II.8Инженерия данных и аналитика

Это ONNX-версия модели AlphaAvatar Persona для оценки возраста и классификации гендерной категории говорящего по аудио. Она основана на wav2vec2-large-robust-6-ft-age-gender от audEERING; в README подтверждено совпадение весов с исходным чекпойнтом. Модель принимает монофоническую звуковую волну с частотой 16 кГц и выдаёт вектор признаков размерности 1024, оценку возраста и три логита категорий child, female и male. Для получения вероятностей к логитам требуется отдельно применить softmax. Модель предназначена для анализа характеристик голоса в приложениях вроде AlphaAvatar Persona. Перед подачей аудио вызывающая программа должна выполнить нормализацию, ожидаемую Wav2Vec2FeatureExtractor; сама ONNX-граф её не выполняет. В README также описан сценарий с окнами по 3 секунды и шагом 1 секунда. Файл является побитовой копией существующего ONNX-артефакта, без конвертации или повторного экспорта. Лицензия исходных весов CC-BY-NC-SA-4.0 запрещает коммерческое использование и требует соблюдения условий share-alike.

BonTori/phobert-eda-retrain-hsd — дообученная модель классификации текста на базе PhoBERT-base, разработанной VinAI. Она использует архитектуру RoBERTa с примерно 162,4 млн параметров и принимает текст длиной до 258 токенов. Модель предназначена для классификации текста; название репозитория содержит обозначение HSD, но карточка не уточняет классы и целевую область применения. На указанном наборе для оценки модель показала accuracy 0,8192, F1 0,6181, precision 0,6102 и recall 0,6411. В карточке датасет обозначен как None, а сведения о назначении, обучающих данных и ограничениях не раскрыты. Распространяется по лицензии MIT.

Polish RoBERTa Large v2 — модель-энкодер на архитектуре RoBERTa, разработанная sdadas и предварительно обученная на большом корпусе польских текстов. Она предназначена для задачи заполнения пропусков в тексте: модель предсказывает подходящее слово или фрагмент на месте маски. Модель содержит 533,7 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 514 токенов. Она ориентирована на польский язык; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель подходит для польскоязычных задач языкового моделирования с масками, но сама по себе не является генеративным чат-ботом.

Qwen2ViT-600M — визуальный энкодер, извлечённый из серии Qwen2-VL и используемый командой EMOVA для обучения мультимодальных моделей. Это плотная vision transformer модель с примерно 600 млн параметров; она предварительно обучена на изображениях с динамическим разрешением и поддерживает разные размеры и соотношения сторон без фиксированного входного размера. В каталоге указана задача feature-extraction, а веса доступны в формате safetensors для библиотеки Transformers. Модель предназначена для извлечения визуальных признаков и использования в качестве vision tower при обучении мультимодальных систем, включая EMOVA. Для применения энкодера в таком конвейере требуется соответствующая обёртка Qwen2VisionTower и конфигурация модели. Лицензия — Apache-2.0. Карточка не сообщает ограничений по качеству или перечня поддерживаемых языков.

Карточка модели nityaak/qwen3-8b-stance-matrix-mtcsd-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.

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-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.

Это модель извлечения признаков изображений, содержащая визуальный энкодер Qwen3-VL-8B-Instruct, перенесённый в формат timm. Веса энкодера включают пространственный merger и проекцию к размерности исходной языковой модели; обучающие веса языковой модели и голова классификации в репозиторий не входят. Дополнительного обучения при переносе не проводилось. Модель преобразует RGB-изображения в пространственные признаки и токены, пригодные для дальнейшей обработки. Поддерживаются прямоугольные изображения; размеры каждой стороны должны делиться на 16, а для вариантов с merger 2×2 — на 32. Указанный в карточке типичный размер изображения — 768×768. Модель содержит около 455 млн параметров; доступны промежуточные карты признаков. Энкодер подходит для извлечения визуальных признаков в мультимодальных системах и исследовательских конвейерах компьютерного зрения, но сам по себе не генерирует текст и не выполняет классификацию без добавленной головы. Для нормализации RGB используются среднее и стандартное отклонение 0,5 по каждому каналу. Лицензия — Apache 2.0.

RAMEN — разработанная авторами статьи RAMEN Resolution-Adjustable Multimodal Encoder for Earth Observation модель-энкодер для дистанционного зондирования Земли. Она формирует общие визуальные представления для данных разных сенсоров, учитывая модальность и пространственное и временное разрешение. README описывает поддержку мультиспектральных данных, SAR и карт высот, а также возможность объединять несколько модальностей в едином представлении. Ключевая особенность модели — настраиваемое пространственное разрешение выходных карт признаков: его можно выбирать при инференсе, управляя компромиссом между детализацией и вычислительными затратами. RAMEN предназначена для извлечения признаков и последующего применения в задачах анализа спутниковых данных; результаты представлены для восьми задач бенчмарка PANGAEA. Репозиторий содержит веса PyTorch, лицензия — MIT.

ResNetV2-50x1 BiT — модель классификации изображений и визуальный backbone семейства ResNet-V2, опубликованный авторами timm. Модель дистиллирована из учителя, предварительно обученного на ImageNet-21k, на ImageNet-1k. Она использует Group Normalization и Weight Standardization вместо Batch Normalization и содержит 25,5 млн параметров. Модель рассчитана на классификацию изображений, извлечение карт признаков и получение визуальных эмбеддингов. Указанный размер входного изображения — 224 × 224 пикселя; вычислительная сложность — 4,2 GMACs. Репозиторий содержит веса PyTorch и Safetensors, библиотека для работы — timm. Лицензия — Apache-2.0.

ResNeXt-101 32x8d — сверточная модель классификации изображений из библиотеки timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и остаточные соединения с проекцией 1×1 для понижения размерности. Модель содержит около 88,8 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель предназначена для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как основу компьютерного зрения или для подготовки признаков в прикладных конвейерах обработки изображений. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — BSD 3-Clause.

RoBERTa-base — модель Koichi Yasuoka, предварительно обученная на текстах вьетнамской Википедии. Она предназначена для заполнения пропусков в тексте и может служить основой для дообучения под задачи разметки частей речи, синтаксического анализа зависимостей и другие задачи обработки вьетнамского языка. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa для masked language modeling и принимает текстовые последовательности длиной до 512 токенов. Доступны веса PyTorch. Модель распространяется по лицензии CC BY-SA 4.0.

zeyadusf/roberta-DAIGT-kaggle — англоязычная модель классификации текста, созданная дообучением FacebookAI/roberta-base на датасете zeyadusf/daigt. Она предназначена для бинарного распознавания текстов двух классов; по названию датасета и модели её предполагаемое применение — определение текстов, связанных с задачей DAIGT в соревновании Kaggle, включая различение текстов, созданных ИИ, и написанных человеком. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает контекст длиной до 514 токенов. В README приведены метрики оценки на наборе из 2730 примеров: accuracy и F1 около 0,994. Это результаты указанного тестирования, они не гарантируют аналогичного качества на других данных. Лицензия — Apache-2.0.

Spam Detector BERT MoE v2.2 — англоязычная модель AntiSpamInstitute для классификации текста на спам и не спам. Она предназначена для фильтрации электронной почты и SMS, обнаружения спама в социальных сетях и помощи в модерации пользовательских публикаций. По метаданным это дообученная модель google-bert/bert-base-uncased с архитектурой BertForSequenceClassification и 4,4 млн параметров. Карточка описывает BERT с механизмом Mixture of Experts и бинарной классификационной головой; максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт метку класса. В README приведены метрики на SMS Spam Collection, Enron Email Dataset и Social Media Spam, но они могут меняться на данных с другим распределением. Модель выпущена под лицензией Apache-2.0. Карточка отмечает, что качество может снижаться для языков, отличных от английского, при изменении тактик спама и когда важны контекст или намерение за пределами текста. Для развёртывания MoE может потребовать заметных вычислительных ресурсов.

SR-CorrNet-SS — одноканальная модель разделения речи, дообученная на смеси AISHELL-1 Mix ver1 с чистыми и смешанными записями. Она принимает аудиозапись, в которой одновременно говорят от одного до пяти человек, и предназначена для выделения отдельных речевых источников. Модель основана на архитектуре SR-CorrNet-SS; исходная инициализация — вариант для английского WSJ0 с переменным числом от двух до пяти говорящих. В репозитории опубликованы веса PyTorch и конфигурация; карточка указывает библиотеку sr-corrnet и лицензию MIT. Модель подходит для разделения наложенной китайской речи в записях AISHELL-1, например для подготовки отдельных голосовых дорожек к дальнейшему анализу. Веса экспортированы из чекпойнта после второй эпохи обучения; README не приводит метрик качества. Практическая применимость к записям, существенно отличающимся от обучающих смесей AISHELL-1, не описана.

HuggingFaceTB разработала эту модель для оценки образовательной ценности файлов с кодом на Go в наборе данных The Stack v2. Это дообученная на bigcode/starencoder модель архитектуры BERT с классификационной головой; её обучали на коде, размеченном Llama 3.1 70B Instruct, и использовали при создании набора Stack-Edu для обучения SmolLM2. Модель рассчитана на классификацию отдельных файлов кода на Go и принимает до 1024 токенов. В репозитории веса представлены в формате Safetensors; размер модели — 151 млн параметров. Лицензия в предоставленных данных не указана.

TinyLettuce — компактная модель KRLabsOrg для выявления неподтверждённых фрагментов в ответах на основе заданного контекста. Она дообучена на энкодере Ettin-17M и использует классификационную голову ModernBERT для токенной классификации: каждому токену присваивается метка «подтверждён» или «галлюцинация», а объединение фрагментов выполняется последующей обработкой. Модель принимает контекст, вопрос и ответ в последовательности до 7 999 токенов и рассчитана на англоязычные сценарии RAG, включая биомедицинский домен BioASQ. Модель предназначена для недорогого вывода на CPU и настройки на доменных синтетических данных. В README сообщается F1 90,87% на отложенной синтетической тестовой выборке; авторы отмечают, что результаты зависят от домена и порога постобработки. Обучение опиралось на небольшой набор синтетических примеров, поэтому заявленная метрика не гарантирует такую же точность на реальных данных или в других областях. Лицензия — MIT.

UniSpeech-Large — модель предварительного обучения речи, опубликованная Microsoft и представленная авторами Chengyi Wang и соавторами. Она обучена на аудио с частотой дискретизации 16 кГц и фонетических метках; архитектура UniSpeechForPreTraining содержит около 402,7 млн параметров. Модель принимает речь и формирует речевые представления для последующей адаптации к прикладной задаче. Чекпойнт предназначен для дообучения под распознавание речи или классификацию аудио. Сам по себе он не готов выполнять распознавание: у него нет токенизатора, а для ASR требуется создать токенизатор и дообучить модель на размеченных текстовых данных. Для распознавания входной звук должен быть дискретизирован с частотой 16 кГц, а текстовые метки представлены последовательностью фонем. Модель предварительно обучена на английском языке и, согласно карточке, рассчитана прежде всего на английскую речь. В статье сообщается об улучшении переноса между языками и доменами относительно использованных авторами подходов, однако эти результаты относятся к оценкам в исследовании и не гарантируют качество на конкретном наборе данных. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

CrabInHoney разработала urlbert-tiny-base-v2 — компактную модель семейства BERT с архитектурой BertForMaskedLM и 4,8 млн параметров. Модель предназначена для последующего дообучения под анализ URL и предсказывает пропущенные токены в строках, похожих на адреса: например, в демонстрации для шаблона домена она предлагает варианты вроде com и org. Контекст модели составляет 64 токена; опубликованные веса сохранены в формате safetensors. Модель подходит как начальная точка для экспериментов с классификацией и анализом URL после дообучения. В карточке указана лицензия MIT. Текущий чекпойнт — маскированная языковая модель, поэтому его предсказания для прикладных задач классификации потребуют соответствующей настройки.

MCG-NJU выпустила VideoMAE Base — видеомодель на архитектуре Masked Autoencoder и Vision Transformer, предварительно обученную без учителя на Something-Something-v2 в течение 800 эпох. Модель содержит 113,2 млн параметров и представлена в формате PyTorch. VideoMAE принимает видео как последовательность патчей размером 16×16 и обучается восстанавливать скрытые фрагменты. Чекпойнт предназначен прежде всего для дообучения на задачах анализа видео: его представления можно использовать как признаки для классификатора. В исходном виде модель предсказывает значения пикселей замаскированных патчей; метаданные относят её к задаче классификации видео. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке отсутствуют результаты оценки и подробности о данных предварительной обработки, поэтому качество на конкретных наборах данных следует проверять отдельно.

HappyGook/videomae-violence-detector — видеомодель классификации, разработанная на основе MCG-NJU/videomae-base и дообученная для бинарного распознавания насилия на видео. Она предназначена прежде всего для анализа записей с камер наблюдения в общественном транспорте: модель адаптировали к видеозаписям из движущегося автобуса, дополнив обучение данными UCF Crime и Bus Violence Dataset. По карточке это видеотрансформер VideoMAE с архитектурой ViT, примерно 113,2 млн параметров; на вход подаются фрагменты по 16 кадров с разрешением 224×224 пикселя, а выход содержит класс «насилие» или «насилия нет».

Модель carbon225/vit-base-patch16-224-hentai — классификатор изображений на базе Google ViT-Base с патчами 16×16, дообученный для анализа аниме-изображений. Модель относит изображение к одному из трёх классов: safe, suggestive или explicit; она предназначена для маркировки контента сексуального характера в изображениях в стиле аниме, в том числе визуальных новелл. Обучение проводилось на полноразмерных скриншотах из базы vndb.org; набор данных доступен как carbon225/vndb_img. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и safetensors. Лицензия — CC0 1.0. Карточка также указывает возможность дообучения для других задач, связанных с аниме-изображениями.

UMUTeam разработала эту модель в рамках открытого инструментария speech-emotion для распознавания эмоций в испанской речи. Это дообученная модель архитектуры Wav2Vec2-BERT с 402,7 млн параметров; она принимает аудио и относит речь к одному из шести классов: гнев, отвращение, страх, радость, нейтральное состояние или грусть. Модель подходит для анализа записей и разговорной речи, исследований аффективных вычислений, человеко-машинного взаимодействия и эмоционально-адаптивных диалоговых систем. Её можно использовать отдельно или включать в мультимодальные сценарии speech-emotion. Обучение проводилось преимущественно на испанской части Spanish MEACorpus 2023; на тестовой выборке авторы сообщают точность 88,12% и macro F1 84,48%. Модель рассчитана на испанскую речь и может работать ненадёжно с другими языками, шумом, несколькими говорящими, низким качеством записи, сильными акцентами и данными из иных предметных областей. Она выдаёт один класс из фиксированного набора, а эмоциональные проявления субъективны и зависят от контекста. Не следует использовать её как единственное основание для медицинских, кадровых, юридических или иных важных решений. Лицензия — MIT.

Модель ardneebwar/wav2vec2-animal-sounds-finetuned-hubert-finetuned-animals — дообученная HuBERT Base для классификации звуков животных в аудиофрагментах. Она основана на facebook/hubert-base-ls960 и содержит 113,3 млн параметров. Разработчик дообучил её на подмножестве ESC-50 с категориями животных: среди распознаваемых звуков названы лай собак, кукареканье петухов, хрюканье свиней, мычание коров, кваканье лягушек, мяуканье кошек, кудахтанье кур, звуки насекомых, овец и ворон. Модель предназначена для биоакустического мониторинга, образовательных приложений и распознавания звуков животных в развлекательных сервисах. В README указана точность 0,95 на оценочной выборке. Лицензия — Apache-2.0. Область применения ограничена категориями животных из использованного подмножества ESC-50. Качество может снижаться из-за фонового шума, плохого качества аудио и звуков, отличающихся от обучающих примеров.

Aniemore/wav2vec2-emotion-russian-resd — модель распознавания эмоций в русской речи, разработанная Aniemore. Она дообучена для классификации аудио на базе jonatasgrosman/wav2vec2-large-xlsr-53-russian и обучена на наборах Aniemore/resd и Aniemore/resd_annotated. Модель основана на Wav2Vec2ForSequenceClassification, содержит 402,7 млн параметров по метаданным и принимает монофонический аудиосигнал с частотой 16 кГц. Модель относит речь к одному из семи классов: гнев, отвращение, энтузиазм, страх, счастье, нейтральное состояние и грусть. Она подходит для анализа эмоциональной окраски отдельных русскоязычных речевых фрагментов, например в записях разговоров или подкастов. Репозиторий распространяет веса в форматах PyTorch и safetensors. На тестовой выборке RESD модель показала точность 0,7107 и macro-F1 0,7079; на тестовых записях подкастов Dusha macro-F1 составил 0,1260, а на CAMEO — 0,2446. Это указывает на существенное ухудшение на спонтанной речи: обучающая выборка содержит сбалансированную актёрскую речь, а в естественных разговорах часто преобладает нейтральный тон. README также указывает на ограничение отдельными короткими фрагментами одного говорящего и на необходимость проверки качества и калибровки нейтрального класса на целевых данных. Лицензия — MIT.

Genius1237/xlm-roberta-large-tydip — многоязычная модель классификации вежливости, созданная дообучением xlm-roberta-large на англоязычной части набора TyDiP. Она предназначена для определения вежливости текста и может использоваться через конвейер text-classification в Transformers. Модель построена на архитектуре XLM-RoBERTa Large с примерно 658,7 млн параметров и контекстом до 514 токенов. В исследовании её оценивали на английском, хинди, корейском, испанском, тамильском, французском, вьетнамском, русском, африкаанс и венгерском; README приводит результаты классификации для части этих языков. Доступны веса PyTorch и Safetensors. Модель подходит для анализа тональности общения в многоязычных текстах, например для проверки вежливости сообщений. Обучение проводилось на английских данных, поэтому качество для других языков может отличаться; автор также отмечает возможность применения к другим языкам, но это не подтверждено приведённой оценкой. Лицензия — MIT.

xRouter — инструкционная языковая модель Salesforce AI Research для маршрутизации запросов между большими языковыми моделями с учётом стоимости и качества. Она обучена с помощью обучения с подкреплением и выбирает модели из набора более чем 20 вариантов, направляя простые запросы к более экономичным моделям, а сложные — к более мощным. Модель также может координировать несколько вызовов и выбирать лучший ответ. В основе лежит Qwen/Qwen2.5-7B-Instruct; в метаданных архитектура указана как Qwen2, плотная причинная языковая модель на 7,1 млрд параметров. Контекст составляет 32 768 токенов. Для взаимодействия с внешними моделями используются вызовы инструментов; сама модель принимает текстовые запросы и формирует текстовые решения о маршрутизации и ответы. В README заявлено снижение расходов до 60% при сопоставимом качестве, оценённое на 17 тестах для математики, программирования, рассуждений и задач вне обучающего распределения. Практическое применение предполагает наличие доступа к маршрутизируемым моделям и их API. Модель выпущена под лицензией CC BY-NC 4.0, которая допускает использование с указанием авторства, но ограничивает коммерческое применение.

keremberke/yolov8n-scene-classification — модель классификации изображений на базе YOLOv8, доступная в формате PyTorch и предназначенная для распознавания сцен помещений. Она обучена на наборе данных keremberke/indoor-scene-classification и использует библиотеку Ultralytics; в карточке перечислены поддерживаемые метки классов, но их названия здесь не приведены. Модель подходит для автоматической сортировки фотографий помещений по типам сцен и для добавления классификации интерьеров в компьютерное зрение. README указывает способ использования через пакет ultralyticsplus. Лицензия и подробности о точности или ограничениях применения в предоставленных данных отсутствуют.

4Lweightdecay — модель для классификации токенов на основе архитектуры BERT, обученная с нуля. В репозитории указано 12,6 млн параметров; модель принимает последовательности текста и рассчитана на контекст до 512 токенов. Карточка сообщает результаты оценки: loss 0,1312, precision 0,7006, recall 0,6863, F1 0,6934 и accuracy 0,9524. Модель предназначена для разметки отдельных токенов, однако конкретный набор меток и целевой сценарий в карточке не описаны. Данные обучения названы неизвестными, поэтому результаты нельзя уверенно переносить на другие наборы данных. Весá опубликованы в формате PyTorch; лицензия не указана.

tgarvs/all-MiniLM-L6-v2-music-fine-tuned — sentence-transformers-модель на базе архитектуры BERT, дообученная для получения векторов текстов о музыке. Она кодирует предложения и абзацы в плотные эмбеддинги размерности 384; их можно сравнивать по косинусному сходству для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации музыкальных описаний. Модель обучена на 28 816 парах «запрос — положительный пример» с MultipleNegativesRankingLoss. Метаданные указывают 25,9 млн параметров и лимит контекста 512 токенов; карточка Sentence Transformers задаёт максимальную длину последовательности 256 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для поиска похожих музыкальных описаний, группировки текстов по смыслу и построения рекомендаций по текстовым аннотациям. Карточка не уточняет условия лицензии, поэтому условия использования следует проверять по метаданным репозитория.

Карточка модели rmaser/aloe-siglip2-base-in1k-lp на Hugging Face совпадает с карточкой rmaser/aloe-siglip2-base, поэтому описание составлено по ней. rmaser/aloe-siglip2-base — визуальный энкодер семейства ALOE, разработанный для преобразования представлений SigLIP2 ViT-B/16 в объяснимую B-cos-модель. На этапе выравнивания модель обучалась сопоставлять глобальные и промежуточные токенные признаки замороженного учителя на изображениях без разметки. Она предназначена для использования как визуальный backbone в классификации изображений, извлечении признаков и задачах переноса, включая zero-shot классификацию с текстовым энкодером SigLIP2. Модель содержит 113,2 млн параметров и публикуется в формате safetensors для Transformers; для загрузки требуется пользовательский код репозитория. ALOE стремится сохранить геометрию признаков и качество исходного энкодера, одновременно предоставляя встроенные B-cos-объяснения. В README отмечено, что публичные чекпойнты следует считать исследовательскими артефактами. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на условиях распространения производных материалов, но не коммерческое использование.