорящего. Модель состоит из компонентов DeWavLM-R для фонетического улучшения, CFM для акустического улучшения и вокодера Mel для восстановления звукового сигнала; всего около 561 млн параметров. Модель предназначена для очистки шумных или реверберирующих записей речи и повышения их воспринимаемого качества. Она обучалась преимущественно на английской речи; при работе с другими языками качество может снижаться. Сильный шум или условия реверберации, отличающиеся от обучающих, могут вызвать артефакты, а сохранение характеристик голоса не гарантируется полностью. Модель не предназначена для неречевого аудио, преобразования голоса или критически важных медицинских, юридических и безопасностных решений. Лицензия — Apache 2.0.

Mooshie подготовил модель multilabel-классификации изображений на архитектуре SwinV2 Base с окном 8, дообучив timm/swinv2_base_window8_256.ms_in1k на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full. Модель содержит 99,7 млн параметров; в карточке указаны изображения размером 448 × 448 для обучения и тестирования. Она предсказывает метки из набора 12 476 тегов Danbooru, включая общие теги, персонажей и рейтинг, и также может использоваться как визуальный backbone. Модель предназначена для автоматической разметки аниме-изображений и поиска по тегам. В README приведены результаты на тестовой выборке и пороги для категорий тегов; для отдельных меток доступны собственные пороги. Репозиторий содержит веса Safetensors и ONNX, для работы указана библиотека timm. Лицензия — GPL-3.0. Качество распознавания зависит от выбранного порога и категории: показатели для общих тегов заметно ниже, чем для персонажей. Модель обучена на тегах Danbooru, поэтому её метки и поведение ориентированы на этот домен.

teacher_emo — дообученная модель BERT для классификации текста, созданная на основе dumitrescustefan/bert-base-romanian-cased-v1. По названию репозитория можно предположить связь с эмоциональной классификацией, однако README не уточняет классы и назначение разметки, поэтому этот сценарий нельзя считать подтверждённым. Модель содержит 151,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. В README приведены результаты оценки: F1 0,9342, ROC AUC 0,9586 и accuracy 0,926. Датасет и подробности оценки не описаны, поэтому эти показатели не позволяют судить о переносе качества на другие данные. Базовая модель предназначена для румынского языка; лицензия модели — MIT.

NiiCole/timesformer-base-finetuned-k400-continual-lora-ucf101 — дообученная модель классификации видео на архитектуре TimeSformer Base, созданная на основе facebook/timesformer-base-finetuned-k400. Она предназначена для отнесения видеозаписей к категориям действий; в карточке приведены результаты оценки: loss 0,2260 и accuracy 0,9767. Данные обучения и подробное описание модели не раскрыты. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Для работы модель принимает видео и выдаёт метку класса действия.

ToxiGen-ConPrompt — англоязычная модель представлений текста на архитектуре BERT, разработанная для выявления неявной речи ненависти. Она создана на основе BERT-base-uncased и предварительно обучена методом ConPrompt на машинно сгенерированных примерах набора ToxiGen. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для извлечения признаков, которые можно использовать при разработке систем обнаружения неявной речи ненависти, например для построения классификаторов или поиска похожих высказываний. В README указано, что обучение на токсичных высказываниях может привести к генерации таких текстов через MLM-голову или к поиску похожих токсичных примеров. Авторы рекомендуют тщательно обращаться с моделью и анонимизировать личные данные в машинно сгенерированных обучающих материалах. Лицензия — MIT.

VideoMAE Base — видеомодель автора nateraw, дообученная на наборе UCF101 для распознавания действий в видео. Она принимает видеоклипы и относит их к классам действий; в обучении использовались входы из 16 равномерно выбранных кадров, отобранных из 64 кадров клипа. Модель построена на архитектуре VideoMAE и содержит 113,2 млн параметров. Карточка приводит точность на одной обученной и оценённой выборке UCF101: 75,8% top-1 и 89,8% top-5. Разработчик отмечает, что оценка выполнена на одном фолде без инференса по нескольким кропам или сегментам, поэтому результаты могут быть ниже, чем при такой процедуре. Модель предназначена для распознавания действий в видео; лицензия — MIT.

Модель AbdullahTheScientist/videomae-base-finetuned-ucf101-subset — видеотрансформер VideoMAE, дообученный на базе MCG-NJU/videomae-base для классификации видео. В репозитории указано, что датасет дообучения неизвестен; название модели указывает на подмножество UCF101, но README этого не подтверждает. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors для библиотеки Transformers. На оценочном наборе указаны loss 0,5636 и accuracy 0,7653; состав набора и методика оценки не описаны. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

NiiCole дообучила видеотрансформер VideoMAE-base с архитектурой VideoMAEForVideoClassification для классификации видео. Модель содержит 113,2 млн параметров и сохранена в форматах PyTorch и Safetensors. В README указаны точность 0,8645 и loss 0,4799 на оценочном наборе; связь этих результатов с конкретным набором данных не раскрыта. Модель предназначена для присвоения видео классов. Она дообучена на подмножестве UCF101, однако состав подмножества и перечень классов не описаны, поэтому применимость к конкретным категориям действий следует проверять отдельно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

MCG-NJU/videomae-base-short-finetuned-ssv2 — модель VideoMAE базового размера, представленная командой MCG-NJU. Это видеотрансформер, расширяющий подход Masked Autoencoders на видео: кадры разбиваются на патчи 16×16, а энкодер на основе Transformer обрабатывает их как последовательность. Модель предварительно обучена на видео в режиме самообучения в течение 800 эпох, затем дообучена с учителем на наборе Something-Something-v2 для классификации видео. Модель принимает видео и предсказывает класс действия. В README указана точность top-1 69,6% и top-5 92,0% на тестовой части Something-Something-v2. Число параметров — 113,2 млн; опубликованные веса доступны в формате PyTorch. Лицензия CC-BY-NC-4.0 требует указания авторства и запрещает коммерческое использование. Карточка содержит неполные сведения о данных обучения и предобработке.

Это дообученная модель VideoMAE для классификации видео, созданная на основе MCG-NJU/videomae-large-finetuned-kinetics. Она предназначена для отнесения видеоклипов к категориям действий; в README указано, что дообучение проводилось на подмножестве UCF101, но состав набора данных не описан. Модель содержит 402,7 млн параметров, использует архитектуру VideoMAEForVideoClassification и распространяется в формате safetensors через Transformers. В README приведена точность 0,9924 и значение eval_loss 0,0805 на оценочном наборе, однако размер и состав этого набора не указаны, поэтому результаты нельзя считать гарантией качества на других видео. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это модель обнаружения объектов YOLOv11l, дообученная на наборе данных VisDrone для анализа изображений с беспилотников. Она входит в коллекцию моделей VisDrone Detection Model Zoo и создана на базе Ultralytics/YOLO11 с использованием библиотеки Ultralytics. Модель предназначена для поиска и локализации людей и транспортных средств на аэроснимках, в том числе в городских сценах, жилых районах и на перекрёстках. В README указаны результаты оценки на тестовой части VisDrone: mAP@50 — 37,14%, mAP@50–95 — 21,85%, точность — 51,87%. Репозиторий содержит веса PyTorch; лицензия — AGPL-3.0. Качество может снижаться в плотных толпах, при сильных перекрытиях и смазывании движения, а также при обнаружении очень мелких объектов, занимающих несколько пикселей, и на ночных или слабо освещённых аэроснимках.

nateraw разработал модель на основе Vision Transformer (ViT), дообученную для классификации возраста человека по изображению лица. Она предназначена для сценариев, где нужно автоматически отнести лицо к возрастной категории; модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке указан датасет FairFace. Модель принимает изображение и выдаёт результат классификации. Языковой ввод и вывод не предусмотрены. Лицензия в предоставленных данных не указана.

Карточка модели wolf1280/vit-age-classifier на Hugging Face совпадает с карточкой nateraw/vit-age-classifier, поэтому описание составлено по ней. nateraw разработал модель на основе Vision Transformer (ViT), дообученную для классификации возраста человека по изображению лица. Она предназначена для сценариев, где нужно автоматически отнести лицо к возрастной категории; модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. В карточке указан датасет FairFace. Модель принимает изображение и выдаёт результат классификации. Языковой ввод и вывод не предусмотрены. Лицензия в предоставленных данных не указана.