II.8Инженерия данных и аналитика

cascade · Toto2-4M — контрольная точка модели временных рядов, созданная участниками подсети Bittensor cascade (netuid 91). Модель с 4 млн параметров обучена с нуля за один раунд примерно на трёх GPU-часах на синтетических временных рядах, сгенерированных участником раунда 8. В README указано, что контрольная точка показала лучшие результаты среди публичных моделей подсети на GIFT-Eval, BOOM и TIME, но проиграла очную проверку на закрытых данных. Модель предназначена для прогнозирования временных рядов и выдаёт квантильные прогнозы по историческим данным и заданному горизонту. В README описаны веса Safetensors, конфигурация, реализация модели и функция пакетного прогнозирования. Результаты на публичных бенчмарках не гарантируют качества на конкретных данных; модель обучена на корпусе одного синтетического генератора и не проверялась на закрытой выборке, использованной в дуэли. Лицензия в предоставленных данных не указана.

Tencent GameMate Chinese HuBERT Base — предобученная акустическая модель на архитектуре HuBERT, разработанная Tencent GameMate. Модель содержит 113,3 млн параметров и обучена на 10 тысячах часов аудиоданных из подмножества WenetSpeech L. Она предназначена для извлечения признаков из китайской речи и может служить акустической основой для последующего обучения систем распознавания речи. Модель принимает аудио и выдаёт речевые представления. Веса опубликованы в формате PyTorch; для работы автор указывает Transformers 4.16.2. Токенизатора в репозитории нет: для распознавания речи потребуется создать токенизатор и дообучить модель на размеченных текстовых данных. Лицензия — MIT.

commaai/comma10k-segnet — модель семантической сегментации изображений от comma.ai, опубликованная в формате safetensors и рассчитанная на загрузку через библиотеку segmentation-models-pytorch. Она обучена на наборе данных comma10k; README также описывает загрузку связанного преобразования изображений через Albumentations. Модель предназначена для разметки областей на изображениях по классам. Метрики, перечень классов, размер модели и сведения об архитектуре в доступных данных не раскрыты. Репозиторий распространяется по лицензии MIT.

ConvMixer 1024/20/ks9/p14.in1k — модель классификации изображений и извлечения признаков из семейства ConvMixer, опубликованная авторами статьи и обученная на ImageNet-1k. Она содержит около 24,4 млн параметров, использует изображения размером 224 × 224 и требует примерно 5,5 GMACs на обработку изображения. Модель подходит для классификации изображений по классам ImageNet-1k и получения признаковых представлений изображений для последующего использования. Архитектура ConvMixer сочетает патчевое представление изображений с операциями свёртки. Репозиторий поддерживает загрузку весов в форматах PyTorch и safetensors через библиотеку timm. Модель обрабатывает изображения и выдаёт предсказания классов либо признаки. Лицензия — MIT. Обучение на ImageNet-1k задаёт область распознаваемых категорий; для задач с другими классами модель может потребовать дополнительной адаптации.

Cooperation_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base с помощью Transformers. В метаданных указана архитектура DeBERTa v2 для классификации последовательностей, 211,6 млн параметров и контекст до 512 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для бинарной классификации текста; конкретные классы и область применения в карточке не описаны. На оценочной выборке указаны accuracy 0,7086, precision 0,7239, recall 0,6733, F1 0,6977 и AUC 0,7864. Датасет обозначен как None, поэтому эти результаты не позволяют судить о пригодности модели для конкретного сценария. Лицензия — MIT.

Это модель XLM-RoBERTa Large, дообученная sercetexam9 на базе Davlan/xlm-roberta-large-finetuned-amharic для классификации текста. Репозиторий указывает обучение в течение 10 эпох на наборе данных, название которого не приведено. Модель содержит 658,7 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: F1 — 0,7601, ROC AUC — 0,8433, accuracy — 0,5357 и loss — 0,3308. Конкретные классы, область применения и языки целевой задачи не описаны; базовая модель предназначена для текстов на амхарском. Лицензия — MIT.

Descript Audio Codec (DAC) — нейронный аудиокодек, разработанный Descript. Репозиторий `descript/dac_44khz` содержит модель DAC для аудио с частотой дискретизации 44,1 кГц; она извлекает дискретные коды из аудиосигнала и декодирует их обратно в аудио. Архитектура — энкодер-декодер с residual vector quantization. Модель предназначена для сжатия и восстановления речи, музыки и других типов аудио, а также для использования аудиокодов в генеративных аудиосистемах. Разработчик заявляет сжатие аудио 44,1 кГц примерно в 90 раз при битрейте 8 кбит/с. В опубликованной конфигурации указаны девять кодовых книг и размер кодовой книги 1024. Модель работает с аудио, поэтому языковая поддержка как у текстовых моделей к ней не относится. Код и веса проекта Descript распространяются по лицензии MIT; карточка Hugging Face автоматически сгенерирована и не содержит отдельного описания лицензии. Ограничения: заявленные характеристики сжатия не гарантируют одинаковое субъективное качество для всех аудиоматериалов; модель этого репозитория рассчитана на 44,1 кГц.

Koichi Yasuoka разработал DeBERTaV2 для разметки японского текста. Модель дообучена на базе KoichiYasuoka/deberta-large-japanese-wikipedia; она присваивает словам универсальные части речи UPOS и морфологические признаки FEATS, а также предназначена для синтаксического анализа зависимостей. Архитектура — DeBERTaV2 для классификации токенов, размер — 435,4 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на японской Википедии и текстах «Аозора бунко»; в метаданных также указан датасет Universal Dependencies. Поддерживается японский язык. Лицензия — CC BY-SA 4.0.

Языковая модель DeBERTa V2 Large для японского языка, разработанная командой KU-NLP и предварительно обученная на японской Википедии, японской части CC-100 и японской части OSCAR. Это трансформерная модель с архитектурой DebertaV2ForMaskedLM и 435,4 млн параметров; она принимает текст с пропущенными токенами и предсказывает вероятные заполнения. Контекстное окно — 512 токенов. Модель предназначена прежде всего для восстановления пропусков в японском тексте и может служить основой для дообучения на задачах понимания японского языка. До подачи текста его необходимо сегментировать на слова с помощью Juman++; далее применяется токенизация SentencePiece. Для перечисленных в карточке задач NLU приведены результаты дообученных вариантов, поэтому их не следует считать оценкой этой исходной модели без дополнительного дообучения. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — CC BY-SA 4.0.

MAEST — модель Pablo Alonso для анализа музыкального аудио на основе Transformer и архитектуры Audio Spectrogram Transformer (AST), дообученная от PaSST. Этот вариант содержит 113,2 млн параметров и предназначен для классификации музыкальных стилей по аудиозаписям. Он предсказывает стили из таксономии из 400 категорий, сформированной на основе открытых метаданных Discogs. Модель также можно использовать для извлечения музыкальных представлений в задачах распознавания жанров и эмоций, а также обнаружения инструментов; в статье лучшие результаты получены на представлениях промежуточных слоёв. Обучение проводилось на наборе Discogs20 из 3,3 млн треков, сопоставленных с метаданными Discogs. В данных заметно представлены западная, особенно электронная, музыка. Для Transformers требуется пользовательский код модели и параметр trust_remote_code=True; особенности мел-спектрограммной предобработки могут немного влиять на предсказания. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование; для коммерческого применения указана возможность запросить проприетарную лицензию.

Intel/dpt-large-ade — модель семантической сегментации изображений, разработанная Intel и дообученная на наборе ADE20K. Она основана на Dense Prediction Transformer (DPT): использует Vision Transformer в качестве backbone и дополнительные neck и head для предсказания классов пикселей. Модель насчитывает около 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для сегментации сцен на изображениях. По данным авторов, на ADE20K она достигла 49,02% mIoU на момент публикации. Лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или условия применения.

EthioLLM-l-250K — дообученная модель EthioNLP на базе FacebookAI/xlm-roberta-large. Она предназначена для задачи fill-mask: модель предсказывает пропущенный токен в тексте. Веса содержат 658,7 млн параметров, архитектура — XLM-RoBERTa, формат — PyTorch, максимальный контекст — 514 токенов. По языковым тегам модель поддерживает амхарский, оромо, тигринья, сомали и геэз. Указана лицензия MIT. В README приведён результат оценки Loss 3,0552, но набор данных и подробности оценки не описаны.

finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная разработчиком sgraf202 на наборе из 3000 примеров. Она предназначена для определения тональности текста. В README приведены результаты оценки: accuracy 0,4688 и F1 0,5526; описание обучающих данных и меток отсутствует. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Низкие показатели оценки указывают, что качество классификации может быть ограниченным; назначение классов и подробности оценки не описаны.

MahmoodAnaam/flaird-modernbert-large-attention-single-task — дообученная модель классификации последовательностей на базе архитектуры FlairD. Она предназначена для отнесения текста к одному из классов; конкретная предметная область, набор меток и обучающие данные в карточке не раскрыты. Модель опубликована в формате safetensors и использует библиотеку Transformers. В README приведены результаты оценки: loss 0,0018, ROC-AUC 0,999, C@1 0,987, F1 0,993, F0.5u 0,997 и средняя метрика 0,994. По этим значениям нельзя определить качество на других данных или понять, что означают все использованные метрики. Лицензия и подробные сведения о базовой модели не приведены.

FLUX.MF-lightning_8step-uncen — объединённая модель генерации изображений по текстовому описанию, опубликованная в рамках проекта OpenSight. Она объединяет параметры black-forest-labs/FLUX.1-dev и black-forest-labs/FLUX.1-schnell, после чего в неё были сведены выбранные LoRA, часть которых рассчитана на NSFW-контент. Репозиторий предназначен преимущественно для создания датасетов и оценки моделей. Модель использует архитектуру FLUX и доступна в формате Diffusers с весами Safetensors. Суффикс 8step указывает на вариант для генерации за восемь шагов, однако README не приводит результатов оценки качества или точных инструкций по настройке. Карточка не уточняет размер модели, контекст или языки; метаданные отмечают английский. Лицензия указана как other, поэтому перед коммерческим использованием следует проверить условия лицензий обеих базовых моделей.

Модель griko/gender_cls_svm_ecapa_voxceleb предназначена для бинарной классификации пола говорящего по аудиозаписи. Она разработана на основе SpeechBrain ECAPA-TDNN и SVM-классификатора; в качестве разработчика в материалах указан Gregory Koushnir и соавторы проекта VANPY. Модель поддерживает многоязычные аудиоданные, но конкретный набор языков не указан. На вход подаётся аудиофайл, который преобразуется в монофонический сигнал с частотой дискретизации 16 кГц. ECAPA-TDNN формирует вектор признаков размерностью 192, после чего SVM предсказывает один из двух классов: «male» или «female». Для выделения речи используется SileroVAD, при этом обрабатывается первый найденный голосовой сегмент. Доступны предсказания как для одного файла, так и пакетная обработка. На тестовых данных модель достигла точности 98,9% и F1-меры 0,9885 на VoxCeleb2, точности 92,3% на англоязычном тесте Mozilla Common Voice v10.0 и 99,6% на TIMIT. Модель обучалась на VoxCeleb2 и преимущественно на голосах знаменитостей из интервью на YouTube, поэтому качество может снижаться при иных характеристиках речи, качестве звука и условиях записи. Она поддерживает только бинарную классификацию и не предназначена для представления всего спектра гендерных идентичностей. Лицензия Apache-2.0.

Hammer-4b — чат-модель на базе Qwen1.5-4B-Chat, дообученная командой MadeAgents для вызова функций языковыми агентами. Модель использует плотную архитектуру Qwen2 с 3,6 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель обучали с применением function masking на 60 тысячах примеров для вызова функций из набора xLAM. Она предназначена для выбора и вызова инструментов в агентных приложениях, в том числе на устройствах с ограниченными ресурсами. README сообщает о сравнении серии Hammer с другими моделями на бенчмарках вызова функций, но конкретные результаты Hammer-4b в предоставленных данных не приведены. Модель принимает текст и генерирует текст, включая структуру вызова функции. Данные указывают на многоязычную основу Qwen1.5, но конкретный список поддерживаемых языков не приведён. Лицензия указана как other, поэтому условия использования следует проверить в карточке модели.

HindBERT — модель семейства BERT от L3Cube-Pune для работы с текстом на хинди. Она создана дообучением google/muril-base-cased на общедоступных одноязычных наборах данных на хинди. Модель имеет архитектуру BertForMaskedLM, содержит около 264,8 млн параметров и поддерживает контекст до 512 токенов. Основная задача модели — предсказание скрытых токенов в тексте на хинди. Это подходит для восстановления пропусков и изучения контекстных представлений слов; карточка также приводит исследовательскую статью с базовыми результатами для моделей хинди и маратхи. Модель распространяется в форматах PyTorch и Safetensors по лицензии CC BY 4.0.

Это портированная версия HuBERT из проекта S3PRL, настроенная для распознавания эмоций в речи в рамках бенчмарка SUPERB. Модель классифицирует каждое аудиовысказывание по эмоциональному классу; при обучении использовался набор IEMOCAP с четырьмя сбалансированными классами и стандартной пятифолдовой схемой оценки. Модель основана на hubert-base-ls960, предварительно обученной на речевых аудиозаписях с частотой 16 кГц. Архитектура — HuBERT для классификации последовательностей, около 113,3 млн параметров. Для входа требуется речь, дискретизированная с частотой 16 кГц. В карточке приведена точность 0,6359 для одной сессии оценки в Transformers; это результат конкретного протокола, а не гарантия качества на других данных. Лицензия — Apache-2.0.

Модель lupobricco/irony_classification_single_label_base — дообученная версия итальянской языковой модели Musixmatch/umberto-commoncrawl-cased-v1 на классификацию текста по метке иронии. Она предназначена для определения ироничных высказываний в текстовых данных. Модель построена на архитектуре CamemBERT и содержит 137,8 млн параметров; длина контекста составляет 514 токенов. В README приведены результаты на оценочной выборке: accuracy 0,6227 и F1 0,5853. Данные о наборе для обучения и подробности использования в карточке не раскрыты. Репозиторий содержит веса в формате safetensors. Лицензия не указана в доступных данных.

LavaSR(v2) — модель расширения полосы пропускания аудио (BWE), представленная YatharthS. Она повышает частоту дискретизации и качество низкокачественной аудиозаписи: принимает аудио с частотой от 8 до 48 кГц и выдаёт результат с частотой 48 кГц. В README также упомянут UL-UNAS для шумоподавления. Модель предназначена для восстановления аудиоданных, улучшения речи перед обработкой системами синтеза или распознавания речи, а также повышения качества голосовых звонков. Заявленный размер PyTorch-версии — 50 МБ; автор сообщает о скорости обработки 20–80× реального времени на CPU и 800–5000× на GPU. README приводит сравнение качества с другими моделями, однако независимые результаты здесь не подтверждены. Модель и код распространяются по лицензии Apache-2.0. В карточке не описаны конкретная архитектура, поддерживаемые языки и ограничения качества; результат может зависеть от исходного аудио и условий применения.

Модель yasirfaizahmed/license-plate-object-detection — дообученная Ultralytics YOLOv8 для обнаружения автомобильных номерных знаков на изображениях. Она обучена на наборе данных keremberke/license-plate-object-detection; в README описано преобразование разметки прямоугольных рамок в формат YOLO и разделение данных на обучающую, валидационную и тестовую выборки. Модель принимает изображения и выдаёт координаты обнаруженных объектов с метками классов. Репозиторий содержит веса PyTorch, а для обучения использовалась предварительно обученная YOLOv8n. Модель подходит для локализации номерных знаков в системах компьютерного зрения, например при анализе дорожных сцен или парковок. Лицензия репозитория — Apache-2.0.

NVIDIA Low Frame-rate Speech Codec — нейронный аудиокодек NVIDIA для сжатия и последующего восстановления речи. Он обрабатывает монофонический звук WAV с частотой 22,05 кГц и восстанавливает аудио с той же частотой. Кодек использует полностью сверточный генератор с энкодером, векторным квантованием на основе Finite Scalar Quantization и декодером на основе HiFi-GAN; при обучении применялись несколько дискриминаторов, включая 12-слойную WavLM-модель. Заявленные параметры сжатия — 1,89 кбит/с и 21,5 кадра в секунду. Модель предназначена для компактного хранения и передачи речи, а также может использоваться как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных через NVIDIA NeMo. Обучение проводилось на 28,7 тысячи часов речи на 105 языках; карточка приводит оценки на MLS и DAPS. Ограничения: вход и выход описаны для моно WAV 22,05 кГц, а результаты выпущенного чекпойнта немного отличаются от результатов статьи. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это модель SentenceTransformer, разработанная автором репозитория на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная на наборе медицинских вопросов и ответов на вьетнамском языке. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT с усреднением токенных представлений; размер модели — 124,3 млн параметров. В метаданных указан контекст до 512 токенов, тогда как README сообщает максимальную длину последовательности 128 токенов. Модель рассчитана на вьетнамский медицинский текст; лицензия в предоставленных данных не указана.

MOSS-Audio-Tokenizer-Nano от mlx-community — версия аудиотокенизатора MOSS, преобразованная в формат MLX из OpenMOSS-Team/MOSS-Audio-Tokenizer-Nano. Модель построена на архитектуре Cat — причинном аудиотокенизаторе на базе трансформера — и преобразует стереоаудио в дискретные токены, а также восстанавливает аудио из них. Семейство MOSS-Audio-Tokenizer описано как единый аудиокодек для речи, музыки и звуковых эффектов. В карточке семейства указаны частота кадров токенов 12,5 Гц для аудио 48 кГц, 32-слойный квантователь Residual LFQ, поддержка потоковой обработки и совместная оптимизация акустического восстановления и семантического представления. Эти характеристики относятся к описанию семейства; отдельный размер Nano в карточке не приведён. Модель предназначена для кодирования и декодирования аудио и может служить аудиопредставлением для последующих систем распознавания речи и генерации речи, но сама по себе не является ASR- или TTS-моделью. Репозиторий содержит реализацию для MLX; для загрузки описан режим remote code с trust_remote_code=True. Лицензия — Apache-2.0.

myawesomewnutmodel — дообученная модель DistilBERT от автора hope613 для классификации токенов. Она предназначена для присвоения меток отдельным токенам текста; название репозитория указывает на связь с WNUT, однако README не подтверждает датасет или конкретную схему меток. Модель основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForTokenClassification и формат safetensors; максимальный контекст составляет 512 токенов. В README приведены результаты оценки: F1 0,4139, точность (precision) 0,5835, полнота (recall) 0,3207 и accuracy 0,9426. Датасет и предназначенные сценарии применения не описаны, поэтому качество и пригодность для конкретных видов разметки следует оценивать на целевых данных. Лицензия — Apache-2.0.

Opus Moderation 4 Fast (om4-fast) — компактная модель модерации текста от разработчика opus-research, дообученная на базе answerdotai/ModernBERT-base. Она классифицирует текст по семи меткам токсичности и отдельно выявляет jailbreak-запросы; предназначена для объединённой проверки контента в сценариях с ограниченными вычислительными ресурсами, включая запуск на CPU. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и поддерживает контекст до 8192 токенов; обучение проводилось на последовательностях длиной 384 токена. Модель англоязычная. По заявленным оценкам, F1 для обнаружения jailbreak составляет 0,828, а macro F1 по общей модерации — 0,473. Выходы представляют калиброванные доли оценок разметчиков: для многометочной классификации следует применять sigmoid, а пороги заданы отдельно для каждой метки. Лицензия — Apache-2.0. В обучающих данных использован набор lmsys/toxic-chat с лицензией CC-BY-NC, что может иметь значение при оценке условий использования данных.

OTel-Embedding-335M — англоязычная модель эмбеддингов для телекоммуникационной отрасли, разработанная в рамках инициативы Open Telco AI. Это плотная BERT-модель на 433,9 млн параметров, дообученная всеми параметрами на базе BAAI/bge-large-en-v1.5 на наборе OTel-Embedding; она принимает текст и выдаёт векторные представления для поиска по смыслу. Контекст модели — до 512 токенов, формат весов — safetensors. Модель предназначена для извлечения релевантных фрагментов из телекоммуникационных стандартов и спецификаций, RFC, научных работ, технических документов и других отраслевых материалов. Её можно использовать как этап извлечения в RAG-системе, например перед переранжировщиком и языковой моделью. На отложенной выборке OTel-Embedding авторы сообщают NDCG@10 89,7% ± 0,5; это не гарантирует такого же качества на внешних наборах или во всех подразделах отрасли. Модель специализирована для телекоммуникаций и рассчитана на английский язык; многоязычную работу следует оценивать отдельно. Результаты на поддоменах могут различаться, а академические статьи и документы GSMA PRD требуют дальнейшей проверки и доработки. Лицензия модели — Apache-2.0; при использовании также следует учитывать лицензию или условия базовой модели.

Это англоязычная модель распознавания речи Parakeet RNN-T 0.6B, подготовленная dys-asr как усреднение весов пяти последовательных эпох одного обучающего запуска модели dys-asr/parakeet-rnnt-0.6b-all-syn-chunk-cutout. Дополнительного обучения при создании этой версии не проводилось: веса эпох 6–10 усреднены поровну. Модель основана на extraordinarylab/parakeet-unified-en-0.6b и предназначена для распознавания английской речи, в том числе речи с нарушенной артикуляцией; также она может служить отправной точкой для адаптации под конкретного говорящего. Архитектура — Parakeet RNN-T с 0,6 млрд параметров в формате safetensors. На указанном в карточке тестовом подмножестве SAPC2 модель показала WER 9,91% и CER 6,06% при жадном декодировании без языковой модели. Принимает монофоническое аудио с частотой 16 кГц и выдаёт текст. Для загрузки требуется transformers версии 5.9 или новее; декодирование авторегрессионное и медленнее, чем у CTC-моделей. Модель выпущена под лицензией CC-BY-4.0. Её вывод наследует формат обучающей модели: строчные буквы, без пунктуации, числа записываются словами. Оценка проведена на определённом подмножестве SAPC2, не включает говорящих с болезнью Паркинсона и не доказывает обобщение на все причины нарушений речи; статистическая значимость сравнения не проверялась. Модель не предназначена для клинических выводов.

JamieBradfield/Qwen3.8-9B Hermes Function Calling v1 — языковая модель для генерации ответов с вызовами инструментов в формате Hermes. Это QLoRA-дообучение плотной модели Qwen3.8-9B-Distill с гибридной архитектурой Qwen3.5; в карточке указано 9 млрд параметров и контекст до 262 144 токенов. Доступны объединённые веса BF16 в формате Safetensors; для AMD RDNA3 также опубликована отдельная квантизованная версия GGUF. Модель предназначена для сценариев, где схема функций передаётся в системном сообщении через XML-теги, а из ответа нужно извлечь Hermes-конверт с именем функции и аргументами. В описанном автором тесте на 45 примерах из обучающего распределения формат был соблюдён в 43 случаях. Для OpenAI-совместимого параметра tools заметного преимущества перед базовой моделью не выявлено. Дообучение специализирует формат вызова, но не улучшает решение о том, когда вызывать инструмент: на 45 примерах с реальными траекториями и незнакомыми именами инструментов обе модели получили 0 из 45. Модель выпущена под лицензией Apache-2.0. В метаданных указан английский язык карточки; обучение велось на синтетических и курируемых примерах вызова инструментов из разных областей.