II.8Инженерия данных и аналитика

Qwen3.6-35B-A3B-DFlash2 — черновая модель DFlash 2 от incoai для ускорения генерации целевой моделью Qwen/Qwen3.6-35B-A3B. Это не самостоятельная языковая модель: она работает в сервере спекулятивного декодирования и предлагает целевой модели блоки токенов для проверки. Модель использует блочную диффузию, предсказывая целый блок за один проход, и селектор, который выбирает согласованный путь среди кандидатов. В метаданных указаны 798 млн параметров и контекст базовой модели до 262 144 токенов. При точной жадной генерации результат совпадает с выводом целевой модели; при сэмплировании сохраняется её распределение. В приведённых тестах с SGLang DFlash 2 повысил пропускную способность относительно авторегрессионного декодирования и встроенного MTP на наборах GSM8K, MATH-500 и HumanEval. Для работы нужны целевая модель и совместимый сервер спекулятивного декодирования; README приводит запуск через SGLang. Весовые файлы доступны в формате safetensors по лицензии Apache-2.0.

Карточка модели Arsh9210/Real-time_RE-USE на Hugging Face совпадает с карточкой nvidia/Real-time_RE-USE, поэтому описание составлено по ней. Real-time RE-USE — модель NVIDIA для потокового универсального улучшения речи. Она очищает аудио от шума и других искажений, сохраняя речевое содержание, голос говорящего и просодические особенности. Модель предназначена для обработки речи в реальном времени и позволяет выбирать из 30 конфигураций задержки, чтобы учитывать ограничения вычислительных ресурсов и требования приложения. Архитектура включает свёрточные кодировщик и декодировщик и Mamba для моделирования временно-частотных характеристик; сеть содержит до 12 слоёв и около 3,7 млн параметров. Модель принимает монофонические WAV-файлы с частотой дискретизации от 8 до 48 кГц, поддерживает несколько входных частот и заявлена как независимая от языка. В карточке указаны устойчивость к шуму, реверберации, клиппингу, ограничению полосы, артефактам кодеков и потере пакетов. Модель подходит для предварительной очистки аудио перед распознаванием речи, улучшения звука видеоконференций и постобработки синтезированной речи. NVIDIA указывает Linux и GPU NVIDIA Ampere (A100) как предпочтительную среду. Разработчик позиционирует модель для исследований и разработок; лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория. Качество на конкретных данных и сценарии применения необходимо оценить отдельно.

RegNetX-12GF — сверточная модель для классификации изображений и извлечения признаков, представленная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-1k и содержит 46,1 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. Модель можно использовать как классификатор или как основу для получения карт признаков и эмбеддингов изображений. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, понижение скорости обучения по слоям и настройку выходного шага через дилатацию, а также настройку функций активации и нормализации. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT.

RepGhostNet 1.3.0 — модель классификации изображений и извлечения признаков из семейства RepGhostNet, опубликованная авторами статьи RepGhost и обученная на ImageNet-1k. Она подходит для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов в приложениях компьютерного зрения. Модель содержит около 5,5 млн параметров, обрабатывает изображения размером 224 × 224 и имеет вычислительную стоимость около 0,2 GMAC. Архитектура использует аппаратно-эффективный модуль Ghost с перепараметризацией. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

ResNet-101 Gluon In1k — свёрточная модель классификации изображений и извлечения признаков, представленная в библиотеке timm. Она обучена на ImageNet-1k в Apache Gluon по рецептам Bag of Tricks. Архитектура ResNet-B использует активации ReLU, свёртку 7×7 с пулингом и обходные соединения с проекцией 1×1; модель содержит 44,5 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

Репозиторий smp-hub содержит предварительно обученные на ImageNet веса ResNet-50, предназначенные для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель также подходит для классификации изображений, что указано в метаданных Hugging Face. ResNet-50 — сверточная нейросеть для обработки изображений. В карточке указаны веса в формате safetensors и лицензия other. Сведений о размере модели и языках в карточке нет.

RexReranker Large — англоязычная модель-реранкер для электронной торговли, разработанная на основе RexBERT-large. Она оценивает релевантность пары «поисковый запрос — карточка товара» и возвращает вероятность от 0 до 1. Модель совместима с Sentence Transformers CrossEncoder и использует mean pooling по токенам. Модель предназначена для повторного ранжирования результатов товарного поиска на маркетплейсах и в интернет-магазинах. На вход подаются запрос и сведения о товаре, включая название и описание; базовый энкодер ModernBERT имеет контекст до 7 999 токенов. Модель содержит 394,7 млн параметров и дообучена на датасете Amazebay-Relevance. Модель распространяется по лицензии Apache-2.0. Она ориентирована на англоязычные запросы и товары; качество на других языках по имеющимся данным не подтверждено. Выходная оценка релевантности является вероятностным скалярным результатом и сама по себе не гарантирует качество ранжирования для конкретного каталога.

RobBERTje-1-gb-bort — нидерландская языковая модель из семейства RobBERTje, разработанного исследовательской группой DTAI KU Leuven. Это дистиллированная модель на базе RobBERT, обученная на корпусе OSCAR объёмом 1 ГБ; вариант bort использует отдельные настройки обучения, подробности которых в доступном фрагменте карточки не раскрыты. Модель основана на архитектуре RoBERTa, содержит 47,2 млн параметров и принимает текст с маскированными токенами, предсказывая вероятные подстановки. Контекст — до 514 токенов. Модель предназначена для предсказания пропущенных слов в нидерландском тексте и как компактная языковая основа для экспериментов и downstream-задач. В карточке указаны оценки вариантов RobBERTje на задачах классификации отзывов, распознавания именованных сущностей, разметки частей речи и определения текстового следования; эти результаты не следует считать гарантией качества именно варианта bort. Лицензия — MIT.

acul3/roberta-base-indo — базовая модель RoBERTa для индонезийского языка, разработанная владельцем репозитория acul3. Это модель masked language modeling: она принимает текст с маской и предсказывает подходящие слова для её заполнения. Модель обучена на датасете KoPI и содержит 151,8 млн параметров; максимальная длина контекста составляет 514 токенов. Модель подходит для восстановления пропусков и как основа для задач обработки индонезийского текста, требующих дообучения. Доступны веса PyTorch. Лицензия — CC; конкретная разновидность лицензии в метаданных не уточнена.

ku-nlp/roberta-large-japanese-char-wwm — крупная японская языковая модель RoBERTa, разработанная KU NLP и предварительно обученная на японской Википедии и японской части корпуса CC-100. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling. Модель содержит 421,5 млн параметров, использует посимвольную токенизацию SentencePiece и whole word masking. Словарь включает 18 377 токенов, длина контекста — 514 токенов. Модель принимает обычный текст без предварительной токенизации и выдаёт предсказания замаскированных токенов. Доступна в форматах PyTorch и safetensors. Лицензия — CC BY-SA 4.0. Карточка описывает предварительное обучение; дополнительные специализированные возможности не заявлены.

KLUE RoBERTa small — предварительно обученная на корейском языке модель семейства RoBERTa, опубликованная проектом KLUE. Она предназначена для заполнения пропусков в тексте: модель предсказывает слово или токен, скрытый специальной маской. Чекпойнт содержит 81,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 514 токенов. Модель работает с текстом на корейском языке и доступна в форматах PyTorch и safetensors. Для токенизации карточка рекомендует BertTokenizer; AutoTokenizer загружает его автоматически. Это базовая предварительно обученная модель, которую можно использовать для заполнения масок или адаптировать к другим задачам обработки корейского языка. Лицензия в предоставленных данных не указана.

RoBERTa Tagalog Base — базовая языковая модель для филиппинского языка тагаль (Filipino), разработанная авторами проекта и обученная на корпусе TLUnified. Это регистрозависимая модель архитектуры RoBERTa с примерно 136,3 млн параметров и контекстом до 514 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для заполнения пропусков в тексте: она предсказывает скрытые токены по окружающему контексту. Её можно использовать как основу для экспериментов и разработки NLP-инструментов для текстов на тагальском языке; карточка отмечает более крупный и тематически разнообразный корпус предобучения по сравнению с предыдущей моделью авторов. Лицензия — CC BY-SA 4.0.

Это исследовательский чекпойнт whr778, созданный для эксперимента с масштабированием данных и инициализацией голов извлечения событий. В основе — энкодер mmBERT-base от jhu-clsp с новыми головами GLiNER2, прогретыми на примерно 40 тысячах многоязычных записей о событиях и их аргументах в течение пяти эпох. Для обучения использовалось окно контекста 2048 токенов. Модель предназначена как промежуточная инициализация для последующего дообучения под извлечение событий или другую задачу извлечения структурированной информации. Это не готовая модель для конкретной downstream-задачи и не универсальный извлекатель; README приводит RAMS как пример последующего дообучения. Качество разметки ограничено исходными корпусами событий, а сама модель не оценивалась как универсальная. Лицензия в доступных данных не указана.

Карточка модели rac123/segformer_b2_clothes на Hugging Face совпадает с карточкой mattmdjaga/segformer_b2_clothes, поэтому описание составлено по ней. SegFormer B2 от автора mattmdjaga — модель семантической сегментации изображений, дообученная на датасете ATR для распознавания элементов одежды и частей человека. Она размечает изображение по 18 классам: среди них фон, головной убор, волосы, очки, верхняя одежда, юбка, брюки, платье, обувь, лицо, конечности, сумка и шарф. Модель предназначена для выделения одежды и частей тела на изображениях людей. Её можно применять для анализа образа, виртуальных примерок и разметки изображений для последующей обработки. В README приведены метрики оценки: средняя точность 0,80 и средний IoU 0,69; качество различается между классами. Модель принимает изображения и выдаёт карту сегментации. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

sayeed99/segformer-b2-fashion — модель семантической сегментации изображений на основе SegFormer B2, дообученная на наборе данных sayeed99/fashion_segmentation. Она размечает пиксели изображения категориями одежды, аксессуаров и деталей: например, футболками, брюками, обувью, сумками, рукавами, карманами, молниями и декоративными элементами. Модель подходит для анализа модных изображений, выделения предметов одежды и их частей, а также подготовки разметки для каталогов и визуальных приложений в сфере моды. Модель принимает изображение и выдаёт карту семантических классов с 47 метками, включая «Everything Else». В карточке указан формат PyTorch и веса Safetensors. Она создана дообучением nvidia/mit-b2; лицензия в метаданных обозначена как other, поэтому условия использования следует проверять в репозитории модели и связанных материалах. В карточке не приведены сведения о языковой поддержке или числовой оценке качества.

SpecTTTra-β — модель классификации аудио из проекта SONICS, разработанного для выявления синтетических песен. Она отличает песни, созданные целиком генеративными системами, от песен человеческого происхождения; вариант β рассчитан на аудиофрагменты длительностью 5 секунд. Модель предназначена для проверки подлинности музыки и исследований в области обнаружения AI-генерируемых песен. Архитектура SpecTTTra (Spectro-Temporal Tokens Transformer) включает 12 слоёв, 6 голов внимания и размер эмбеддинга 384. Аудио обрабатывается с частотой 16 кГц с использованием мел-спектрограммы из 128 полос. Для варианта β в README указаны F1 0,78, чувствительность 0,69 и специфичность 0,94. Модель опубликована под лицензией MIT. В метаданных указан английский язык; других языков карточка не подтверждает.

stanfordnlp/stanza-gd — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа шотландского гэльского языка. Она предназначена для обработки текста и решения задач NLP; карточка репозитория указывает задачу классификации токенов. Stanza предлагает инструменты анализа от исходного текста до синтаксического разбора и распознавания сущностей, однако эта карточка не уточняет, какие именно компоненты входят в данный чекпойнт. Модель распространяется в формате PyTorch по лицензии Apache-2.0. В метаданных не указаны размер параметров и длина контекста.

suredream/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная модель компьютерного зрения на основе Swin-Tiny от Microsoft. Она предназначена для классификации изображений; название репозитория указывает на настройку для EuroSAT, однако README сообщает лишь о неизвестном наборе данных и не подтверждает его состав. Модель содержит около 33 млн параметров и распространяется в формате safetensors. В README указаны результаты оценки: accuracy 0,9756 и loss 0,0778; описание набора данных и подробности оценки отсутствуют. Лицензия — Apache-2.0.

Trash-Net — модель классификации изображений отходов, разработанная на основе Google SigLIP 2 и дообученная на наборе данных garythung/trashnet. Она использует архитектуру SiglipForImageClassification и присваивает изображению одну из шести меток: картон, стекло, металл, бумага, пластик или прочий мусор. Модель предназначена для сортировки отходов и может применяться в системах переработки, мониторинге общественных пространств, образовательных проектах и умных городских системах. Она принимает изображения и выдаёт категорию отхода; для работы доступна библиотека Transformers. Модель распространяется по лицензии Apache-2.0.

Video Depth Anything Base в формате MLX — конверсия модели depth-anything/Video-Depth-Anything-Base, разработанной ByteDance и отмеченной как highlight на CVPR 2025. Модель оценивает глубину по монокулярному видео, выдавая согласованные во времени карты глубины. Архитектура включает backbone DINOv2 и временную голову DPT; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения структуры сцены и оценки расстояний по последовательности видеокадров. В README указана проверка относительно реализации PyTorch: максимальная относительная ошибка около 1e-5 на CPU и около 1% на GPU с fast-math в Metal. Лицензия — Apache-2.0.

Video Depth Anything Small (Metric) в формате MLX — конверсия модели depth-anything/Metric-Video-Depth-Anything-Small, разработанной ByteDance и представленной как highlight на CVPR 2025. Модель оценивает глубину по монокулярному видео: архитектура сочетает backbone DINOv2 и временную голову DPT, а метрическая версия предсказывает абсолютную глубину в метрах. Модель предназначена для получения согласованных оценок глубины на последовательности видеокадров. README сообщает о сравнении с эталонной реализацией PyTorch: максимальная относительная ошибка составляет около 1e-5 на CPU и около 1% на GPU с fast-math в Metal. Репозиторий содержит конвертированные веса safetensors для MLX. Лицензия — Apache-2.0.

minhah/videomae-base-finetuned-ucf101-subset — видеомодель VideoMAE, дообученная на основе MCG-NJU/videomae-base для классификации видео. Модель содержит 113,2 млн параметров и сохранена в формате safetensors. Она предназначена для отнесения видео к классам. На указанном в карточке наборе для оценки достигла точности 0,8839 при значении функции потерь 0,4364. README называет обучающие данные неизвестным набором, хотя название репозитория указывает на подмножество UCF101. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Оценка качества относится только к указанному набору для оценки; состав классов и применимость к другим видео не описаны.

Модель Jzuluaga/wav2vec2-large-960h-lv60-self-en-atc-uwb-atcc разработана Хуаном Зулуагой-Гомесом и соавторами как дообученная версия facebook/wav2vec2-large-960h-lv60-self для автоматического распознавания англоязычных сообщений диспетчерского управления воздушным движением. Она использует архитектуру Wav2Vec 2.0 с CTC-выходом, содержит 402,7 млн параметров и принимает аудио, выдавая текст. Модель обучена на корпусе UWB-ATCC; на его тестовой выборке указана WER 0,1756. Карточка рекомендует применять её для радиопереговоров ATC и предупреждает, что качество на иных корпусах, например LibriSpeech или Common Voice, может быть ниже. Лицензия — Apache-2.0.

Модель alefiury/wav2vec2-xls-r-300m-pt-br-spontaneous-speech-emotion-recognition — классификатор эмоций в спонтанной речи на базе Wav2Vec2 XLS-R. По карточке, модель заняла первое место в треке распознавания эмоций речи на воркшопе SE&R 2022 по португальскому языку. Она принимает аудио и относит речь к эмоциональным классам; обучалась на португальском CORAA SER, итальянском EMOVO, англоязычном RAVDESS и арабском BAVED. Архитектура — Wav2Vec2ForSequenceClassification; размер по метаданным — 402,7 млн параметров. На тестовой части CORAA SER модель показала accuracy 0,9090 и macro F1 0,8187. Эти результаты относятся к указанному тестовому набору и не гарантируют аналогичного качества на других языках, типах записи или схемах эмоциональных меток. Лицензия репозитория — Apache-2.0.

X-Codec HuBERT LibriSpeech — аудиокодек из семейства X-Codec, обученный для речи на LibriSpeech. В качестве семантической модели использует facebook/hubert-base-ls960; реализация доступна в формате safetensors через Transformers. Кодек предназначен для извлечения признаков речи и её представления при разных битрейтах, включая 0,5, 1, 1,5, 2 и 4 кбит/с. Модель опубликована под лицензией CC BY 4.0. Модель ориентирована на английскую речь из LibriSpeech. Карточка показывает примеры кодирования с несколькими битрейтами, но не описывает конкретные ограничения качества или рекомендованные условия применения.

keremberke/yolov5n-license-plate — модель семейства YOLOv5 для обнаружения номерных знаков на изображениях. Она предназначена для сценариев компьютерного зрения, где требуется находить автомобильные номера и получать их координаты в виде рамок объектов. В метаданных указаны задача обнаружения объектов, библиотека yolov5, формат PyTorch и набор данных keremberke/license-plate-object-detection. README содержит только краткое указание на использование библиотеки yolov5. Сведения о точности, поддерживаемых регионах и языках номеров, размере модели и условиях лицензии в доступных источниках отсутствуют.

Zeno Fragility Beta — компактная экспериментальная модель команды Zeno для оценки хрупкости уверенных прогнозов. Она анализирует прогнозы существующих моделей, рынков и других предсказателей и ранжирует те, которые могут не сбыться, сопоставляя их с историей похожих прогнозов. Оценка сюрприза зависит от выбранного ориентира: толпы, прошлых прогнозов самого источника или его коллег. Модель предназначена для раннего предупреждения о ненадёжных прогнозах и, для физических датчиков, корректировки среднего прогноза толпы. Это ансамбль градиентно-бустинговых деревьев по источникам с логистическим резервным вариантом, реализованный на scikit-learn; в README указано 62 880 обученных параметров. Репозиторий содержит версии ONNX и safetensors. Модель рассчитана на табличные сигналы, работает на обычном ноутбуке без GPU и обучена на 38 459 уверенных прогнозах с известными исходами из шести источников. В README приведены результаты для рынков прогнозов, криптовалют и RSV, а также выигрыш корректировки на данных физических датчиков. Авторы отмечают, что качество различается по источникам и что корректировка используется лишь там, где подтверждён выигрыш над простым средним. Это исследовательская бета: оценки ранжируют прогнозы, но не являются калиброванными вероятностями. Лицензия — Apache-2.0.

RogerB/afro-xlmr-large-kinre-finetuned — дообученная модель XLM-RoBERTa, основанная на Davlan/afro-xlmr-large. Она предназначена для предсказания пропущенных токенов в тексте: замените часть текста маской, чтобы получить вероятные варианты заполнения. Модель имеет архитектуру XLMRobertaForMaskedLM и содержит 658,7 млн параметров; максимальный контекст — 514 токенов. Базовая модель адаптирована для африканских языков, поэтому модель подходит для языковых задач в этом контексте. В README указана оценка Loss 1.2280 на наборе оценки, однако датасет, методика оценки и конкретные языки дообучения не описаны. Модель распространяется под лицензией MIT.

AI-Music-Detection/ai_music_detection_large_10.24s — модель классификации аудио, дообученная на наборе SleepyJesse/ai_music_large на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она предназначена для определения, создан ли музыкальный фрагмент искусственным интеллектом или человеком. Архитектура — Audio Spectrogram Transformer (AST), около 113,2 млн параметров; модель принимает аудио длиной до 10,24 секунды и выдаёт класс аудиофрагмента. Для обучения использован набор SleepyJesse/ai_music_large с разделением train/test 80/20 и аугментацией аудио с вероятностью 0,8. Карточка не сообщает показатели качества и перечень поддерживаемых языков. Модель опубликована в формате safetensors и использует библиотеку Transformers. Условия лицензирования в доступных данных не описаны.

ALBERT-Persian — языковая модель семейства ALBERT, разработанная HooshvareLab для представления персидского языка. Это компактная по замыслу архитектура на основе BERT, обученная в режиме самоконтролируемого обучения; в репозитории заявлено 136,3 млн параметров и поддержка контекста до 512 токенов. Модель предназначена для подстановки пропущенных токенов в персидском тексте и может использоваться как основа для языкового анализа и последующей адаптации. Модель принимает текст и предсказывает замаскированные фрагменты. Доступны веса PyTorch и TensorFlow. Поддерживаемый язык — персидский. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.