II.8Инженерия данных и аналитика

Модель lenguist/longformer-coherence-synthetic-classifier — дообученная версия allenai/longformer-base-4096 на основе архитектуры Longformer, предназначенная для классификации текста. Число параметров — 151,8 млн, контекст — до 4098 токенов. По названию модель ориентирована на классификацию связности синтетических текстов, однако карточка не раскрывает целевые классы и подробности применения. На оценочной выборке указаны loss 0,0289 и accuracy 0,9945; состав выборки и методика оценки не описаны, поэтому эти показатели не позволяют судить о качестве на других данных. Модель принимает текст и выдаёт результат классификации. Лицензия — Apache-2.0.

Marigold Depth LCM v1-0 — модель оценки глубины по одному изображению, разработанная Bingxin Ke, Kevin Qu и соавторами. Это генеративная модель на основе латентной диффузии, дообученная с помощью дистилляции latent consistency на базе prs-eth/marigold-depth-v1-0 для более быстрой оценки монокулярной глубины. Модель строит аффинно-инвариантную карту глубины: значения от 0 до 1 показывают относительное расстояние от ближней до дальней плоскости, выбранных моделью. Она рассчитана на работу с планировщиком LCM за 1–4 шага; эффективное разрешение базовой диффузионной модели составляет около 768 пикселей по длинной стороне. При ансамблировании более двух предсказаний можно получить карту неопределённости. Подходит для анализа сцен на фотографиях и других изображениях, когда требуется оценить относительную структуру глубины без специализированной камеры. Модель помечена авторами как устаревшая: рекомендуется перейти на Marigold Depth v1-1. Распространяется по лицензии Apache 2.0.

MuQ-large-msd-iter — крупная модель музыкальных представлений от проекта OpenMuQ, описанная в статье о самообучаемом обучении музыкальных представлений с остаточной векторной квантизацией по мел-спектрограммам. Модель содержит около 300 млн параметров и предварительно обучена методом self-supervised learning на Million Song Dataset. В каталоге Hugging Face она обозначена как модель классификации аудио; её можно использовать для задач анализа музыки и извлечения музыкальных представлений. Модель предназначена для исследовательских и прикладных сценариев music information retrieval. Авторы отмечают высокие результаты семейства MuQ в различных задачах MIR, однако открытый чекпойнт обучен на Million Song Dataset, и его результаты могут отличаться от опубликованных в статье из-за размера обучающих данных. Для использования предлагается официальная библиотека muq. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

yasserrmd/neurology-gemma-300m-emb — плотная модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m для работы с текстами по неврологии. Она преобразует предложения и абзацы в векторы размерности 768; сходство между ними оценивается косинусной мерой. Модель обучена на 20 000 пар текстов с использованием MultipleNegativesRankingLoss и рассчитана на последовательности длиной до 2048 токенов. Модель подходит для семантического поиска по неврологическим материалам, сопоставления медицинских вопросов и ответов, поиска перефразировок, кластеризации и классификации текстов. Это модель для получения эмбеддингов, а не для генерации ответов. В карточке и метаданных не указаны лицензия и перечень поддерживаемых языков, поэтому их нельзя достоверно описать.

nuha-ajp-mlm — арабская модель BERT, разработанная Jordan Open Source Association (JOSA) в рамках пилотного proof-of-concept проекта NUHA. Она обучена с нуля методом masked language modeling на тексте комментариев из иорданских социальных сетей и предназначена для предсказания замаскированных токенов, а также для дообучения под последующие задачи NLP, особенно для неформального иорданского и левантийского арабского языка. Модель содержит 126,7 млн параметров, имеет контекст до 512 токенов и словарь из 17 513 токенов, созданный специально по корпусу NUHA. Она может служить базой для классификаторов NUHA для выявления языка ненависти и гендерного насилия. Распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Узкая доменная специализация помогает учитывать лексику и особенности иорданских комментариев, но ограничивает перенос на другие варианты арабского языка. Корпус относительно мал и включает оскорбительные и вредоносные высказывания, поэтому модель может воспроизводить содержащиеся в данных смещения; она не предназначена для универсального арабского NLP, перевода или суммаризации.

OpenMia-Indo-Engineering-7b — разговорная модель, созданная разработчиками проекта OpenMia дообучением Mistral-7B на данных Alpaca. Она предназначена для диалога на индонезийском языке, в частности для вопросов по инженерным темам. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. В карточке указан шаблон общения с системным сообщением и пользовательским запросом. Модель отмечена авторами как альфа-версия, поэтому качество ответов может быть нестабильным. В метаданных указаны также английский и индонезийский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

pedropei/question-intimacy — англоязычная модель классификации текста на базе RoBERTa, разработанная Jiaxin Pei и David Jurgens для оценки уровня интимности вопросов и высказываний. Модель опубликована в экосистеме Hugging Face и предназначена для использования через Transformers; её задача связана с исследованием социальных норм и межличностной коммуникации в языке. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. Она работает с текстом на английском языке и относится к pipeline text-classification. Модель подходит для анализа интимности отдельных вопросов, изучения самораскрытия и социальных характеристик коммуникации, а также для исследовательского анализа корпусов Reddit, Twitter, книг и фильмов. Ограничения включают узкую специализацию на оценке интимности и англоязычный фокус; модель не предназначена для генерации текста или универсальной классификации. README карточки модели пуст, поэтому подробные сведения о формате меток, метриках качества и условиях лицензирования самой модели не подтверждены. Связанный официальный репозиторий проекта распространяется под лицензией MIT.

immanuelpeter/Qwen3.8-27B-Vision — репозиторий с визуальной частью модели Qwen3.8-27B: визуальным энкодером и обученным модулем объединения признаков. Он предназначен для извлечения признаков изображений и подготовки визуальных представлений для языковой части исходной мультимодальной модели. Архитектура включает 27 слоёв, размер скрытого состояния 1152, 16 голов внимания и обработку изображений с патчами размером 16; модуль объединения группирует пространственные токены 2×2 и преобразует признаки к ширине языковой модели 5120. Модель выдаёт исходные токены энкодера и объединённые признаки. Репозиторий содержит веса в формате safetensors и конфигурации Transformers для визуального энкодера и предобработки изображений. По README веса извлечены из Qwen/Qwen3.8-27B, а проверки показали побитовое совпадение тензоров и выходов с родительской реализацией на CPU и NVIDIA A100 в BF16. Лицензия — Apache-2.0. Это визуальный компонент, а не самостоятельная диалоговая модель; его применение предполагает интеграцию с остальной системой Qwen.

RegNetY-8GF — свёрточная модель классификации изображений из семейства RegNetY, опубликованная в репозитории timm. Эти веса предварительно обучены на ImageNet-1k участниками torchvision. Модель содержит 39,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для определения объектов и категорий на изображениях, а также для получения визуальных признаков в компьютерном зрении. Реализация timm поддерживает stochastic depth, gradient checkpointing, настраиваемые слои активации и нормализации и изменение выходного шага сети. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — BSD-3-Clause.

repvgg_a0.rvgg_in1k — сверточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm с использованием гибкой архитектуры BYOBNet. По карточке модели, её обучили авторы статьи RepVGG на ImageNet-1k. Модель содержит около 9,1 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. В timm доступны функции извлечения признаков по этапам сети. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — MIT. Качество модели зависит от соответствия входных данных ImageNet и ожидаемому размеру изображения. Карточка описывает обучение на ImageNet-1k и не приводит результатов для других наборов данных или гарантий качества в прикладных сценариях.

Koichi Yasuoka разработал японскую RoBERTa, дообученную на разметке Universal Dependencies для морфосинтаксического анализа. Модель основана на nlp-waseda/roberta-base-japanese, предварительно обученной на японской Википедии и текстах CC-100, и использует архитектуру RoBERTa с головой классификации токенов; в репозитории около 137,8 млн параметров, контекст — 514 токенов. Модель предназначена для определения частей речи и анализа зависимостей в японском тексте, включая обработку подслов с меткой goeswith. Её можно применять для автоматической грамматической разметки и подготовки данных для лингвистического анализа. Для работы через Transformers в README требуется fugashi. Лицензия — CC-BY-SA-4.0.

Koichi Yasuoka разработал эту модель на основе японской RoBERTa roberta-large-japanese-aozora, дообучив её на датасете UD_Japanese-GSDLUW для разметки частей речи и синтаксического анализа зависимостей с использованием связи goeswith для подслов. Модель обрабатывает японский текст и присваивает метки токенам; она предназначена для лингвистического анализа и построения синтаксических структур. Это плотная модель RoBERTa для классификации токенов с 659 млн параметров и контекстом до 512 токенов. Она распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Для использования через Transformers в README приведён pipeline с trust_remote_code=True и агрегацией меток; качество на других корпусах или языках в карточке не описано.

Koichi Yasuoka разработал компактную RoBERTa, предварительно обученную на японских текстах из 青空文庫 с токенизатором Japanese-LUW-Tokenizer. Модель содержит 74,3 млн параметров, использует архитектуру RobertaForMaskedLM и обрабатывает контекст длиной до 128 токенов. Модель предназначена для заполнения пропусков в тексте и дообучения под задачи японского NLP, включая разметку частей речи и синтаксический анализ зависимостей. Она принимает текст и предсказывает замаскированные токены. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0. Короткое окно контекста ограничивает её применение на длинных фрагментах; для специализированных задач потребуется дообучение.

Модель birder-project/rope_vit_reg8_b14_nps_avg_capi-dino-bio — визуальный энкодер на основе Vision Transformer RoPE ViT B/14 с восемью register-токенами и усреднённым pooling. Её разработал проект Birder и предварительно обучил методом CAPI-DINO на разнообразных изображениях живой природы; модель насчитывает 85,7 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также для использования в качестве основы для последующих задач компьютерного зрения: классификации, обнаружения объектов и сегментации. Она обучалась примерно на 31 млн изображений, включая данные iNaturalist, BIOSCAN, TreeOfLife, IP102 и iWildCam, а также закрытый набор Birder. Для обнаружения объектов энкодер может возвращать карту признаков размером 16 × 16 с 768 каналами. Это общий экстрактор признаков, не дообученный для конкретной задачи классификации. Модель распространяется по лицензии Apache-2.0; качество на конкретных целевых наборах данных зависит от последующего обучения или настройки.

Модель fireviewer/rtdetr-v2-r50-fire-smoke — двухклассовый детектор видимого дыма и пламени на изображениях, созданный FireViewer на основе RT-DETRv2-R50 от PekingU и дообученный на наборе fireviewer/fire-smoke-detection-corpus-v1. Она принимает RGB-изображения с соответствующей конфигурацией и предобработкой и возвращает рамки обнаруженных объектов с оценками уверенности: smoke_visible и flame_visible. Модель предназначена для воспроизводимой оценки и сравнения детекторов, а также как консервативный справочный вариант с меньшим числом ложных тревог. В независимой оценке на 512 изображениях показатель COCO mAP50:95 составил 0,3502; результаты для дыма и пламени различались, а опубликованный порог 0,02 относится только к протоколу оценки и не является рабочим порогом. Модель не определяет координаты, периметр или источник пожара и не должна самостоятельно использоваться для принятия экстренных решений; результаты требуют проверки человеком и внешней валидации на разных событиях и камерах. Карточка допускает исследовательское и оценочное применение, а также коммерческий инференс на условиях лицензии чекпойнта с указанием авторства. Лицензия чекпойнта отдельна от лицензии Apache-2.0 базовой модели и прав на обучающие данные; перераспространение весов, включая преобразованные или встроенные, не разрешено.

TheSon2202/SceneViT-Nano-P8-64 — компактная модель Vision Transformer для классификации изображений со сценами, разработанная автором карточки и обученная с нуля на наборе Intel Image Classification. В README указаны размер изображения 224×224 пикселя, патчи 8×8, скрытая размерность 64, 4 головы внимания и 8 слоёв. Для тестового набора заявлены точность 83,90% и Macro F1 83,95%. Модель предназначена для отнесения изображений к категориям сцен; веса доступны в форматах ONNX и safetensors и могут использоваться через Transformers или ONNX Runtime. Лицензия — MIT. Карточка указывает английский язык, однако классификация изображений не требует текстового ввода или вывода. Результаты приведены автором README и не сопровождаются описанием состава тестовой выборки или независимой оценкой.

Это компактная модель обнаружения объектов RF-DETR Nano, дообученная автором репозитория dronefreak на наборе SeaDronesSee в рамках DetectionBench. Она анализирует изображения с морских беспилотников и возвращает найденные объекты и их расположение: пловцов, лодки, гидроциклы, спасательные средства и буи. Модель предназначена для задач наблюдения и поиска людей на воде, в том числе для сценариев поисково-спасательных работ. На проверочной выборке SeaDronesSee модель показала mAP@50 72,38% и mAP@50–95 39,83%. Репозиторий распространяется под лицензией Apache-2.0. В обучающей выборке классы представлены неравномерно, а многие объекты, особенно пловцы и буи, занимают малую область изображения. Результаты измерены на validation split и не сопоставимы напрямую с оценками официального тестового набора; перенос на другие воздушные и водные сцены не проверен.

klentree/segformer-b0-scene-parse-150-20 — дообученная модель klentree на архитектуре SegFormer-B0 для семантической сегментации изображений: она присваивает категории пикселям и формирует карту сегментации. В README приведены результаты оценки: mean IoU 0,2488, mean accuracy 0,6439 и overall accuracy 0,4669; по категориям IoU составляет около 0,044 и 0,453. Модель подходит для экспериментов и прикладных задач сегментации сцен, где нужны пиксельные маски объектов или областей. README не раскрывает набор классов и особенности обучающих данных. Репозиторий использует формат safetensors; лицензия — OpenRAIL.

SSA-HuBERT-base-60k — самоконтролируемая речевая модель семейства HuBERT, представленная авторами исследования Africa-Centric Self-Supervised Pre-Training for Multilingual Speech Representation in a Sub-Saharan Context на AfricaNLP 2024. Модель содержит 113,3 млн параметров и предварительно обучена примерно на 60 тысячах часов речи на 21 языке и языковом варианте стран Африки к югу от Сахары, включая бамбара, хауса, суахили, волоф и французский. Обучающие записи включают студийную речь и шумные спонтанные уличные интервью. Модель предназначена для извлечения речевых представлений, которые можно использовать как энкодер при дообучении систем распознавания речи для отдельных языков. В README описана настройка через SpeechBrain на данных FLEURS с двумя линейными слоями и выходом softmax; приведены результаты CER и WER для распознавания без языковой модели. В репозитории доступны веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Supra-Router-51M — компактная языковая модель SupraLabs для маршрутизации запросов в системах с локальными и облачными моделями. Это дообученная на наборе SupraLabs/Prompt-Routing-Dataset модель архитектуры Llama с 51,8 млн параметров, предназначенная для запуска через Transformers. Контекст модели составляет 5120 токенов; README описывает обучение на 992 примерах и генерацию структурированного решения о маршруте. На вход подают текст запроса с префиксом `Task: [Prompt]\nAnalysis: `. Модель генерирует поля предметной области, сложности, признаков математики и кода, рекомендуемый маршрут к малой или большой модели и обоснование. Её сценарий применения — предварительная маршрутизация запросов на периферийном устройстве, чтобы простые задачи передавать локальной модели, а сложные — облачной. README заявляет детерминированную маршрутизацию и устойчивость к некоторым ключевым словам-ловушкам; независимые подтверждения этих заявлений не приведены. Карточка указывает формат Safetensors, хотя README также упоминает GGUF. Лицензия в предоставленных данных не указана. Выход зависит от заданной текстовой схемы и небольшого обучающего набора, поэтому перед использованием в рабочем оркестраторе следует проверить качество маршрутизации на собственных запросах.

TernaryCore SST-2 Student — разработанная TernaryCore компактная причинно-языковая модель на базе Qwen3-0.6B, дообученная с дистилляцией для бинарного определения тональности отзывов из набора SST-2. Она формулирует классификацию как генерацию ответа «positive» или «negative» по шаблону с отзывом. Модель содержит около 508 млн параметров, использует трансформер-декодер с групповым вниманием, трёхзначные веса {-1, 0, +1} формата W1.58A8 и 8-битные активации. Контекст — до 40 960 токенов; карточка указывает английский язык. Модель предназначена прежде всего для воспроизведения измерений ускорителя TernaryCore на FPGA и экспериментов с энергоэффективным выводом и трёхзначной арифметикой. В описанном авторами тесте SST-2 точность составила 91,4% против 94,4% у учителя. Для загрузки требуется Transformers и доверенный пользовательский код модели из репозитория. Это специализированный чекпойнт, а не универсальная чат-модель; авторы не рекомендуют применять его для открытой генерации или задач, чувствительных к безопасности, без отдельной проверки. Лицензия — Apache-2.0.

TIGER-DnR — модель разделения речи, разработанная исследователями Университета Цинхуа. Она предназначена для восстановления чистых речевых сигналов из аудиозаписей, где одновременно звучат два говорящих, присутствуют шум и реверберация. Архитектура Time-Frequency Interleaved Gain Extraction and Reconstruction Network (TIGER) делит частотный спектр на полосы и сочетает многомасштабное внимание с моделированием контекста по времени и частоте. Авторы характеризуют TIGER как лёгкую модель с менее чем миллионом параметров; в испытаниях на EchoSet она показала качество разделения, близкое к TF-GridNet, при меньших вычислительных затратах. Репозиторий содержит предварительно обученные веса в формате safetensors, а карточка указывает поддержку английского языка. Модель принимает аудио и выдаёт аудио; в README приведены сценарии разделения речи и тестирования на смеси DnR. Лицензия — Apache-2.0.

tinynet_d.in1k — компактная модель классификации изображений из семейства TinyNet, обученная авторами статьи на ImageNet-1k. Она также предназначена для извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 2,3 млн параметров, требует изображения размером 152 × 152 пикселя и имеет вычислительную сложность около 0,1 GMAC. Модель подходит для классификации изображений и как лёгкая визуальная основа в системах компьютерного зрения с ограниченным бюджетом вычислений. Репозиторий предоставляет веса в форматах PyTorch и SafeTensors, а для работы указана библиотека timm. Лицензия Apache-2.0.

ChangeOS со Swin-T — модель сегментации для выявления изменений и оценки повреждений зданий на спутниковых снимках. Её обучили на данных xView2/xBD с помощью библиотеки torchange; backbone Swin-T инициализирован весами ImageNet-1k. Модель предназначена для локализации зданий и классификации повреждений по категориям: без повреждений, незначительные, серьёзные и разрушенные. В README приведены результаты на отложенной выборке hold по официальной смешанной метрике xView2: Overall F1 — 76,91, Localization F1 — 85,03, Damage F1 — 73,43. Модель принимает изображения и выдаёт сегментационную разметку. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Описанный результат относится к протоколу обучения на train и tier3, выбора контрольной точки на test и однократной оценки на hold.

ytu-ce-cosmos/turkish-mini-bert-uncased — компактная модель BERT для турецкого языка, разработанная для задач с заполнением пропусков в тексте. Она содержит 12,4 млн параметров, использует архитектуру BertForPreTraining и принимает последовательности длиной до 512 токенов. Модель обучалась на собранных из интернета текстах и предназначена для сценариев, где нужен небольшой турецкоязычный BERT. Модель поддерживает задачу fill-mask: по контексту она предсказывает слово или фрагмент, скрытый специальным токеном маски. Она не различает регистр; перед токенизацией текст нужно вручную привести к нижнему регистру с преобразованием `I` в `ı`, как описано в карточке. Доступны веса PyTorch, Safetensors и TensorFlow. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

cardiffnlp/twitter-roberta-base-emoji — модель Cardiff NLP на базе RoBERTa-base, предварительно обученная примерно на 58 млн твитов и дообученная для предсказания эмодзи по тексту в бенчмарке TweetEval. Это классификатор последовательностей с 151,8 млн параметров и контекстом до 514 токенов; для текста выдаёт оценки вероятности для классов-эмодзи. Подходит для определения эмодзи, лучше всего соответствующего сообщению в Twitter, и анализа предполагаемой эмоциональной окраски коротких публикаций. Карточка не приводит сведения о лицензии.

CrabInHoney/urlbert-tiny-base-v1 — компактная модель на архитектуре BERT, подготовленная для последующего дообучения под анализ URL. В метаданных указаны 8,5 млн параметров и контекст длиной 64 токена; README приводит пример использования BertForMaskedLM для предсказания пропущенного токена в строке URL, например доменной зоны. Модель подходит как исходная точка для экспериментов с URL и как masked language model для восстановления токенов в URL-подобных строках. Метаданные также относят её к классификации текста, однако README не описывает готовые классы или сценарий классификации. Распространяется по лицензии MIT.

Video Depth Anything Base MLX — перенос на MLX модели Video Depth Anything от ByteDance, представленной на CVPR 2025. Модель использует основу DINOv2, голову DPT и временные модули движения в стиле AnimateDiff для согласованной монокулярной оценки глубины в видео произвольной длины. На вход подаются цветные кадры видео в формате (B, T, H, W, 3), причём высота и ширина должны быть кратны 14. На выходе модель строит карту глубины для каждого кадра; текст она не генерирует. Это относительная оценка глубины: модель не выдаёт абсолютное расстояние в метрах. Веса сохранены в fp32; перенос MLX рассчитан на запуск с библиотекой MLX. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

Video Depth Anything Large MLX — преобразованная в формат MLX модель для оценки глубины в видео по одному RGB-изображению на кадр. Исходную модель разработала ByteDance; её архитектура сочетает backbone DINOv2 и временную голову DPT для согласованных оценок глубины между кадрами. Модель подходит для анализа глубины в видеопоследовательностях и сценариев, где важно сохранять временную согласованность результатов. В README указано, что конверсия проверена сравнением с PyTorch-реализацией: максимальная относительная ошибка составляет около 1e-5 на CPU и около 1% на GPU при использовании fast-math в Metal. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Размер модели и ограничения по длительности или разрешению видео в предоставленных данных не описаны.

Модель thangtrungnguyen/vietnamese-regional-accent-classification-model — аудиоклассификатор на архитектуре Wav2Vec2 для распознавания регионального акцента во вьетнамской речи. Она содержит 113,3 млн параметров и распространяется в формате Safetensors; для работы используется библиотека Transformers. На оценочном наборе указаны F1 0,8217 и loss 0,5951, но сведения о наборе данных и условиях оценки отсутствуют. Модель предназначена для отнесения аудиозаписей вьетнамской речи к региональным акцентным категориям. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование. Подробности о поддерживаемых категориях, подготовке аудио и ограничениях применения не приведены.