II.8Инженерия данных и аналитика

Модель nsugianto/detr-resnet50_finetuned_nganimal_primSecv2_lr5e5_dec1e4_bs8 — дообученная версия DETR на ResNet-50 от Facebook для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки. Карточка указывает дообучение на неизвестном наборе данных, но не описывает целевые классы и результаты оценки. Модель предназначена для сценариев компьютерного зрения, где нужно находить и локализовать объекты на изображениях. Число параметров в метаданных — 6,3 млн; веса представлены в формате safetensors. Лицензия — Apache-2.0. Информации о специализированных ограничениях и качестве на конкретных данных в карточке нет.

dfmodel — дообученная Anshul15 модель facebook/wav2vec2-base для классификации речи по аудио. Она построена на архитектуре Wav2Vec2ForSpeechClassification и содержит 113,3 млн параметров. В README приведены результаты на оценочной выборке: loss 0,0061 и accuracy 0,9984; набор данных и детали оценки не описаны. Модель предназначена для классификации речевых аудиозаписей. Она принимает аудио и выдаёт метки классов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

ASCCCCCCCC/distilbert-base-chinese-amazon_zh_20000 — модель классификации последовательностей на базе bert-base-chinese, дообученная для классификации текста на неизвестном наборе данных. В метаданных указаны архитектура BERT, реализация BertForSequenceClassification, 129,5 млн параметров и контекст до 512 токенов; веса представлены в формате PyTorch. Карточка сообщает результат оценки на тестовой выборке: accuracy 0,5092 и loss 1,1518. Назначение меток и характеристики обучающего набора не описаны, поэтому область применения классификации определить точнее нельзя. Модель опубликована под идентификатором ASCCCCCCCC; лицензия в предоставленных данных не указана.

Модель bdotloh/distilbert-base-uncased-empathetic-dialogues-context — англоязычный DistilBERT, дообученный для классификации эмоциональных контекстов из набора Empathetic Dialogues. Она принимает текстовый контекст и относит его к эмоциональным категориям, что подходит для анализа диалогов и определения эмоционального фона реплик. Максимальная длина контекста — 512 токенов; модель работает на PyTorch. На тестах автор сообщает точность top-1 53,4% и top-5 86,1%. Результаты относятся к указанному набору данных и не гарантируют аналогичного качества на других типах текстов. В README отмечено ограничение: культурная специфика описанных ситуаций и соответствующих эмоциональных меток не установлена. Лицензия в предоставленных данных не указана.

pollner/distilhubert-finetuned-ravdess — модель классификации аудио на базе DistilHuBERT, дообученная на наборе RAVDESS. Она предназначена для отнесения аудиозаписей к классам; точный состав классов и сценарии применения в карточке не описаны. В архитектуре указана HubertForSequenceClassification, число параметров — 18,9 млн. На оценочной выборке автор сообщает loss 0,2810 и accuracy 0,9236. Модель принимает аудио и выдаёт метки классов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Язык аудиоданных и ограничения применения в карточке не уточнены.

Это дообученная на наборе GTZAN модель классификации аудио, созданная на основе ntu-spml/distilhubert. Она использует архитектуру HuBERT для классификации аудиозаписей; в репозитории указано 18,9 млн параметров. Модель предназначена для распознавания музыкальных жанров в аудио, в частности в сценариях, связанных с набором GTZAN. На оценочной выборке указаны accuracy 0,8492 и loss 0,8519. Базовая distilhubert предназначена для извлечения речевых представлений из аудио 16 кГц, но карточка этой версии не уточняет требования к входу и ограничения применимости результатов. Лицензия — Apache-2.0.

Карточка модели aoiandroid/distill-neucodec на Hugging Face совпадает с карточкой neuphonic/distill-neucodec, поэтому описание составлено по ней. Distill-NeuCodec — нейронный аудиокодек, разработанный Neuphonic. Это версия NeuCodec с совместимым дистиллированным энкодером, предназначенная для кодирования и представления аудио в задачах обработки речи и аудиосигналов. В модели медленный акустический энкодер BigCodec заменён на SQCodec: его размер сокращён с 70 млн до 36 млн параметров. Семантический энкодер w2v-bert-2.0 заменён на DistilHuBERT: с 600 млн до 21 млн параметров. В результате дистиллированный энкодер примерно в 10 раз меньше по числу параметров и требует примерно в 7,5 раза меньше MAC-операций при инференсе. Работа основана на X-Codec2.0 и SQCodec. Модель рассчитана на аудио-аудио сценарии и обучалась с использованием наборов данных для речи, включая Emilia, Multilingual LibriSpeech, VCTK, Fleurs, Common Voice 13.0 и LibriTTS-R. Репозиторий содержит веса PyTorch; для использования предлагается пакет neucodec и Python 3.10 или новее. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки, качество реконструкции и ограничения применения.

envibert — компактная языково-модель RoBERTa, разработанная nguyenvulebinh для работы с вьетнамским и английским текстом. По метаданным, модель имеет 74,4 млн параметров, архитектуру RobertaForMaskedLM и контекст до 514 токенов. Автор указывает, что обучение проводилось на корпусе объёмом 100 ГБ: 50 ГБ вьетнамских и 50 ГБ английских текстов. Модель предназначена для задачи fill-mask: она предсказывает пропущенные токены в тексте, где они заменены специальной маской. Её можно применять как компактный энкодер для языковых экспериментов и обработки вьетнамских или английских текстов. Доступны веса в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель 0xnu/european-license-plate-recognition предназначена для обнаружения европейских автомобильных номерных знаков на изображениях. Детектор построен на YOLOv12 Nano, содержит около 3 млн параметров, принимает изображения размером 640×640 пикселей и выдаёт ограничивающие рамки номеров. Для распознавания текста README указывает отдельный компонент EasyOCR с поддержкой английского, немецкого, французского, испанского, итальянского и нидерландского языков; метаданные классифицируют модель как object-detection и указывают формат ONNX. Модель подходит для мониторинга дорожного движения, парковок, пунктов взимания платы, контроля доступа транспорта и правоохранительных сценариев. В README заявлены скорость 7,6 кадра в секунду и 100% показатели обнаружения и извлечения текста, однако методика оценки не приведена. Модель оптимизирована для европейских форматов номеров; точность распознавания текста зависит от качества изображения и условий съёмки, а скорость — от оборудования. Лицензия в метаданных — MIT.

JJTsao разработал дообученную модель Sentence Transformers для поиска фильмов и сериалов по смысловым запросам. Она создаёт плотные текстовые эмбеддинги на основе BERT и предназначена для векторного поиска в рекомендательных и RAG-системах: запросы могут описывать жанр, сюжетные детали, год, режиссёра, темы или настроение произведения. Модель дообучена на базе BAAI/bge-base-en-v1.5 с использованием более 32 тысяч синтетических триплетов и подбора негативных примеров. По оценке автора на 3 598 отложенных запросах она превзошла базовую модель по Recall@1, Recall@3 и Recall@5. Размер — 136,7 млн параметров, контекст — 512 токенов; модель принимает текст и выдаёт эмбеддинги. Поддерживается английский язык. Лицензия — Apache-2.0. Модель рассчитана на поиск по каталогам фильмов и сериалов, а не на генерацию рекомендаций или ответов: обычно её эмбеддинги сравнивают по косинусному сходству с заранее подготовленными представлениями документов. Качество зависит от состава каталога и формулировки запроса; опубликованная оценка относится к набору запросов автора и сама по себе не гарантирует аналогичных результатов на других данных.

Friendliness_binary — дообученная модель на базе microsoft/deberta-v3-base для бинарной классификации текста по признаку дружелюбия. Модель разработана автором репозитория ajrayman; сведения о наборе данных и деталях обучения в карточке отсутствуют. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,6463 и F1 0,6773, поэтому предсказания могут быть ненадёжными, особенно для текстов, отличающихся от данных оценки. Распространяется по лицензии MIT.

Xenova/gelan-c_all — версия модели детекции объектов GELAN-C, подготовленная Xenova в формате ONNX для использования с библиотекой Transformers.js. Модель принимает изображения и находит на них объекты, возвращая рамки и метки классов. Репозиторий предназначен для запуска детекции объектов в JavaScript-приложениях, в том числе в веб-среде. Карточка указывает архитектуру семейства YOLOv9 и совместимость весов ONNX с Transformers.js. Модель опубликована по лицензии GPL-3.0. Подробности о поддерживаемых классах объектов и показателях качества в карточке не приведены.

GRAMT-Binaural-Time — модель представлений пространственного звука, разработанная Гоксенином Юкселем. Это вариант семейства GRAM для извлечения признаков из бинаурального двухканального аудио; модель обучена на AudioSet методом самообучения и использует многоканальный masked auto-encoder с ViT-Base Transformer из 12 слоёв и механизмом MWMAE. Репозиторий предоставляет веса в формате safetensors и библиотеку Transformers. Модель предназначена для получения аудиопредставлений, которые можно использовать в классификации звуков окружающей среды, распознавании речи в шумных и реверберирующих условиях, подсчёте говорящих и локализации источников звука. Пространственная обработка и устойчивость к шуму и реверберации — ключевые заявленные свойства; выходные эмбеддинги можно передавать в обучаемую линейную голову для downstream-задач. Для входа требуется двухканальное бинауральное аудио; модель выдаёт признаки, а не готовые транскрипции или метки задач. README заявляет поддержку всех языков для речевых сценариев, с основным акцентом на английский. Лицензия — MIT. Результаты зависят от формата и качества аудио, а для прикладной классификации или распознавания обычно требуется отдельная downstream-модель или обученная голова.

GRAMT-Mono — модель извлечения признаков из аудио, разработанная Гёксенином Юкселем. Это вариант семейства GRAM, обученного на AudioSet для получения пространственных аудиопредставлений. Архитектура основана на 12-слойном ViT-Base Transformer и многоканальном masked autoencoder; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения признаков, которые можно использовать в классификации окружающих звуков, локализации источников, подсчёте говорящих и распознавании речи в шумной или реверберирующей среде. GRAM разработан для пространственного аудио; семейство поддерживает бинауральные и четырёхканальные Ambisonics-сценарии. Для обработки текста модель не предназначена, хотя в карточке говорится о поддержке разных языков для речевых задач с преимущественным фокусом на английский. Модель распространяется по лицензии MIT. README описывает семейство GRAM в целом, поэтому конкретные характеристики именно варианта Mono, включая формат ожидаемого аудиовхода, из карточки определить нельзя. Также заявленные сильные результаты относятся к downstream-оценкам семейства, а не обязательно к этому варианту отдельно.

GUS-Net (BERT) — модель для обнаружения социально предвзятой лексики на уровне токенов, разработанная в рамках проекта Attention Atlas для магистерской работы по интерпретируемому выявлению предвзятости. Это дообученная на корпусе GUS-Net модель BERT-base-uncased с архитектурой BertForTokenClassification, примерно 136,7 млн параметров и контекстом до 512 токенов. Она размечает английский текст семью BIO-метками, объединёнными в категории стереотипов, обобщений о группах и несправедливых или уничижительных высказываний; оценки для меток рассчитываются независимо, после чего применяются пороги, опубликованные для этого чекпойнта. Модель предназначена для аудита текстов и выделения фрагментов, которые требуют проверки человеком, а также для исследовательского анализа внимания трансформера. В обучающих данных знаки препинания отделены от слов и не размечаются как предвзятость. Модель имеет лицензию Apache-2.0. Её точность зависит от категории: распознавание несправедливых высказываний заметно слабее других категорий, а регуляризация разреженности снижает полноту. Это инструмент для анализа английского текста, а не источник окончательных решений о предвзятости.

HHousen/household-rooms — классификатор изображений на базе Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для распознавания категорий комнат в доме по изображению. Веса представлены в формате PyTorch; размер модели составляет 113,2 млн параметров. HuggingPics описывает её как пользовательский классификатор, созданный на демонстрационном ноутбуке Google Colab. Карточка не сообщает список классов, языковые возможности или подробности обучения. Условия лицензирования в доступных данных не приведены.

Hush — модель подавления шума и фоновой речи для голосовых ИИ-систем, разработанная Weya AI. Она обрабатывает входящий аудиопоток и в реальном времени выделяет речь одного собеседника, снижая фоновые шумы и голоса других людей. Модель работает непосредственно с акустическим сигналом и не зависит от языка речи; она предназначена для голосовых агентов по телефону, ботов контакт-центров, голосовых помощников и конвейеров транскрибации. Архитектура модели — DfNetSE; веса представлены в формате PyTorch, также README описывает вариант развёртывания через ONNX. Заявлены размер 8 МБ, обработка на CPU и задержка менее 1 мс на каждые 10 мс аудио. Модель обучалась на более чем 10 000 часах смешанного аудио. Лицензия — Apache-2.0. Модель рассчитана на аудио с частотой дискретизации 16 кГц; записи с другой частотой нужно предварительно пересэмплировать. Подавление конкурирующих голосов может быть неполным при очень громком фоне: модель обучалась на голосах с отношением сигнал/помеха 12–24 дБ. Маска фонового говорящего служит вспомогательным компонентом обучения и не является отдельным выходом разделения источников.

mideind/IceBERT-PoS — модель Miðeind для разметки частей речи и атрибутов слов в исландском языке. Она принимает предварительно токенизированные списки слов и возвращает для них структурированные метки; также поддерживается формат IFD (Icelandic Frequency Dictionary), в том числе для оценки на MIM-GOLD и совместимости с традиционными исландскими POS-теггерами. Для предсказаний доступны методы подготовки входов и обработки батча. Модель основана на архитектуре IceBertPosForTokenClassification, содержит около 151,6 млн параметров и принимает последовательности длиной до 514 токенов. В метаданных указана библиотека Transformers и формат весов safetensors. Для контроля токенизации подаются списки слов, а очень длинные последовательности могут вызвать ошибку; усечение по умолчанию отключено. Лицензия в предоставленных данных не указана.

novita выпустила DSpark — черновую модель для ускорения генерации Kimi-K2.7-Code методом speculative decoding. Она предлагает несколько следующих токенов, а основная модель проверяет их; для работы нужны базовая модель Kimi-K2.7-Code и сервер vLLM с поддержкой DSpark. Архитектура черновой модели включает три слоя с GQA и блок генерации размером 8, а также головы Markov logit-bias и оценки уверенности. Веса представлены одним файлом Safetensors в формате bf16 размером 6,3 ГБ. В README указана обученная длина последовательности 20 000 токенов. По приведённым авторами замерам на отдельных тестах конфигурация с семью спекулятивными токенами ускоряла генерацию в 2,34–2,78 раза; эти результаты относятся к описанной настройке vLLM и не гарантируют такой же прирост на других запросах и оборудовании. Модель предназначена для ускорения генерации кода, математических решений и рассуждений основной моделью, а не для самостоятельного использования. Для запуска требуется совместимый vLLM nightly; в README также описаны возможные проблемы с планированием внимания и захватом CUDA-графа, для которых предложены обходные настройки. Производная основана на moonshotai/Kimi-K2.7-Code. Условия лицензии в предоставленных материалах не указаны.

LUAR-CRUD — модель семейства LUAR для извлечения представлений авторского стиля. Она обучена на подвыборке Pushshift Reddit Dataset: данных комментариев 5 миллионов пользователей за период с января 2015 года по октябрь 2019 года; в выборку включены авторы, опубликовавшие не менее 100 комментариев. Модель предназначена для получения векторных представлений текстов, отражающих особенности авторского стиля, и может использоваться в задачах сравнения или анализа авторства. Модель представлена в форматах PyTorch и Safetensors, использует плотную архитектуру LUAR и доступна по лицензии Apache-2.0. Карточка ссылается на публикацию Learning Universal Authorship Representations, представленную на EMNLP в 2021 году. Данные обучения получены с Reddit, поэтому перенос результатов на другие платформы, жанры и короткие тексты может быть ограничен; README не приводит количественных оценок качества.

Attach3 разработала manga-face-detector-dfine-v1 — модель обнаружения лиц на изображениях манги. Это дообученная версия Attach3/manga-panel-detector-dfine на наборе Attach3/manga109s-faces-single, построенная на архитектуре D-FINE для обнаружения объектов. Модель предназначена для локализации лиц на страницах манги и может использоваться при автоматической разметке или анализе изображений. В README приведены результаты оценки: mAP 0,2875 и mAP@50 0,5672; показатели различаются для объектов разных размеров. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0. Сведения о поддерживаемых языках и ограничениях применения в карточке отсутствуют.

MaxViT Tiny TF 224 IN1K — модель классификации изображений семейства MaxViT, обученная авторами статьи в TensorFlow на ImageNet-1k и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Она предназначена для отнесения изображений к классам ImageNet и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Архитектура MaxViT сочетает блоки свёртки MBConv и два вида самовнимания: по окнам и по сетке. В модели около 30,9 млн параметров; расчётная сторона входного изображения — 224 пикселя. Репозиторий содержит веса PyTorch и safetensors. Модель обучена на ImageNet-1k и рассчитана на классификацию изображений общего назначения. Лицензия — Apache-2.0. README не приводит отдельные показатели качества именно для этого варианта, поэтому результаты на других наборах данных могут отличаться.

Это дообученная модель класса DistilBertForMaskedLM для заполнения пропусков в тексте. Она обучена на датасете gokuls/wiki_book_corpus_complete_processed_bert_dataset; в карточке приведены результаты оценки: loss 3,7039 и accuracy 0,3843. Модель использует архитектуру HybridBERT и поддерживает контекст длиной до 512 токенов. Модель предназначена для предсказания замаскированных токенов в тексте. Сведения о разработчике базовой модели, языках, условиях лицензии и ограничениях применения в карточке отсутствуют.

moralBERT-predict-loyalty-in-text — модель классификации текста, опубликованная пользователем vjosap на Hugging Face. Она предназначена для определения выраженности или наличия темы лояльности в тексте, в рамках набора моделей MoralBERT для предсказания моральных ценностей. Модель содержит около 0,1 млрд параметров и опубликована в формате Safetensors с лицензией MIT. Карточка указывает задачу text-classification; сведений об архитектуре, языках, контекстном окне и обучающих данных в доступных источниках нет.

Morality_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста. Она оценивает текст по непрерывной шкале, связанной с моральностью; в карточке приведены результаты оценки на тестовом наборе: RMSE 0,2227, MAE 0,1695 и корреляция 0,4437. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт оценку для входного текста. Модель может применяться для автоматической оценки моральной окраски текста и анализа таких оценок в исследовательских или прикладных системах. Карточка не раскрывает сведения о разметке и датасете, поэтому интерпретация шкалы и переносимость результатов на другие данные требуют отдельной проверки. Лицензия — MIT.

NepaliBERT (Phase 1) — языковая модель на основе BERT, обученная для непальского языка командой Rajan. Это модель с архитектурой BertForMaskedLM и примерно 95 млн параметров, обученная методом masked language modeling. Она принимает текст с маскированным токеном и предсказывает наиболее вероятные варианты его заполнения; доступна через библиотеку Transformers в формате PyTorch. Модель предназначена для непальских текстов и может служить основой для экспериментов и прикладных задач, использующих предсказание пропущенных слов. Контекст модели — до 512 токенов. В карточке указана первая фаза модели; сведений о лицензии и специальных ограничениях применения нет.

OmicAI-9B — модель семейства OmicAI от разработчиков omicverse, предназначенная для анализа омиксных данных и взаимодействия с инструментами omicverse. Это диалоговая модель генерации текста на базе XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B с архитектурой Qwen3.5-9B; её дообучили методом LoRA на траекториях OmicOS и OmicVerse, затем объединили адаптер с базовой моделью. Данные обучения включают воспроизведение опубликованных омиксных исследований, написание и выполнение кода, вызовы инструментов и восстановление после ошибок исполнения. Модель подходит для воспроизведения вычислительных анализов из научных публикаций, помощи с кодом и многошаговых задач в omicverse. Для запуска используется библиотека Transformers; карточка рекомендует шаблон чата qwen3_5, соответствующий обучению. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Метаданные указывают поддержку английского языка.

FreeFlow-L · spring — модель для оценки плотного оптического потока между двумя RGB-изображениями одинакового размера. В README указано 230 721 029 параметров; репозиторий использует PyTorch и формат safetensors. Модель принимает пару изображений в тензоре формы [B,2,3,H,W] со значениями пикселей от 0 до 255 и вычисляет соответствие движения между ними. Это дообученная версия a-yakovenko/optical-flow-FreeFlow-L-TaTSKH-HQ, разработанная автором репозитория. Она предназначена для задач анализа движения между кадрами, например для оценки перемещения объектов и пикселей в последовательностях изображений. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и запрещает коммерческое использование.

shibing624/parrots-chinese-roberta-wwm-ext-large — модель семейства BERT с архитектурой BertForMaskedLM и 424,3 млн параметров. Репозиторий содержит веса PyTorch; модель обучена для китайского языка и принимает контекст длиной до 512 токенов. Основное назначение модели — восстановление замаскированных токенов в китайском тексте. Метаданные также отмечают поддержку text-to-speech, однако README этого не описывает, а архитектура masked language model сама по себе не подтверждает синтез речи. Модель выпущена под лицензией Apache-2.0.

Qwen2.5-Coder-3B-Instruct-NL2SH — дообученная модель группы Anyscale Learning For All (ALFA) при MIT-CSAIL для преобразования инструкций на английском языке в команды Bash. Она основана на Qwen/Qwen2.5-Coder-3B-Instruct, содержит 3,1 млрд параметров и использует архитектуру Qwen2 с генерацией текста; базовый контекст составляет 32 768 токенов. Модель обучена на наборе NL2SH-ALFA и распространяется в формате Safetensors по лицензии MIT. Модель подходит для изучения Bash и экспериментов с переводом естественного языка в команды оболочки. На тестовом наборе InterCode-ALFA она показала точность 0,51. Она может генерировать чрезмерно сложные или неправильные команды, включая команды, способные удалить данные или повредить систему. Разработчики не рекомендуют использовать её в производственных или автоматизированных сценариях без проверки человеком; она рассчитана на английские инструкции, одиночные команды Bash и не предназначена для других языков или многострочных скриптов.