II.8Инженерия данных и аналитика

TiRoBERTa-GeezSwitch — модель классификации текста, разработанная дообучением fgaim/tiroberta-base на наборе данных GeezSwitch. Она предназначена для классификации текстов в рамках задачи, представленной этим датасетом. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 514 токенов. В README указаны результаты на тестовой выборке GeezSwitch: F1, полнота, точность и accuracy составляют 0,9948, loss — 0,0222. Модель опубликована в формате PyTorch под лицензией CC BY 4.0. Карточка не поясняет набор меток и конкретную семантику классификации, поэтому результаты относятся только к указанной тестовой выборке.

hassan7272 разработал специализированную модель Sentence Transformers для поиска и сопоставления финансовых вопросов на урду. Это дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 плотная XLM-RoBERTa с 305,2 млн параметров; она преобразует текст в эмбеддинги для семантического поиска и извлечения ответов в RAG-системах. Модель рассчитана на запросы на урду арабским письмом, Roman Urdu и английском, с акцентом на исламские финансы и банковский контекст Пакистана. Заявленная длина контекста — 514 токенов. В README описано обучение на 2 752 примерах с hard negative mining и оценка на отложенном наборе из 147 запросов: заявлены Accuracy@1 93,9%, Accuracy@3 99,3% и Accuracy@10 100%. Эти результаты относятся к указанному набору оценки и не гарантируют аналогичную точность на других данных. Модель опубликована под лицензией Apache-2.0.

Compact Operator-Video Quality Model — компактная модель для оценки качества кадров из видео от первого лица, например с наголовных камер и камер робототелеприсутствия. Её разработчик обучил её имитировать оценки более крупного конвейера анализа видео. Модель содержит 2,5 млн параметров и использует замороженную MobileNetV3 Small 100, объединённую с 14 классическими визуальными признаками, остаточным MLP и отдельными головами для предсказания показателей. На вход модель принимает кадры и за один проход возвращает оценки яркости, резкости, размытия, аномальности, перцептивного качества и сцены; качественные оценки представлены по шкале 0–100, где большее значение означает лучшее качество. Модель предназначена для быстрой пакетной или потоковой оценки, в том числе на устройстве. В README сообщается о скорости в 116,4 раза выше, чем у конвейера учителя, и о согласии с ним по составной метрике PLCC 0,899; это показатели имитации оценок учителя, а не независимая оценка качества. Доступны веса в форматах Safetensors и GGUF, включая варианты int4 и int8 для локального запуска. Лицензия — Apache-2.0.

Это видеотрансформер VideoMAE, дообученный автором williwiser на подмножестве UCF101 для классификации видео. Модель содержит 113,2 млн параметров и построена на базе MCG-NJU/videomae-base; в репозитории веса сохранены в формате safetensors и для работы используется библиотека Transformers. Модель предназначена для отнесения видеоклипов к классам действий. На указанном в карточке наборе оценки достигла accuracy 0,7 и loss 0,8094; состав набора и подробности оценки не приведены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель YOLO26n, дообученная на наборе VisDrone-DET в рамках проекта DetectionBench для обнаружения объектов на изображениях с дронов. Она использует архитектуру семейства Ultralytics YOLO26 и предназначена для поиска и локализации объектов в сценах воздушного наблюдения, в частности пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов и мотоциклов. Модель принимает изображения и возвращает рамки объектов с метками классов и оценками уверенности. На тестовой части VisDrone-DET README приводит mAP@50 39,9% и mAP@50–95 22,95%. Набор данных содержит много мелких объектов и выраженный дисбаланс классов: редкие классы распознаются хуже, а для класса others обучающих примеров нет, поэтому он фактически не определяется. Модель распространяется по лицензии AGPL-3.0. README также указывает, что VisDrone лицензирован для некоммерческого исследовательского использования и что это ограничение распространяется на обученные на нём модели; условия датасета следует учитывать при использовании чекпойнта.

Это детектор объектов YOLOv10n, дообученный на наборе VisDrone-DET в рамках проекта DetectionBench. Он предназначен для обнаружения объектов на изображениях с беспилотников: пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, автобусов, трициклов и других транспортных средств. Модель работает с изображениями и выдаёт классы объектов и их рамки; в README приведены результаты оценки на тестовой части VisDrone-DET, включая mAP@50 39,8% и mAP@50–95 23,08%. Для весов указана лицензия AGPL-3.0; README также отмечает ограничения лицензии набора VisDrone — некоммерческое исследовательское использование с условиями CC BY-NC-SA 3.0.

YOLOv26n-VisDrone — детектор объектов на базе Ultralytics YOLO26, дообученный в рамках DetectionBench на наборе VisDrone-DET. Он предназначен для поиска и классификации объектов на аэрофотоснимках и кадрах с дронов, в том числе множества мелких объектов. Модель распознаёт 11 классов: пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы и другие категории транспорта. На тестовом разделе VisDrone-DET указаны mAP@50 39,9%, mAP@50–95 22,95% и точность 51,14%. Датасет содержит много мелких объектов и выраженный дисбаланс классов: редкие категории распознаются хуже, а класс «others» фактически непригоден для использования. Репозиторий содержит веса PyTorch и рассчитан на запуск через Ultralytics. Метаданные указывают лицензию AGPL-3.0; README также отмечает, что VisDrone распространяется на условиях CC BY-NC-SA 3.0 для некоммерческого исследовательского использования и это ограничение распространяется на обученную на нём модель.

vit_relpos_medium_patch16_224.sw_in1k — модель классификации изображений из библиотеки timm, основанная на архитектуре Vision Transformer с относительными позиционными эмбеддингами. Вариант архитектуры использует патчи 16×16, не содержит class token и формирует итоговое представление усреднением токенов. Модель содержит 38,7 млн параметров и рассчитана на изображения размером 224×224 пикселя. Модель обучена в timm на ImageNet-1k и предназначена для классификации изображений, а также может служить визуальным backbone и извлекать эмбеддинги изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

minoosh/wav2vec2-base-finetuned-ie — модель wav2vec2, дообученная на основе facebook/wav2vec2-base для классификации аудио. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; репозиторий предоставляет веса PyTorch. Название указывает на возможную специализацию на ирландском языке, однако README не поясняет назначение метки «ie» и не описывает обучающие данные. На указанном в карточке оценочном наборе модель получила accuracy 0,6857 и loss 0,9461. Лицензия — Apache-2.0. README не описывает предполагаемые сценарии применения и ограничения модели.

anton-l/wav2vec2-base-ft-keyword-spotting — модель классификации аудио на архитектуре Wav2Vec2, дообученная на facebook/wav2vec2-base с использованием набора данных SUPERB. Она предназначена для распознавания ключевых слов в аудиозаписях. В README указана точность 0,9826 и значение loss 0,0824 на наборе оценки; модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Модель принимает аудио и выдаёт метки классов. В карточке нет описания поддерживаемых языков, состава классов, условий записи или подробностей обучения, поэтому применимость к конкретным языкам и акустическим условиям не подтверждена. Лицензия — Apache-2.0.

mabahboh/wav2vec2-ser — модель классификации аудио, дообученная на основе elgeish/wav2vec2-large-xlsr-53-arabic. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 402,7 млн параметров. README сообщает о результатах на оценочном наборе: accuracy 0,5944, macro F1 0,5922 и UAR 0,5944. Модель предназначена для классификации аудиозаписей. Название репозитория предполагает задачу распознавания эмоций в речи, однако README не описывает классы, набор данных или сценарии применения, поэтому конкретное назначение классификатора по доступным сведениям подтвердить нельзя. Базовая модель ориентирована на арабскую речь, но поддерживаемые этой производной языки не перечислены. Модель распространяется по лицензии Apache-2.0.

Kuongan/xlm-roberta-base-ptbr-finetuned — модель классификации текста, созданная дообучением XLM-RoBERTa Base. В метаданных указаны архитектура XLMRobertaForSequenceClassification, 305,2 млн параметров и контекст до 514 токенов; веса опубликованы в формате safetensors. Модель предназначена для классификации текстовых последовательностей. Суффикс названия указывает на ориентацию на португальский язык Бразилии, однако README не описывает конкретные классы или сценарий применения. На оценочном наборе указаны F1 0,2957, ROC AUC 0,6147 и accuracy 0,48, поэтому результаты свидетельствуют об ограниченном качестве и требуют проверки на целевых данных. Базовая модель поддерживает многоязычную обработку, но язык дообучения в карточке не подтверждён. Лицензия модели — MIT.

YOLOS-small-rego-plates-detection — модель компьютерного зрения на базе YOLOS, разработанная автором репозитория nickmuchi путём дообучения YOLOS на наборе изображений с транспортными средствами и номерными знаками. Она обнаруживает объекты на изображениях и возвращает рамки классов «vehicle» и «license-plate». Архитектура YOLOS использует Vision Transformer и обучалась с функцией потерь DETR; размер модели — 28,3 млн параметров. Модель предназначена для поиска номерных знаков и автомобилей на изображениях, например, при разборе снимков с камер или в прототипах систем компьютерного зрения для транспорта. В README сообщается, что для дообучения использовался набор из 735 изображений, обучение шло 200 эпох на одной GPU; заявленный AP составляет 47,9 при IoU от 0,50 до 0,95. Модель принимает изображения и выдаёт обнаруженные объекты с координатами рамок и метками классов. Небольшой объём обучающего набора может ограничивать точность на изображениях, заметно отличающихся от обучающих данных; результаты также зависят от качества и условий съёмки. Лицензия — Apache-2.0.

charsiu/zh_w2v2_tiny_fc_10ms — акустическая модель проекта Charsiu, разработанного Jian Zhu, Cong Zhang и David Jurgens. Она предназначена для фонетического анализа и выравнивания китайской (Mandarin Chinese) речи: принудительного выравнивания аудио с заданной транскрипцией, распознавания фонем и получения временных границ фонетических единиц. Модель публикуется пользователем charsiu на Hugging Face и интегрируется с Charsiu и Transformers через Wav2Vec2ForFrameClassification. В основе лежит архитектура Wav2Vec 2.0 с семью сверточными слоями извлечения признаков и шестью transformer-слоями; размер скрытого представления — 384, число attention heads — 6, словарь содержит 210 классов. Модель работает с речевым аудио и ориентирована на китайский язык; выход рассчитан на временное разрешение 10 мс, что отражено в идентификаторе модели. Длина контекста и точное число параметров в доступных первоисточниках не указаны. Сильная сторона модели — специализированное фонетическое выравнивание китайской речи при сравнительно небольшом размере модели, что делает её пригодной для локального использования. Ограничения включают узкую специализацию, отсутствие заявленной поддержки других языков и предупреждение авторов Charsiu о статусе beta, возможных ошибках и необходимости проверять результаты вручную. Репозиторий Charsiu распространяется под лицензией MIT, но отдельная лицензия именно для файла модели на её карточке не указана.

Intel/zoedepth-nyu-kitti — модель ZoeDepth, дообученная на наборах данных NYU и KITTI. Она основана на DPT и предназначена для оценки глубины по одному изображению: в отличие от относительной оценки, модель предсказывает метрические значения глубины. ZoeDepth была представлена в работе Shariq и соавторов о переносе zero-shot для метрической глубины. Модель подходит для получения карты глубины из изображения, в том числе при переносе на новые сцены без отдельного обучения под каждую из них. В репозитории опубликованы веса Safetensors; заявлена лицензия MIT. Карточка не приводит численный размер модели и конкретные ограничения качества.

Это ONNX-версия модели ast-finetuned-audioset-10-10-0.4593, разработанной на базе модели MIT/ast-finetuned-audioset-10-10-0.4593. Модель автоматически сконвертирована и опубликована сообществом onnx-community с использованием Transformers.js. Модель предназначена для анализа и классификации аудио на основе набора данных AudioSet. По имеющимся данным, она использует архитектуру AST (Audio Spectrogram Transformer) и ориентирована на задачи распознавания звуковых событий. Формат ONNX позволяет использовать её в совместимых средах инференса, включая сценарии на базе Transformers.js. В README не указаны точный размер модели, поддерживаемые языки, длина контекста, перечень аудиоклассов, численные показатели качества, ограничения и лицензия. Поэтому эти характеристики нельзя достоверно определить по предоставленным данным.

ramsri818 выпустил модель AST, дообученную на наборе GTZAN на основе MIT/ast-finetuned-audioset-10-10-0.4593. Это трансформер аудиоспектрограмм с архитектурой Audio Spectrogram Transformer, содержащий 113,2 млн параметров и предназначенный для классификации аудио. Модель подходит для распознавания музыкальных жанров в аудиозаписях, соответствующих классам GTZAN. В карточке указана точность 0,93 на оценочной выборке. Модель принимает аудио и выдаёт метки классов; сведения о поддерживаемых естественных языках не приводятся. Модель распространяется в формате PyTorch по лицензии BSD-3-Clause. Результаты на GTZAN не гарантируют аналогичного качества на аудио из других источников и жанровых наборах.

hon9kon9ize/bert-base-cantonese — модель BERT с 129,9 млн параметров, продолжительно предобученная разработчиком на кантонских текстах. Она основана на indiejoseph/bert-base-cantonese и обучалась предсказывать замаскированные токены; дополнительное обучение использовало тексты из новостей, социальных сетей и веб-страниц, чтобы обновить знания о Гонконге и кантонском языке. Контекст модели составляет до 512 токенов, веса опубликованы в формате Safetensors. Модель предназначена прежде всего для дальнейшей тонкой настройки под задачи на кантонском языке. Её можно использовать для заполнения пропусков в тексте, например, для языкового анализа и подготовки признаков для последующих моделей. Из-за намеренного переобучения и продолжительного предобучения на конкретном корпусе её результаты могут хуже переноситься на иные данные и задачи; сама карточка рекомендует дообучение для прикладного использования. Лицензия — Apache-2.0.

hitachi-nlp разработала японскую базовую BERT-модель с токенизатором Nothing + BPE. Модель содержит 136,3 млн параметров, использует архитектуру BERT для языкового моделирования с масками и рассчитана на контекст до 512 токенов. Она предназначена для заполнения пропусков в японском тексте и может служить основой для других задач обработки японского языка. Для токенизации требуется отдельный словарь Nothing + BPE из репозитория разработчика. Модель распространяется в формате PyTorch; лицензия CC BY-NC-SA 4.0 требует атрибуции, распространять производные материалы на тех же условиях и запрещает коммерческое использование.

Японская модель BERT-base от Hitachi для предсказания замаскированных токенов. Она использует архитектуру BertForMaskedLM, сочетая токенизацию Vaporetto и WordPiece; для токенизатора требуется словарь Vaporetto + WordPiece из репозитория проекта. Модель содержит 136,3 млн параметров, принимает последовательности длиной до 512 токенов и работает с японским языком. Модель подходит для заполнения пропусков в японском тексте и как основа для задач, использующих представления BERT. В карточке указаны датасеты Wikipedia и CC-100. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Koichi Yasuoka разработал японскую модель BERT large для морфологического анализа текста. Она дообучена на основе KoichiYasuoka/bert-large-japanese-char-extended и предназначена для разметки частей речи по универсальной схеме UPOS и морфологических признаков FEATS на уровне длинных единиц слов; также указана задача синтаксического анализа зависимостей. Модель использует архитектуру BertForTokenClassification, содержит 409,1 млн параметров и поддерживает контекст до 512 токенов. Она обучалась на текстах японской Википедии и связана с датасетом Universal Dependencies. Для загрузки и применения в README приведён пример с Transformers и PyTorch. Лицензия — CC BY-SA 4.0. Описание не содержит оценок качества или подробностей об ограничениях разметки.

bondi/bert-semaphore-prediction-w4 — модель классификации текста на архитектуре BERT с головой BertForSequenceClassification. Согласно карточке, она обучена с нуля на наборе данных, обозначенном как None; назначение классов и область применения не описаны. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для задачи text-classification. Карточка не описывает конкретные сценарии использования, языки, данные оценки или ограничения качества. Доступный формат весов — PyTorch. Лицензия в предоставленных метаданных и README не указана.

camembert-chronicle-start-detection-v3 — модель классификации текста на базе архитектуры CamemBERT, обученная с нуля. Она предназначена для обнаружения начала хроники или последовательности событий в тексте. Модель содержит 137,8 млн параметров, принимает текстовые входные данные и выдаёт метку класса; максимальная длина контекста — 514 токенов. В README приведены результаты оценки: accuracy 0,709, F1 0,8297, precision 0,709 и recall 1,0. Датасет неизвестен, поэтому эти оценки не позволяют судить о качестве на других данных. Лицензия в доступных сведениях не указана.

Модель hezarai/crnn-fa-license-plate-recognition — дообученная CRNN-модель OCR для распознавания персидских автомобильных номерных знаков. Разработчик — HezarAI; модель основана на crnn-base-fa-64x256 и дообучена на наборе данных hezarai/persian-license-plate-v1. Модель принимает обрезанное изображение номерного знака и преобразует его в текст. Для полного сценария распознавания сначала требуется отдельная модель детекции, которая находит номерной знак на исходном изображении. Модель предназначена только для персидских номерных знаков; метаданные указывают библиотеку Hezar и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Ограничение практического применения — она не обнаруживает номерные знаки самостоятельно и ожидает уже обрезанное изображение.

DFA MOBILENET — предварительно обученная модель выравнивания лиц из семейства CVLFace; в карточке она представлена как CVLFace Pretrained Face Alignment Model. Модель предназначена для извлечения признаков, связанных с выравниванием лица, и может использоваться в конвейерах компьютерного зрения для обработки лиц. README связывает модель с работой «KeyPoint Relative Position Encoding for Face Recognition». В метаданных указаны архитектура CVLFaceAlignmentModel, задача feature-extraction и формат весов safetensors. Карточка просит цитировать исходную работу и соблюдать лицензию обучающего набора данных; отдельная лицензия самой модели не приведена. README не сообщает размер, языки или количественные показатели качества.

Модель Vanessasml/cyber-risk-llama-3-8b-instruct-sft — дообученная с помощью SFT и LoRA версия Meta Llama 3 8B Instruct, созданная для анализа кибербезопасности. Она генерирует текст в диалоговом формате и предназначена для специалистов по данным и разработчиков систем кибербезопасности. Модель помогает анализировать новости о кибербезопасности, выявлять киберугрозы и классифицировать данные по таксономии NIST и IT-рискам согласно рекомендациям EBA для ITC. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. В README описано обучение с 4-битной точностью NF4, вычислениями float16 и LoRA; в репозитории указаны веса safetensors. Качество оценивалось качественно по релевантности и связности ответов в контексте кибербезопасности. Модель может хуже справляться с задачами вне этой области и наследует возможные смещения обучающих данных. README предостерегает от использования для медицинских советов, юридических решений и систем, критичных для жизни. Лицензия в предоставленных данных не указана.

ku-nlp/deberta-v2-large-japanese-char-wwm — крупная японская языковая модель семейства DeBERTa V2, разработанная KU NLP и предварительно обученная на японской Википедии, японской части CC-100 и японской части OSCAR. Модель использует посимвольную токенизацию SentencePiece и маскирование целых слов (whole word masking); её архитектура — DebertaV2ForMaskedLM, размер — около 425,2 млн параметров, контекст — до 512 токенов. Модель предназначена для заполнения пропусков в японском тексте и других сценариев masked language modeling, а также может служить базой для последующего дообучения под задачи понимания японского языка. Для токенизатора можно передавать исходный текст без предварительной токенизации. Модель принимает текст и предсказывает текстовые токены. Для предобучения использован корпус общим объёмом 171 ГБ; японская Википедия была продублирована десять раз, чтобы сопоставить её объём с другими источниками. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — CC BY-SA 4.0.

ku-nlp/deberta-v2-tiny-japanese — компактная модель семейства DeBERTa V2, разработанная KU NLP и предварительно обученная на японских текстах. Модель содержит 7,9 млн параметров, использует архитектуру DebertaV2ForMaskedLM и принимает контекст длиной до 512 токенов. Основное назначение — восстановление скрытых токенов в японском тексте. Для работы входной текст необходимо предварительно сегментировать на слова с помощью Juman++; затем слова разбиваются на подсловные единицы SentencePiece. Предобучение проводилось на японской Википедии, японских частях CC-100 и OSCAR, общий объём корпуса составил 171 ГБ. Модель подходит для японских сценариев masked language modeling и задач, построенных на заполнении пропусков. Она опубликована в форматах PyTorch и Safetensors под лицензией CC BY-SA 4.0; при использовании следует соблюдать условия атрибуции и распространения на тех же условиях.

timm/densenetblur121d.ra_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и предварительно обученная на ImageNet-1k. Она основана на DenseNet-121 и использует Blur Pooling для обработки изображений. Модель подходит для классификации изображений и извлечения признаков, карт признаков и эмбеддингов в компьютерном зрении. В карточке указаны 8 млн параметров, 3,1 GMAC и размер изображения 224 × 224 при обучении и 288 × 288 при тестировании; обучение выполнено с рецептом RandAugment RA. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому качество на других типах изображений может отличаться; карточка не приводит метрик на дополнительных наборах данных.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_nganimal_primSecv2_lr5e5_dec1e4_bs8. Она использует архитектуру DETR и содержит 6,3 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для анализа изображений и локализации объектов, однако карточка не описывает набор классов и сценарии применения. README указывает, что дообучение выполнено на неизвестном наборе данных. Лицензия — Apache-2.0.