II.8Инженерия данных и аналитика

Модель tihon-nth/vivit-vit-fc-loss-8-10-epochs-5_class_1_p0_full_splited-1789276477.0016897 — дообученная модель ViViT для классификации видео. Она основана на google/vivit-b-16x2-kinetics400 и содержит 113,2 млн параметров; файлы весов представлены в формате safetensors. Модель предназначена для определения классов действий или других категорий видео, заданных при дообучении. В README приведены результаты на оценочном наборе: accuracy 0,7802 и loss 0,4385. Датасет, набор классов и подробные сценарии применения в карточке не раскрыты. Модель создана на базе открытого чекпойнта Google и распространяется по лицензии MIT.

watersplash/waste-classification — модель компьютерного зрения, разработанная watersplash и дообученная для классификации изображений отходов. Она построена на архитектуре Vision Transformer (ViT), содержит 113,2 млн параметров и использует библиотеку Transformers. Модель относит изображение к одной из 12 категорий: батареи, биоотходы, сухая трава, картон, одежда, зелёное стекло, металл, бумага, пластик, обувь, смешанный мусор и белое стекло. Модель предназначена для автоматической сортировки отходов по фотографиям и может использоваться в прототипах систем раздельного сбора и анализа мусора. В карточке заявлена точность 98%, но методика оценки и тестовый набор не описаны. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Это портированная в Transformers модель Wav2Vec2, подготовленная на основе S3PRL для распознавания эмоций в речи в рамках бенчмарка SUPERB. Модель принимает аудио речи с частотой дискретизации 16 кГц и относит каждое высказывание к одному из четырёх эмоциональных классов; обучение и оценка описаны для протокола IEMOCAP с пятью фолдами. Архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель предназначена для классификации эмоциональной окраски отдельных речевых высказываний. В README приведена точность 0,6258 для версии Transformers на session1; это результат конкретной оценки, а не гарантия качества на других данных. Лицензия — Apache-2.0.

Модель mostafaashahin/wav2vec2-base-timit-phoneme-arpa-39 разработал пользователь Hugging Face Mostafa Shahin. Это модель распознавания речи на архитектуре Wav2Vec2ForCTC с примерно 113,3 млн параметров; она принимает аудиосигнал и предназначена для выдачи последовательностей фонем в наборе ARPAbet из 39 символов на основе речи из корпуса TIMIT. Модель загружается через Transformers как automatic-speech-recognition pipeline. Конфигурация указывает на дообучение базовой facebook/wav2vec2-base под распознавание фонем. Назначение следует из имени модели, TIMIT и 39-фонемного словаря; карточка модели отсутствует, поэтому детали качества и точные условия обучения не описаны. Лицензия в доступных метаданных и карточке не указана.

Whisper Small — Santali ASR — это модель thunderboltc, дообученная на базе openai/whisper-small для распознавания речи на языке сантали. Она преобразует аудио в текст на Sanlish — разработанной автором карточки латинской транслитерации сантали, предназначенной для последующего машинного перевода на бенгальский язык. Модель использует архитектуру Whisper Encoder-Decoder Transformer и содержит около 242 млн параметров. Для дообучения использованы 502 аудиозаписи с транскрипциями Sanlish. На тестовой выборке из 51 записи указаны WER 56,55% и CER 13,31%. Модель рассчитана на низкоресурсное распознавание сантали и не предназначена для распознавания других языков или вывода стандартным письмом ол-чики. Небольшой обучающий набор ограничивает перенос на незнакомых дикторов и условия записи; вариативность написания Sanlish также влияет на WER. Лицензия модели — MIT.

X-Codec WavLM MLS — речевой аудиокодек из семейства X-Codec, основанный на дообученной модели microsoft/wavlm-base-plus. Разработчик в предоставленных данных не назван. Модель предназначена для кодирования речи с разными битрейтами; в README показаны режимы 0,5, 1, 1,5, 2 и 4 кбит/с. Для извлечения признаков используется архитектура XcodecModel, веса представлены в формате safetensors, а обучение проводилось на английской части набора MLS. В метаданных основная задача обозначена как feature-extraction. Модель принимает аудио и выдаёт речевые признаки, используемые в кодировании. Базовая модель WavLM предназначена для обработки речи. Репозиторий распространяется по лицензии CC BY 4.0.

CLIN-X-EN — англоязычная языковая модель для клинической области, опубликованная Лукасом Ланге, Хайке Адель, Янником Штрёгеном и Дитрихом Клакoвом. Это предобученная XLM-RoBERTa Large с архитектурой masked language model, примерно 658,7 млн параметров и контекстом до 514 токенов. Модель предназначена для заполнения пропусков в клинических англоязычных текстах и как основа для переноса на задачи извлечения клинических понятий и разметки последовательностей. В статье CLIN-X-EN оценивалась на наборах i2b2 для извлечения понятий и временных выражений; README приводит результаты, превосходящие указанные сравнения с BERT и ClinicalBERT на этих экспериментах. Модель распространяется в формате PyTorch. README характеризует проект как исследовательский прототип, который не поддерживается и не отслеживается; лицензия в предоставленных данных не указана.

onnx-community/yolov10n — версия YOLOv10n в формате ONNX для обнаружения объектов. Карточка предлагает запускать модель через Transformers.js, поэтому она подходит для интеграции объектного детектора в JavaScript-приложения. Модель принимает изображения и возвращает обнаруженные объекты с их локализацией и классами. YOLOv10 — семейство моделей для обнаружения объектов в реальном времени; вариант n относится к компактной линейке. Репозиторий содержит веса ONNX и распространяется по лицензии AGPL-3.0, условия которой следует учитывать при использовании и распространении приложения.

Fuyucchi/yolov8_animeface — модель обнаружения лиц на изображениях в стиле аниме, созданная на основе YOLOv8 и дообученная автором на 10 000 вручную размеченных изображений из safebooru. В README указана архитектура yolov8x6; обучение проводилось 300 эпох на изображениях размером 1280×1280. Модель предназначена для поиска и локализации аниме-лиц на изображениях. В тесте на собственном наборе данных автор сообщает precision 0,957, recall 0,924 и mAP50 0,955; результаты на других данных могут отличаться. Репозиторий содержит веса в формате PyTorch и использует библиотеку Ultralytics. Лицензия — AGPL-3.0.

zoobot-encoder-convnext_small — визуальный энкодер на архитектуре ConvNeXt Small, опубликованный mwalmsley и доступный для загрузки через timm. Его можно использовать как извлекатель признаков изображений или основу для дообучения под задачу классификации; в метаданных Hugging Face основная задача указана как image-classification. Модель принимает изображения и выдаёт представления, пригодные для последующей классификации. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка отсылает к документации Zoobot за инструкциями по загрузке и дообучению. Данные о языковой поддержке и контексте к этой модели неприменимы.

RogerB выпустил эту модель как дообученную версию RogerB/afro-xlmr-large-kinyarwanda-all-finetuned для задачи заполнения пропусков в тексте. Это модель XLM-RoBERTa с архитектурой XLMRobertaForMaskedLM, размером 658,7 млн параметров и контекстом до 514 токенов. В карточке указано дообучение на датасете, обозначенном как None; README приводит значение loss 2,1700 на оценочной выборке, но не описывает её состав и методику оценки. Модель подходит для предсказания замаскированных слов в текстах на киньяруанда, в том числе в сообщениях из соцсетей. Указана лицензия MIT. Карточка не уточняет поддерживаемые языки, поэтому связь с киньяруанда следует из названия и базовой модели.

ATT&CK BERT — языковая модель для кибербезопасности, разработанная на базе sentence-transformers. Она преобразует предложения, описывающие действия атак, в векторы, отражающие их смысл; предложения со схожим значением получают высокую косинусную близость. Модель подходит для поиска и сопоставления описаний атак по семантическому сходству. Модель использует архитектуру MPNet и содержит 136,7 млн параметров. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. В карточке указана лицензия, поэтому условия её использования следует сверять с метаданными репозитория.

Японская BERT-base модель Hitachi NLP с токенизацией Sudachi и словарём Unigram. Она предназначена для заполнения пропусков в японском тексте: модель предсказывает замаскированные токены с учётом окружающего контекста. Модель построена на архитектуре BERT и содержит 136,3 млн параметров; поддерживает последовательности длиной до 512 токенов и распространяется в формате PyTorch через Transformers. Карточка показывает пример токенизации японского предложения на морфемоподобные фрагменты. Для загрузки токенизатора требуется словарь Sudachi + Unigram из репозитория проекта. Модель обучена на данных Wikipedia и CC-100. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, а также ограничивает коммерческое использование.

Dinithi/BioBERT — дообученная модель семейства BERT на основе dmis-lab/biobert-v1.1, разработанная для классификации текста. В репозитории указано 135,5 млн параметров и контекст до 512 токенов; модель сохранена в формате PyTorch. Карточка приводит результаты на оценочном наборе: accuracy 0,79, precision 0,8730, recall 0,8088 и F1 0,8397. Датасет, набор классов и конкретное назначение классификации не описаны, поэтому приведённые метрики нельзя уверенно переносить на другие данные. Условия лицензирования в доступных сведениях не указаны.

Cartographer E-Commerce Reranker — компактная модель перекрёстного энкодера на архитектуре BERT, созданная Сохайлом Ханом и Найбуром Рахманом Ханом. Она дообучена на Amazon Shopping Queries Dataset (ESCI) от cross-encoder/ms-marco-MiniLM-L-6-v2 и предназначена для переоценки результатов товарного поиска: получает пару «запрос — товар» и выдаёт оценку релевантности. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; модель работает с текстом на английском языке, а версия обучения использовала только названия товаров. Её применяют на втором этапе поиска: после отбора кандидатов с помощью BM25 или биэнкодера модель уточняет их порядок. На тестовом разбиении ESCI авторы сообщают улучшение nDCG@5, nDCG@10 и nDCG@20 относительно базовой модели. Модель обучалась регрессии на градуированные уровни релевантности ESCI — точное совпадение, заменитель, дополнение и нерелевантный товар. Качество может снижаться при переносе на каталоги, отличающиеся от Amazon; оценки заменителей и дополняющих товаров близки и частично перекрываются. Для сложных запросов может потребоваться более крупный реранкер. Лицензия — MIT.

TingChenChang/cMedQA2-multi-qa-mpnet-zh — модель Sentence-Transformers для представления предложений и абзацев в виде плотных векторов размерности 768. Она предназначена для семантического поиска, сравнения смысловой близости и кластеризации текстов; при обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Архитектура основана на XLM-RoBERTa, содержит около 305,2 млн параметров и принимает контекст длиной до 514 токенов. Название указывает на обучение на китайском наборе вопросов и ответов cMedQA2, поэтому модель подходит для поиска и сопоставления медицинских вопросов на китайском языке. Для работы доступны веса PyTorch и библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это неофициальное зеркало чекпойнта Co-DINO из семейства Co-DETR, созданное dronefreak; исходные метод, архитектура и веса принадлежат Zhuofan Zong, Guanglu Song и Yu Liu из SenseTime X-Lab. Модель предназначена для обнаружения объектов и экземплярной сегментации на изображениях. В основе — Co-DINO с пятью масштабами признаков и ViT-L (304 млн параметров, EVA-02); при выводе работают запросная голова Co-DINO и вспомогательная ветвь масок. Обучение включало предобучение на Objects365 и дообучение на LVIS v1 с 1203 длиннохвостыми категориями. Чекпойнт подходит как исследовательский или инженерный базовый детектор, для экспериментов с категориями LVIS и как отправная точка для дообучения на собственных данных. Авторы сообщают 67,3 box AP и 60,7 mask AP на LVIS v1 val, но автор карточки эти показатели независимо не воспроизводил. Модель может заметно терять точность на изображениях вне домена естественных сцен; показатели LVIS нельзя напрямую сравнивать с COCO-80. Для запуска требуется код Co-DETR и устаревший стек OpenMMLab 1.x с MMDetection 2.25.3, MMCV-full 1.5.0 и PyTorch 1.11; поддержки Transformers и pipeline() нет. Лицензия в метаданных указана как unknown.

CONFLUX — разработанная gevaertlab модель условной генерации трёхмерных медицинских изображений. Она создаёт полные томографические объёмы из структурированных клинических метаданных: VAE сжимает объём в латентное представление, однопоточный трансформер rectified flow генерирует латент, а этап Flow-GRPO повышает соответствие заданным меткам. В репозитории есть контрольная точка для КТ грудной клетки с разрешением 216 × 176 × 200; условия генерации включают 18 признаков, пол, возраст и реконструкционное ядро. Модель предназначена для исследовательской генерации синтетических медицинских объёмов, расширения обучающих данных и разработки методов. Для работы нужны веса трансформера и декодера VAE. Синтетические результаты не предназначены для клинического применения и не должны использоваться для принятия решений о пациентах. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства на условиях ShareAlike, но запрещает коммерческое использование.

Pavarissy/ConvNextV2-large-DogBreed — модель классификации изображений пород собак, созданная дообучением ConvNeXt V2 Large от Facebook, предварительно обученной на ImageNet-22K. Она принимает изображение и относит его к одной из категорий пород собак. В README указаны результаты на оценочной выборке: accuracy 0,9139 и loss 0,5469. Модель построена на архитектуре ConvNeXt V2 и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для распознавания пород собак на изображениях. Карточка не приводит состав классов и подробности обучающего набора, поэтому показатели качества нельзя уверенно переносить на другие наборы данных и условия съёмки.

ConvNeXt-V2 Pico — компактная сверточная модель классификации изображений из библиотеки timm. Она предварительно обучена методом fully convolutional masked autoencoder (FCMAE), затем дообучена на ImageNet-1k; число параметров — около 9,1 млн. Модель также подходит как backbone для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для присвоения изображению метки из набора классов ImageNet-1k и может использоваться как компактный визуальный компонент в прикладных системах. В карточке указаны размер изображения 224 × 224 при обучении и 288 × 288 при тестировании, а также вычислительная сложность 1,4 GMAC. Весами можно пользоваться через timm и PyTorch; репозиторий содержит веса PyTorch в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель ориентирована на классификацию ImageNet-1k, поэтому её метки и качество могут не подходить для предметных классов вне этого набора без дополнительной адаптации.

cs3darknetfocus_m.c2nsin1k — свёрточная модель классификации изображений из библиотеки timm. Это вариант архитектуры CS3-DarkNet с тремя свёртками в блоках Cross-Stage-Partial; модель обучена на ImageNet-1k. Веса содержат около 9,3 млн параметров, вычислительная сложность составляет около 2,0 GMACs. Размер изображения при обучении — 256 × 256 пикселей, при тестировании — 288 × 288. Модель предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. В карточке описан рецепт обучения на основе ResNet Strikes Back C с оптимизатором SGD с Nesterov, адаптивным ограничением градиентов и косинусным расписанием скорости обучения с разогревом. Модель опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0.

Descript Audio Codec (DAC) — нейронный аудиокодек, разработанный Descript. Модель с архитектурой DAC принимает аудиосигнал с частотой дискретизации 24 кГц и кодирует его в дискретные представления, из которых можно восстановить аудио. Версия в репозитории содержит около 74,7 млн параметров и доступна в формате safetensors для Transformers. Кодек предназначен для сжатия и реконструкции речи, музыки и других звуков, а также для использования в генеративных аудиосистемах как аудиотокенизатор. В исходном проекте Descript заявлена высокая степень сжатия; конкретный битрейт зависит от конфигурации кодека. Для весов проекта указана лицензия MIT. Модель работает с аудио, а не с текстом, и сама по себе не выполняет распознавание речи или синтез речи из текста.

DanBERT Small Cased — датская предварительно обученная языковая модель на архитектуре BERT, опубликованная Alexander Falk. Она основана на BERT-Base и обучена более чем на 2 млн предложений, содержащих около 40 млн датских слов; README указывает, что обучение проводилось в рамках дипломной работы. Модель содержит 96,6 млн параметров и рассчитана на контекст до 514 токенов. Основная задача в каталоге Hugging Face — fill-mask: модель предсказывает замаскированные токены в датском тексте. Это подходит для экспериментов с языковым моделированием и построения задач на основе BERT; доступна загрузка через Transformers в форматах PyTorch и Flax. Лицензия — Apache-2.0. Карточка также отмечает английский язык, однако описание обучения сосредоточено на датском.

DashengTokenizer — аудиотокенизатор семейства Dasheng, опубликованный пользователем mispeech. Он преобразует непрерывное аудио в представление для задач понимания и генерации звука; README также описывает извлечение признаков, восстановление сигнала и применение в улучшении речи. Архитектура представлена классом DashengTokenizerModel; модель использует формат safetensors и библиотеку Transformers. Модель предназначена для построения аудиосистем, которым нужно кодировать звук для последующей генерации, анализа или очистки речи. В README заявлены высокая точность понимания аудио, сохранение качества при восстановлении сигнала и более быстрое обучение генерации по сравнению с обычными VAE, но количественные результаты в карточке не приведены. Оптимизирована для монофонического аудио с частотой дискретизации 16 кГц. Лицензия — Apache-2.0.

DataGemma RIG — экспериментальная модель Google, дообученная на базе Google Gemma 2 27B IT. Она предназначена для подхода retrieval interleaved generation (RIG): при ответе на вопросы модель формулирует естественно-языковые запросы к интерфейсу Data Commons и вставляет специальные аннотации рядом со статистическими утверждениями. Это помогает связывать ответы с публичными статистическими данными; для полного сценария RIG требуется соответствующая система извлечения данных. Модель принимает текст и генерирует текст на английском языке. В карточке указан формат аннотаций вида [__DC__("") --> ""]. Веса доступны в формате safetensors для Transformers; лицензия — Gemma. Google описывает эту версию как раннюю и обученную на небольшом корпусе синтетических примеров, предназначенную для доверенных тестировщиков и академических исследований. Возможны ошибки, а также спорные или провокационные ответы; модель не готова к коммерческому или широкому публичному применению.

DictaBERT Joint — дообученная модель Dicta для совместного морфологического и синтаксического анализа современного иврита. Она основана на архитектуре BERT и содержит 211,6 млн параметров; модель принимает текст с контекстом до 512 токенов и выполняет сегментацию префиксов, морфологическую дизамбигуацию, лемматизацию, синтаксический разбор зависимостей и распознавание именованных сущностей. Результаты можно получить в JSON или в форматах Universal Dependencies, включая вариант IAHLT. Модель предназначена для лингвистического анализа предложений на иврите и построения структурированных аннотаций для языковых ресурсов и приложений. Отдельные выходные компоненты можно отключать при инициализации. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии CC BY 4.0. README указывает на необходимость `trust_remote_code=True` при загрузке через Transformers.

Intel/dpt-beit-large-512 — модель для оценки относительной глубины по одному изображению. Она использует архитектуру Dense Prediction Transformer (DPT): BEiT Large служит визуальным энкодером, к которому добавлены дополнительные слои для предсказания карты глубины. Модель обучена на 1,4 млн изображений и предназначена для оценки глубины без дополнительной настройки; в карточке описан вариант с разрешением обучения 512×512. Модель подходит для анализа сцены, создания карт глубины и использования в задачах 3D-реконструкции и автономного вождения. Она обрабатывает изображения и выдаёт карту глубины. Качество оценки зависит от изображения и обучающих данных; предсказания могут быть неточными, поэтому модель следует проверять перед применением. Разработчик — Intel. Лицензия — MIT.

DuplexJev-B · gender — модель для распознавания заданных категорий по аудиоречи. Её разработала adventists-ai: модель объединяет замороженный аудиоэнкодер Qwen3-ASR-0.6B с замороженной языковой моделью Qwen3-32B через обученный коннектор в формате Ultravox. Вариант B подаёт в проектор выход последнего слоя энкодера; обучаемая часть содержит 17,8 млн параметров. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. Модель выдаёт распределение вероятностей для одного токена ответа и предназначена для закрытых задач по речи: например, определить пол говорящего или выбрать подходящий вариант ответа. Проверялась на гендерных метках, вопросах по аудио и других оценках; для теста на 800 реальных высказываниях указана точность около 87%. Подсказки следует формулировать на языке аудиозаписи и с вариантами, похожими на обучающие примеры. Поддерживаются китайский и английский языки. Оценки получены на небольших наборах, включавших прочитанную и сыгранную речь; потоковый ввод не оценивался. Обучение на паралингвистических признаках может снижать точность ответов на фактические вопросы по спонтанной речи. Эмоциональные метки получены на актёрских корпусах, поэтому результаты не следует использовать для принятия решений об отдельных людях. Для работы необходимы указанные в карточке энкодер и LLM.

Модель разработана Danny Vásquez, César Salazar, Alexis Cañar, Yannela Castro и Daniel Patiño на основе mrm8488/electricidad-small-discriminator и дообучена для классификации испаноязычных комментариев. Она анализирует текст и относит комментарий к одному из двух классов: «Suicida» или «No Suicida», чтобы выявлять признаки суицидальных намерений в контексте и поддерживать исследовательские и профилактические проекты. Архитектура — ELECTRA для классификации последовательностей, размер — 20,5 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки, включая точность 0,9916, однако они не гарантируют такую же работу на новых данных. Модель обучалась на наборе комментариев о депрессии на испанском языке, содержащем 192 347 примеров для обучения, 33 944 для тестирования и 22 630 для валидации. Прикладная область — анализ текстов для предварительного выявления возможных признаков суицидального риска; классификация сама по себе не является клинической оценкой. Репозиторий распространяется по лицензии Apache-2.0.

EnCodec 24 kHz — нейросетевой аудиокодек Meta AI для сжатия и восстановления звуковых сигналов. Модель использует потоковую архитектуру энкодера и декодера с квантованным латентным представлением; её задача в каталоге Hugging Face обозначена как извлечение признаков. Репозиторий содержит веса в форматах PyTorch и safetensors. Модель предназначена для низколатентного сжатия и декодирования речи, музыки и других звуков. В README описаны потоковый режим и режим с разбиением входа на перекрывающиеся секундные фрагменты, а также обучение при различных битрейтах. В качестве аудиокодека EnCodec может применяться в системах аудиообработки и как компонент более крупных конвейеров генерации речи или музыки. В README сообщается о высоком качестве восстановления при низких битрейтах и сравнительных оценках по MUSHRA и объективным метрикам. Модель принимает аудио и восстанавливает аудио; сведения о лицензии, длине контекста и поддерживаемых текстовых языках в предоставленных данных отсутствуют.