II.8Инженерия данных и аналитика

KoBigBird-RoBERTa-large — крупная корейская языковая модель VAIV на архитектуре BigBird с задачей восстановления замаскированных токенов. При разработке использованы параметры klue/roberta-large; архитектура BigBird и метод TAPER позволяют обрабатывать входы длиной до 4096 токенов. В README приведены результаты оценки на валидационных наборах KLUE. Модель подходит для восстановления пропусков в корейском тексте и как основа для дальнейшего предварительного обучения с длинными входами. Доступна в форматах PyTorch и safetensors, содержит около 435,4 млн параметров и распространяется по лицензии CC BY-SA 4.0. Авторы отмечают, что дополнительное предварительное обучение может улучшить позиционные представления.

kto5k1 — дообученная модель для генерации текста на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; веса доступны в формате safetensors. Базовая модель предназначена для продолжения и автодополнения кода, а также заполнения пропусков в коде, поэтому kto5k1 может подойти для экспериментов с такими сценариями. Для kto5k1 конкретное назначение дообучения и состав обучающих данных не описаны. Модель создана 14 июля 2024 года. Лицензия указана как other, без уточнения условий в доступных сведениях.

LFM2.5-230M-Code-Math — компактная плотная языковая модель, дообученная автором hauser458b на инструкционной версии LiquidAI/LFM2.5-230M. Она предназначена для генерации кода, решения простых математических задач и обычного диалога с сохранением навыков следования инструкциям исходной модели. Модель содержит 221,2 млн параметров, принимает текст и поддерживает контекст до 128 000 токенов. По неформальным проверкам автора, модель справляется с типовыми задачами программирования, арифметикой, базовой алгеброй и геометрией; также проверялись диалог и вызов инструментов. Эти наблюдения основаны примерно на двадцати ручных запросах, а сравнение с другой моделью не является формальным бенчмарком. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой модели.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_4 — модель, опубликованная пользователем Jeevesh8 на Hugging Face и предназначенная для классификации текста. По идентификатору и метаданным это дообученная на задаче QQP (Quora Question Pairs) версия BERT-base-uncased, то есть модель для определения, являются ли два вопроса семантически эквивалентными или дублирующимися. Она рассчитана на задачи классификации пар предложений и доступна для использования через Transformers; карточка модели отсутствует, поэтому сведения о конкретной процедуре обучения, метриках и разметке классов ограничены. Базовая архитектура BERT разработана Google Research: Transformer-энкодер с 12 слоями, размером скрытого представления 768, 12 attention heads и примерно 110 млн параметров. Вариант uncased приводит текст к нижнему регистру и использует WordPiece-токенизацию; исходная модель ориентирована прежде всего на английский язык. Из названия производной модели следует ограничение длины последовательности 128 токенов. Сильная сторона — специализация на сопоставлении вопросов и совместимость с экосистемой Transformers; ограничения — узкая целевая задача, отсутствие подтверждённых автором метрик и документации, а также вероятное ухудшение качества на языках и сценариях, отличных от английских пар вопросов. Лицензия именно этой производной модели не указана.

Multilingual Refusal Classifier — модель классификации текста от agentlans для определения отказов ассистента в диалогах с ИИ. Она различает отказ отвечать по причинам безопасности, ограничений возможностей или политики и содержательный ответ. Модель дообучена на agentlans/multilingual-e5-small-aligned-v2 на наборе agentlans/refusal-classifier-data; архитектура — BERT для классификации последовательностей, размер — 124,3 млн параметров, формат весов — safetensors. Модель предназначена для анализа диалогов и оценки поведения ИИ: выявления отказов, поддержки исследований выравнивания и контроля согласованности ответов на разных языках. Заявлена поддержка многих языков, включая русский; максимальная длина входа — 512 токенов. В README указана точность 0,9153 на тестовых примерах, однако масштаб оценки ограничен десятью примерами, переведёнными со страницы модели NousResearch/Minos-v1. Возможны ложноположительные и ложноотрицательные классификации, особенно при неоднозначных формулировках и на языках с малым объёмом данных; культурные различия в выражении отказа также влияют на результат. README не рекомендует использовать модель для модерации или в производственных системах без контроля человека. Лицензия — MIT.

Nawah-Router-BERT-6M-bilingual — двуязычная модель маршрутизации текста, разработанная oddadmix на основе Nawah-BERT-6M-v2. Это BERT-энкодер с 6,2 млн параметров и контекстом до 2048 токенов; модель оценивает пользовательские категории на английском или арабском за один проход, не требуя фиксированной таксономии или отдельной модели для каждого языка. Модель дообучена совместно на англоязычном и арабоязычном наборах данных для маршрутизации запросов. В описанных разработчиком проверках она показала лучшие результаты на английском, чем вариант, обученный только на английских данных, а на арабском сохранила близкие к арабоязычной версии показатели. Подходит для классификации и направления запросов по категориям в двуязычных приложениях; механизм улучшения английских результатов автор обозначает как гипотезу, а переносимость результатов на другие данные требует проверки. Модель распространяется в формате safetensors через Transformers под лицензией Apache-2.0. README содержит пример использования с RouterModel и AutoTokenizer.

syssec-utd/py39-pylingual-v1-segmenter — модель RoBERTa для классификации токенов, дообученная командой syssec-utd на базе syssec-utd/py39-pylingual-v1-mlm на датасете segmentation-py39-pylingual-v1-tokenized. Она предназначена для сегментации последовательностей py39-pylingual-v1 с присвоением меток токенам. В README приведены результаты оценки: F1 0,9869, точность 0,9912, полнота 0,9828 и accuracy 0,9952. Модель содержит 136,3 млн параметров, использует библиотеку Transformers и формат safetensors; максимальная длина контекста — 514 токенов. Лицензия и подробности разметки в доступной карточке не приведены.

PyBlissa-Coder-40M — небольшая модель генерации кода на Python от Rohanify, вторая в семействе PyBlissa-Coder. Это декодерный трансформер в стиле GPT-2, связанный с nanoGPT: 39,9 млн параметров, обученный на 272 млн токенов. Репозиторий содержит веса GGUF F32; модель можно запускать, например, через Ollama. По карточке, на HumanEval она получила 14,6% pass@1, а на MBPP — 4,4%.

Карточка модели nityaak/qwen3-8b-stance-matrix-mtcsd-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Montalte/qwen4b-code-nothink-random — экспериментальный артефакт слияния на основе плотной Qwen3-4B-Base с 3,7 млрд параметров и контекстом 32 768 токенов. Он создан для экспериментов по переносу между математикой и программированием; в README указан исходный специалист modrill/code-nothink-q4b-20260908 и случайная бинарная маска с долей сохранённых параметров 0,1. Для работы с моделью используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста, в частности кода, и имеет интерфейс диалога и вызова инструментов. Данные не описывают качество, поддерживаемые естественные языки или ограничения генерации, поэтому эти характеристики нельзя надёжно уточнить. Лицензия — Apache-2.0.

ResNet-50.c1_in1k — сверточная модель классификации изображений из библиотеки timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back C и предназначена для распознавания объектов на изображениях, а также может использоваться как backbone для извлечения признаковых карт и эмбеддингов. Архитектура использует активации ReLU, начальную свертку 7×7 с пулингом и shortcut-соединения с проекцией 1×1. В модели около 25,6 млн параметров и 4,1 GMACs. Для обучения использовался размер изображения 224×224, для оценки — 288×288. Репозиторий распространяется под лицензией Apache-2.0.

cjcjee/RewardModel — модель классификации последовательностей на базе RoBERTa, дообученная автором на неопределённом датасете. Она содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors. Модель предназначена для классификации текста. На указанном в карточке наборе оценки достигла accuracy 0,9645 и loss 0,3729; данных о классах, составе выборки и сценариях применения нет, поэтому эти результаты нельзя уверенно переносить на другие задачи. Лицензия — MIT.

Модель justjuu/rtdetr-v2-license-plate-detection разработана на основе RT-DETR v2 и дообучена для обнаружения автомобильных номерных знаков на изображениях. Она возвращает координаты рамок вокруг номеров и предназначена для анализа фотографий транспортных средств и других сценариев визуального контроля. Архитектура использует гибридный энкодер-декодер на базе трансформера; модель распространяется для библиотеки Hugging Face Transformers в формате safetensors. Для обучения использован набор justjuu/license-plate-detection: 6 176 изображений в обучающей выборке, 1 765 валидационных и 882 тестовых. В README приведены значения mAP 0,97 для диапазона IoU 0,5–0,95 и для IoU 0,5, а также mAP 0,88 для малых объектов. Лицензия — Apache-2.0. Качество на других наборах данных и в условиях, отличающихся от обучающих изображений, этими метриками не подтверждается.

Sapiens2-0.4B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Это дообученная модель на базе facebook/sapiens2-pretrain-0.4b: Vision Transformer с головкой семантической сегментации и примерно 402,7 млн параметров. Она относит пиксели к 29 классам: 28 частей тела и фоновый класс. Модель предназначена для анализа человекоцентричных изображений, включая разметку частей тела и исследования в области компьютерного зрения. Репозиторий содержит веса в формате safetensors и указывает лицензию Sapiens2 License (в метаданных Hugging Face она обозначена как other).

SCOPE — модель для предварительной оценки результатов работы больших языковых моделей, разработанная авторами одноимённого исследовательского проекта. Она анализирует целевой вопрос и примеры похожих вопросов с данными о результатах моделей, чтобы предсказать вероятность правильного ответа и длину ответа в токенах. Эти оценки можно использовать для выбора модели и распределения вычислительного бюджета с настраиваемым балансом стоимости и точности. Модель построена на архитектуре Qwen3 с плотной causal LM на 3,7 млрд параметров и дообучена на Qwen/Qwen3-4B-Instruct-2507 методами SFT и GRPO. Поддерживает текстовый ввод и вывод; заявленный контекст — до 262 144 токенов. Карточка рекомендует выбирать опорные примеры, близкие к целевому вопросу, а для повышения точности агрегировать несколько генераций. Лицензия — Apache-2.0.

SadraCoding/SDXL-Deepfake-Detector — экспериментальная дообученная модель бинарной классификации изображений лиц на классы «искусственное» и «человеческое». Она разработана на основе Organika/sdxl-detector и использует гибридную архитектуру: пространственные признаки Swin объединяются с 128-мерным представлением логарифма амплитудного спектра двумерного преобразования Фурье; дополнительная классификационная голова Swin обучается с отдельной функцией потерь. Изображения приводятся к размеру 224 × 224 и нормализуются по статистикам ImageNet. Модель предназначена для исследовательского анализа синтетических лицевых изображений и ограничена узкой областью данных, связанной с набором 140k Real and Fake Faces и изображениями, описанными как реальные или созданные StyleGAN. Она выдаёт метку класса и оценку softmax; эту оценку нельзя считать калиброванной вероятностью. README сообщает об экспериментальных метриках на тестовом наборе и о режиме раннего выхода, но подчёркивает, что доступных сведений недостаточно для независимого воспроизведения или проверки результатов. Классификатор не подтверждает подлинность или происхождение изображения, факт манипуляции, авторство или согласие изображённого человека. Его надёжность не установлена для подмены лиц, видео, SDXL и других неиспытанных генераторов либо произвольных изображений; не следует использовать его как единственное основание для значимых решений. Для загрузки требуется пользовательский код архитектуры, стандартный AutoModelForImageClassification не подходит. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

Segformer-b0-512x512-ade-160k — модель семантической сегментации изображений семейства SegFormer, опубликованная в репозитории smp-hub и подготовленная с помощью библиотеки segmentation-models-pytorch. Она предназначена для разметки изображения по классам ADE20K: модель присваивает класс пикселям, формируя карту сегментации. В названии указаны вариант B0, входное разрешение 512×512 и 160 тысяч шагов обучения; README подтверждает использование набора данных ADE20K. Модель принимает изображение и выдаёт карту классов. Весовые файлы опубликованы в формате safetensors. Лицензия в метаданных обозначена как other, дополнительных условий README не содержит.

SEW-D-tiny — предварительно обученная речевая модель семейства SEW-D, разработанная ASAPP Research на основе идей wav2vec 2.0. Она извлекает признаки из аудио и предназначена для дообучения под прикладные задачи, включая распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Модель содержит 28,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц. Архитектура SEW (Squeezed and Efficient Wav2vec) нацелена на повышение эффективности и скорости вывода; в исследовании для SEW описаны улучшения скорости и качества распознавания относительно wav2vec 2.0. Карточка указывает английский язык и датасет LibriSpeech ASR. Для распознавания речи и других прикладных задач модель нужно дообучить. Веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

stanfordnlp/stanza-te — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа текстов на телугу. Она предназначена для разметки токенов и входит в набор инструментов, который охватывает анализ текста от исходной строки до синтаксического разбора и распознавания сущностей. Репозиторий содержит веса PyTorch и использует лицензию Apache-2.0. Модель подходит для языкового анализа телугу в приложениях NLP. Карточка не уточняет отдельные характеристики этой модели, включая её размер, контекст и конкретные виды разметки токенов; возможности Stanza в целом не следует считать подтверждением каждой из них для этого чекпойнта.

jplu/tf-xlm-roberta-base — версия XLM-RoBERTa для TensorFlow, опубликованная пользователем jplu. Это плотная модель с архитектурой XLMRobertaForMaskedLM и примерно 305,2 млн параметров; репозиторий содержит конфигурацию и веса TensorFlow. Модель обучена на корпусе объёмом 2,5 трлн токенов из Common Crawl для 100 языков и предназначена для многоязычных задач, включая заполнение пропусков в тексте. Основной сценарий применения — предсказание замаскированных токенов в предложении. Контекст модели составляет 514 токенов. README отмечает сильные результаты семейства на межъязыковых тестах, однако не приводит отдельной оценки именно этой версии. Лицензия в предоставленных данных не указана.

mariovigliar/trocr-base-printed_license_plates_ocr — модель распознавания текста на изображениях автомобильных номерных знаков, созданная дообучением TrOCR от Microsoft. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения номера в текст. Репозиторий содержит веса в формате safetensors. Лицензия и подробности обучения в доступных данных не описаны.

ytu-ce-cosmos/turkish-medium-bert-uncased — компактная модель BERT для турецкого языка, разработанная для заполнения пробелов в линейке небольших турецких BERT-моделей. Она предназначена прежде всего для предсказания замаскированных токенов в тексте и может использоваться как основа для задач, которым нужны контекстные представления турецкого текста. Модель имеет архитектуру BERT с примерно 49,9 млн параметров и контекстом до 512 токенов; доступны веса PyTorch, Safetensors и TensorFlow. Модель без учёта регистра, однако перед токенизацией текст требуется вручную преобразовывать в нижний регистр с учётом турецкой буквы I: `text.replace("I", "ı").lower()`. В README отмечен известный дефект токенизатора: параметр `do_lower_case=True` использовать не следует. Обучение преимущественно на собранных из интернета данных может приводить к предвзятым предсказаниям. Лицензия в предоставленных данных не указана.

Uhm — модель Desert Ant Labs для покадрового обнаружения слов-паразитов в аудио. Это дообученная версия DistilHuBERT, основанная на предварительно обученной модели ntu-spml/distilhubert. Она классифицирует аудиосигнал с шагом 20 мс по шести классам: «uh», «um», «hmm», «and», «other» и «not_filler»; для работы не требуется распознавание речи. Модель предназначена для локального запуска на устройствах и поставляется в форматах Core ML, TFLite и ONNX. Принимает монофоническое аудио 16 кГц окнами до 30 секунд; заявлена поддержка английского, испанского, французского, немецкого и нидерландского языков, но обучение проводилось на английском, а качество на остальных языках не оценивалось по эталонной разметке. Модель подходит для поиска и временной разметки слов-паразитов в подкастах, записях встреч и видео с говорящими в кадре. Качество может снижаться при громкой фоновой музыке, смехе и перекрывающейся речи; точность определения конкретного типа слова ниже приоритетом, чем различение filler и not_filler. В метаданных указана лицензия other; отдельные компоненты, упомянутые в карточке, имеют лицензии Apache 2.0 и CC BY 4.0.

jimenezalbert0/videomae-base-finetuned-ucf101-subset — модель для классификации видео, дообученная автором репозитория на базе MCG-NJU/videomae-base. Она использует архитектуру VideoMAEForVideoClassification и содержит 113,2 млн параметров. Метаданные указывают задачу video-classification; README сообщает о точности 0,8286 и значении loss 0,7217 на оценочном наборе, но не описывает его состав и число классов. Модель предназначена для отнесения видеоклипов к категориям по их содержимому. Основа VideoMAE предварительно обучена без учителя и рассчитана на последующее извлечение признаков и дообучение для классификации видео. Данные о поддерживаемых языках и длине контекста неприменимы или не приведены. Репозиторий распространяет веса в формате Safetensors и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование. README не раскрывает обучающий датасет и подробно не описывает ограничения модели.

VideoMAE-base, разработанная MCG-NJU, дообучена автором репозитория mastercljohnson для классификации видео. Модель содержит 113,2 млн параметров и реализована на базе Transformers; веса опубликованы в формате safetensors. На оценочном наборе указаны loss 0,7274 и accuracy 0,7871. Карточка связывает модель с подмножеством UCF101 в названии, но сообщает, что набор данных неизвестен, поэтому состав классов и область применения по этим сведениям подтвердить нельзя. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0.

MCG-NJU/videomae-base-short — базовая модель семейства VideoMAE, представленная командой MCG-NJU и предварительно обученная без учителя на Kinetics-400 в течение 800 эпох. Она переносит подход Masked Autoencoder на видео: видеокадры разбиваются на патчи размером 16×16, которые обрабатывает Transformer-энкодер на основе архитектуры Vision Transformer; декодер учится восстанавливать пиксели скрытых патчей. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и safetensors. Модель формирует представления видео, пригодные для последующих задач, в первую очередь для классификации видео. Её можно дообучить на размеченных видеоданных или использовать как энкодер признаков, добавив классификационный слой к представлению токена CLS. Исходный чекпойнт предварительного обучения также умеет предсказывать пиксели скрытых патчей. Модель предназначена главным образом для адаптации к целевым задачам, а не как готовый специализированный классификатор. В README не приведены результаты оценки и подробности предобработки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

dronefreak/visdrone-yolo26x — дообученный детектор объектов YOLOv26x на наборе VisDrone2019-DET. Модель разработана для обнаружения объектов на аэрофотоснимках и кадрах с беспилотников; она относится к семейству YOLO от Ultralytics и использует библиотеку Ultralytics с весами PyTorch. Детектор распознаёт пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы и мотоциклы. На тестовой части VisDrone указаны mAP@50 38,33%, mAP@50–95 22,48% и точность 52,91%. Лицензия репозитория — AGPL-3.0.

mrm8488 дообучил XLM-RoBERTa Base на корпусе Hello-SimpleAI HC3 для классификации текста, написанного человеком или ChatGPT. Модель предназначена для выявления текстов, сгенерированных ChatGPT, и сравнения их с человеческими ответами. Это плотная трансформерная модель с архитектурой XLMRobertaForSequenceClassification, примерно 305,2 млн параметров и контекстом до 514 токенов. Базовая XLM-RoBERTa предварительно обучена на многоязычных данных; в метаданных указана поддержка широкого набора языков. В README приведено значение F1 0,9736 на оценке авторов, но условия этой оценки не описаны.

XLMRoberta-Sarcasmo-2026-10e-32bs — модель классификации текста на базе XLM-RoBERTa-large, дообученная JDAlvarez на неизвестном наборе данных. По названию модель предназначена для выявления сарказма, однако README не уточняет набор меток и данные обучения. В карточке приведены результаты оценки: macro F1 0,9335, weighted F1 0,9370 и accuracy 0,9372. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает текстовые последовательности длиной до 514 токенов. Базовая модель ранее дообучалась для испанской разметки CoNLL-2002; сама эта карточка не подтверждает языки или качество модели для выявления сарказма. Распространяется в формате Safetensors; лицензия в предоставленных данных не указана.