II.8Инженерия данных и аналитика

FreedomIntelligence/medical_o1_verifier_3B — медицинская модель-верификатор от FreedomIntelligence, предназначенная для оценки корректности ответов языковых моделей на проверяемые медицинские задачи. Она помогает отбирать или оценивать ответы, чтобы поддерживать улучшение медицинских рассуждений других моделей. Модель дообучена на базе meta-llama/Llama-3.2-3B-Instruct и содержит 3,2 млрд параметров. Это плотная архитектура Llama для классификации последовательностей; основная задача в каталоге — text-classification. Модель принимает текст и выдаёт оценку или класс корректности ответа. Указаны английский и китайский языки, контекстное окно составляет 131072 токена. Модель предназначена для автоматизированной проверки ответов на медицинские вопросы, а не для самостоятельной диагностики или принятия клинических решений. Доступна по лицензии Apache-2.0.

Megatron-BERT-large Swedish 165k — шведская языковая модель семейства BERT, разработанная KBLab и обученная с помощью библиотеки Megatron-LM. Это контрольная точка после 165 тысяч шагов обучения; обучение планировалось на 500 тысяч шагов. Модель имеет архитектуру MegatronBertForMaskedLM и предназначена для заполнения пропусков в тексте: по контексту она предсказывает скрытые токены. Она обучалась на корпусе объёмом около 70 ГБ, преимущественно из OSCAR и шведских газетных текстов, собранных Национальной библиотекой Швеции. В README размер указан как 340 млн параметров, тогда как метаданные Hugging Face указывают 468,3 млн; эти оценки расходятся. Контекст модели составляет 512 токенов. Обучение использовало гиперпараметры по настройкам RoBERTa. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

MESIE-Spectral-v1-alpha — компактный аудиоклассификатор на базе трансформера SpectralTransformer, опубликованный ItsNotAI LABS. По README, пакет рассчитан на запуск вывода непосредственно в браузере и мобильных приложениях React Native; метаданные указывают около 917,5 тыс. параметров и поддержку аудиовхода. Модель предназначена для классификации аудио. Репозиторий включает варианты весов ONNX и PyTorch, а README описывает исполнение ONNX Runtime WebAssembly на клиентском CPU и работу офлайн после загрузки WASM-модуля. Заявления README о задержке и размере модели относятся к описанному там пакету и среде исполнения. Модель распространяется по лицензии Apache-2.0. Карточка не раскрывает набор классов, обучающие данные и оценку качества, поэтому конкретные виды распознаваемых звуков определить нельзя.

nvidia/mit-b0 — компактный энкодер SegFormer размера B0, представленный командой разработчиков SegFormer и опубликованный на Hugging Face. Модель дообучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам этого набора данных; её также можно использовать как основу для дальнейшей тонкой настройки семантической сегментации. Архитектура включает иерархический Transformer-энкодер. В этом репозитории находятся только предварительно обученные веса энкодера, без лёгкой MLP-головы декодера, применяемой в полной модели SegFormer для сегментации. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

nvidia/mit-b5 — визуальный энкодер SegFormer размера B5, выпущенный командой NVIDIA. Модель представляет собой иерархический Transformer-энкодер, предварительно обученный на ImageNet-1k; репозиторий содержит только энкодер без сегментационной головы. В метаданных указаны задача классификации изображений и поддержка PyTorch и TensorFlow. Модель предназначена для классификации изображений по 1000 классам ImageNet и для дообучения под семантическую сегментацию на прикладных наборах данных. Архитектуру SegFormer также применяют в задачах сегментации, но этот чекпойнт сам по себе содержит только предварительно обученный энкодер. Лицензия в метаданных обозначена как other, без уточнения условий.

NVIDIA NeMo NanoCodec — нейронный аудиокодек NVIDIA для сжатия и восстановления речи. Эта версия принимает монофонический WAV с частотой 22,05 кГц и возвращает аудио с той же частотой; заявленные параметры кодирования — 1,78 кбит/с и 12,5 кадров/с. Модель содержит 62 млн параметров и использует полностью свёрточную архитектуру: энкодер, квантование FSQ с 13 кодовыми книгами и декодер на основе HiFi-GAN. Кодек предназначен для низкоскоростного сжатия речи и может использоваться как компонент при обучении моделей генерации речи. Он обучен на 28,7 тысячи часов речевых данных на 105 языках. Для этой версии в README указаны коммерческое и некоммерческое использование; метаданные Hugging Face обозначают лицензию как other, поэтому конкретные условия следует сверять с лицензией репозитория. Модель рассчитана на ускорение на NVIDIA GPU, а для работы указан NeMo 2.0.0.

newexper3 — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16, разработанная пользователем sudo-s. Модель обучена на наборе данных sudo-s/herbier_mesuem1 и предназначена для классификации изображений; в карточке указана точность 0,9298 и значение функции потерь 0,3000 на оценочной выборке. Модель содержит 113,2 млн параметров и доступна в формате PyTorch. Лицензия — Apache-2.0. Сведения о классах изображений и ограничениях применения в карточке не приведены.

Orderliness_binary — модель классификации текста, созданная дообучением microsoft/deberta-v3-base и опубликованная пользователем ajrayman. Она предназначена для бинарной классификации текста; название предполагает оценку упорядоченности, однако карточка не раскрывает значения классов и детали применения. 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, precision 0,6275, recall 0,7182, F1 0,6698 и AUC 0,6949. Базовая модель Microsoft англоязычная, но целевые языки и обучающие данные этой версии не описаны. Модель распространяется по лицензии MIT.

Otis Anti-Spam AI — модель для выявления спама и нежелательного или вредоносного содержимого в цифровых каналах общения. По метаданным это компактная модель классификации последовательностей на основе BERT с архитектурой BertForSequenceClassification и 4,4 млн параметров; она принимает текст, а максимальная длина контекста составляет 512 токенов. Карточка представляет модель как антиспам-инструмент, но не раскрывает подробности обучения, набор меток и результаты оценки. Модель предназначена для классификации сообщений, чтобы фильтровать спам в цифровой переписке. Указан английский язык. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — BSD 3-Clause.

Penguin-Encoder — дообученный визуальный энкодер Tencent из проекта Penguin-VL, созданного для изучения эффективности компактных визуально-языковых моделей. В отличие от энкодеров, предварительно обученных контрастивным способом, он основан на текстовой модели Qwen3-0.6B: архитектура адаптирована двунаправленным вниманием и 2D-RoPE для представления визуальной информации. Модель содержит около 507,9 млн параметров и рассчитана на извлечение признаков; заявленная длина контекста составляет 40 960 токенов. Энкодер предназначен для получения визуальных представлений в составе систем Penguin-VL и других сценариев, где визуальные признаки должны быть совместимы с языковой моделью. В карточке указана поддержка английского языка, однако отдельные задачи понимания изображений и языковой генерации для этой модели не заявлены. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. README не приводит сравнительных численных результатов для энкодера.

Это дообученная модель YOLO11n для обнаружения выбоин и канализационных люков на изображениях дорог. Она разработана для задач безопасности дорожного движения и осмотра инфраструктуры; распознаёт два класса: Pothole и Sewage-Manhole. Модель предназначена для работы в Python с Ultralytics и для развёртывания на сервере, мобильных устройствах и в браузере с камерой. В карточке перечислены варианты PyTorch, NCNN и ONNX, а метаданные также указывают форматы ONNX и TFLite. Лицензия — CC BY 4.0.

AM-RADIO — модель визуального извлечения признаков, разработанная NVIDIA Research. Она использует архитектуру Vision Transformer и преобразует RGB-изображения в пространственные эмбеддинги-тензоры для передачи в последующие модели, например для классификации изображений. Модель предназначена для исследований и разработки компьютерного зрения. В README указана поддержка входных изображений с разрешениями до 2048×2028 с шагом 16 пикселей; для RADIOv1 отдельно описан диапазон от 14 до 1008 пикселей по каждой стороне при размерах, кратных 14. Модель обучали на 12,8 млрд разнообразных изображений из интернета без меток. Для использования признаков требуется downstream-модель. Лицензия в метаданных обозначена как other; перед применением следует ознакомиться с условиями репозитория.

Это модель обнаружения повреждений дорожного покрытия: детектор YOLOv8m, дообученный на наборе RDD2022 в рамках проекта DetectionBench. Она принимает изображения и выделяет на них рамками четыре класса дефектов: продольные и поперечные трещины, сетчатые трещины и выбоины. В README приведены результаты на тестовом разбиении публично размеченных изображений: mAP@50 — 62,03%, mAP@50–95 — 34,08%, точность — 65,61%. Эти показатели предназначены для сравнения с моделями из той же карточки, а не с официальным рейтингом CRDDC2022. Модель подходит для анализа снимков дорог, мониторинга состояния покрытия и прототипов систем дорожной инспекции. Она обучена на изображениях из шести стран и разных условий съёмки, но качество может заметно зависеть от региона и оборудования; тонкие трещины могут теряться при уменьшении больших изображений. Модель распознаёт только четыре указанных класса: категория «прочее» из исходных данных исключена. Репозиторий распространяется по лицензии AGPL-3.0; для изображений набора данных указана CC BY-SA 4.0.

Ref-Pretrain-Qwen-104M — языковая модель MiniLLM на архитектуре Qwen2 с 103,5 млн параметров. Её обучили с нуля на корпусе The Pile в течение 5 млрд токенов; веса сохранены в формате safetensors и доступны для работы через Transformers. Контекст модели составляет 32 768 токенов. Модель предназначена прежде всего для генерации текста и служит эталонной моделью в рамках фреймворка дистилляции знаний MiniPLM: с её помощью формируют уточнённый корпус предобучения, на котором затем обучают модели MiniPLM. Карточка также публикует токенизированный корпус для воспроизводимости. Указана поддержка английского языка и диалоговых сценариев. Модель выпущена под лицензией Apache-2.0. README не приводит результатов оценки самой Ref-Pretrain-Qwen-104M; её основное назначение связано с подготовкой данных для дистилляции, поэтому качество ответов в прикладных сценариях по карточке оценить нельзя.

ResNet50 — модель классификации изображений и извлечения признаков, обученная центром Tissue Image Analytics (TIA) на гистологических патчах датасета Patch Camelyon (PCam). Она предназначена для анализа небольших изображений ткани и может использоваться как классификатор или как основа для получения эмбеддингов изображений. Модель содержит 23,6 млн параметров и рассчитана на изображения размером 96 × 96 × 3. Репозиторий использует библиотеку timm и хранит веса в формате safetensors. Модель ориентирована на гистологические изображения, в частности на задачи, связанные с набором PCam. Лицензия — Creative Commons Zero v1.0 Universal (CC0 1.0).

RM-Mistral-7B — reward-модель, разработанная автором репозитория и дообученная на базе mistralai/Mistral-7B-Instruct-v0.2. Она оценивает ответы на запросы и ранжирует их по предпочтительности, помогая выбирать более полезные варианты и использовать оценку в обучении или настройке диалоговых систем. Модель построена на плотной архитектуре MistralForSequenceClassification, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Обучение проводилось в течение одной эпохи на смеси HH-RLHF, SHP, UltraFeedback, Capybara, HelpSteer и Orca. В README сообщается, что на RewardBench модель заняла второе место. Модель предназначена для сравнения ответов и оценки качества диалога; метаданные также отмечают возможность chat. Карточка не приводит конкретных ограничений оценки и условий лицензии, поэтому их нельзя надёжно описать. В репозитории указаны веса Safetensors.

PlanTL-GOB-ES/roberta-base-biomedical-es — предварительно обученная языковая модель на архитектуре RoBERTa, разработанная подразделением Text Mining Unit (TeMU) Барселонского суперкомпьютерного центра. Модель предназначена для биомедицинских текстов на испанском языке; в ней 153,2 млн параметров, она принимает последовательности длиной до 514 токенов и использует токенизатор BPE с словарём из 52 000 токенов. В готовом виде модель выполняет задачу заполнения пропусков в тексте (fill-mask). Её также можно дообучать для последующих задач, таких как распознавание именованных сущностей и классификация текста. При оценке на испанских биомедицинских наборах PharmaCoNER, CANTEMIST и ICTUSnet модель показала лучшие результаты F1, чем mBERT и BETO в приведённом сравнении. Модель распространяется по лицензии Apache 2.0. Она предназначена для работы с биомедицинским испанским текстом, поэтому её применимость к другим языкам и областям не подтверждена; для NER и классификации требуется дообучение.

junnyu/roformer_chinese_small — небольшая китайская модель семейства RoFormer, разработанная Junnyu и предназначенная для заполнения пропусков в тексте. Она основана на архитектуре RoFormer с вращательными позиционными представлениями и реализована как RoFormerForMaskedLM. Модель содержит 33,4 млн параметров и подходит для сценариев masked language modeling на китайском языке. В карточке приведены варианты использования с PyTorch и TensorFlow 2.0; метаданные также указывают формат Flax. README ссылается на работу «RoFormer: Enhanced Transformer with Rotary Position Embedding». Лицензия и ограничения на использование в доступных данных не описаны.

RollingDepth — модель для оценки глубины в видео, связанная с официальной реализацией статьи «Video Depth without Video Models». Авторы — исследователи ETH Zurich и Carnegie Mellon University. Репозиторий содержит компоненты, скопированные из Stable Diffusion 2: text_encoder, tokenizer и VAE. Модель предназначена для оценки глубины по последовательности видеокадров, в том числе в реальных условиях и в zero-shot сценариях. Она использует Diffusers и распространяется в формате PyTorch с весами Safetensors; задача в метаданных — depth-estimation. Лицензия — OpenRAIL. Карточка не раскрывает размер модели, контекст или подробности архитектуры и языковых возможностей; эти характеристики нельзя уточнить по имеющимся данным.

roomscan-dav2-metric-large-ft-lidar — дообученная на данных ARKitScenes модель Depth Anything V2 Metric-Indoor Large для оценки метрической глубины по изображениям помещений. По карточке, при обучении использовались замороженная основа DINOv2, шея и голова DPT, а функция потерь SiLog применялась к целевым оценкам глубины от LiDAR-модели. Обучающая выборка train_faro включала 10 сцен и 8656 кадров. На проверочной части ARKitScenes модель достигла abs_rel 0,142; для исходного чекпойнта в карточке приведено значение 0,461. Шесть тестовых сцен не использовались при обучении, проверке или выборе чекпойнта. Модель принимает изображения и выдаёт карты глубины; её назначение — анализ помещений и сканирование комнат. Данных о лицензии, размере и длине контекста в предоставленных источниках нет.

RouteE-Powertrain Model Library — библиотека предварительно обученных моделей Национальной лаборатории Скалистых гор для оценки энергопотребления транспорта. По условиям движения на отдельном участке дороги, включая скорость, уклон и угол поворота, модели прогнозируют расход энергии конкретной конфигурации автомобиля при прохождении этого участка. Каталог включает 282 модели для 74 конфигураций автомобилей и 25 марок: автомобилей с ДВС, гибридов, электромобилей, подключаемых гибридов в режимах разряда и поддержания заряда, а также тяжёлых грузовиков класса 8. Большинство моделей — регрессионные случайные леса в формате ONNX; для части конфигураций доступны вероятностные модели NGBoost в формате joblib. Предсказания скорректированы коэффициентами, приближающими лабораторный или симулированный расход к реальному. Библиотека предназначена для энергозависимой маршрутизации и может использоваться маршрутными движками, такими как routee-compass; для загрузки указан пакет routee-powertrain. В README приведена лицензия BSD-3-Clause. Прогнозы привязаны к конкретным автомобилям и конфигурациям и зависят от полноты и соответствия входных характеристик дорожного участка ожидаемому контракту модели.

Это веса визуального энкодера Hiera Tiny из семейства SAM 2, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и может использоваться как визуальный компонент в системах компьютерного зрения. Репозиторий содержит только энкодер изображений HieraDet; это не полная модель сегментации SAM 2. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Сведения о размере, контексте, языках и конкретных ограничениях качества в карточке не приведены.

Исследовательский чекпойнт whr778 для эксперимента по масштабированию данных и предварительной настройке экстракционных голов GLiNER2 на базе mmBERT. Энкодер jhu-clsp/mmBERT-base и новые головы from_encoder обучались пять эпох примерно на 10 000 многоязычных записей с плотной структурой событий и аргументов. RAMS и WikiEvents исключались из обучающих данных, чтобы избежать утечки в последующую оценку. Модель предназначена как заготовка для дальнейшего дообучения на извлечение событий и связанных аргументов; README приводит RAMS в качестве примера последующей настройки. Это не готовая модель для конкретной задачи или общего применения. Для энкодера указано окно обучения 2048 токенов. Качество ограничено разметкой исходных корпусов; модель не проходила бенчмаркинг как универсальный экстрактор. Лицензия в доступных данных не указана.

1038lab/segformer_fashion — модель компьютерного зрения, разработанная 1038lab и размещённая на Hugging Face. Это вариант архитектуры SegFormer, предназначенный для семантической сегментации изображений одежды и элементов fashion-сцен.

SER-Odyssey-Baseline-WavLM-Multi-Attributes — модель распознавания эмоций в речи, обученная на наборе MSP-Podcast для базового решения конкурса Odyssey 2024. Она анализирует аудио и предсказывает три непрерывных эмоциональных показателя: возбуждение (arousal), доминантность (dominance) и валентность (valence), примерно в диапазоне от 0 до 1. Модель построена на WavLM и содержит около 402,7 млн параметров. Она подходит для оценки эмоциональных характеристик речи в аудиозаписях и исследовательских экспериментах по распознаванию эмоций. В карточке приведены результаты на тестовом и развивающем наборах конкурса, но числовые значения недоступны в предоставленном тексте. Лицензия — MIT.

fgeeha/siglip2-wine — модель fgeeha, дообученная на базе визуально-текстовой SigLIP 2 so400m patch16 384 от Google для поиска вин из каталога «Своё Вино» по фотографии бутылки. Она извлекает визуальные признаки, которые используются для сопоставления снимка бутылки на полке с одной из 2103 позиций каталога. Модель обучали на синтетических изображениях винных полок, созданных из эталонных фотографий каталога; для поиска её используют вместе с индексом fgeeha/wine-scanner-index. Модель принимает изображение и предназначена для извлечения признаков при визуальном поиске. В README указана архитектура SigLIP 2 с конфигурацией so400m, patch16 и разрешением 384. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

DeepChem разработала RoBERTa-модель с 57,1 млн параметров, обученную на 1 млн строк SMILES из набора PubChem 77M в MoleculeNet. Для токенизации используется Smiles-Tokenizer. Модель предназначена для извлечения признаковых представлений молекул по их текстовой записи SMILES. Модель принимает текстовые SMILES и выдаёт представления признаков; её можно использовать как компонент химических ML-конвейеров. Контекст составляет 514 токенов. Репозиторий содержит веса в формате PyTorch.

dima806/smoker_image_classification — модель классификации изображений на основе Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Она определяет по изображению, курит ли человек, и выдаёт один из классов: smoking или notsmoking. В карточке приведён отчёт с точностью 96,88% на выборке из 224 изображений; этот результат относится к указанной выборке и не гарантирует такую же точность на других данных. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и распространяется в формате safetensors. Лицензия — Apache-2.0. Она предназначена для экспериментов и сценариев классификации изображений людей по признаку курения; описание не сообщает о языковой поддержке или дополнительных функциях.

SONAR 200 Text Decoder — порт текстового декодера Meta SONAR из fairseq2 в формат Hugging Face Transformers. Он преобразует 1024-мерные эмбеддинги предложений в текст и рассчитан на работу в связке с совместимым энкодером, включая cointegrated/SONAR_200_text_encoder. Поддерживается 202 языка из набора FLORES-200; в метаданных указаны английский, русский, немецкий, французский, испанский, китайский, японский, корейский и арабский. Модель имеет архитектуру M2M100ForConditionalGeneration, 665 млн параметров и контекст до 1024 токенов. Карточка сообщает о совпадении выходов с исходным декодером fairseq2 и успешном цикле кодирования и декодирования. Это компонент для восстановления текста из эмбеддингов, а не самостоятельный энкодер предложений; для практического использования нужен совместимый SONAR-энкодер и соответствующий формат эмбеддингов. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ZachBeesley/Spam-Detector — модель классификации текста, разработанная ZachBeesley и дообученная на базе distilbert-base-uncased. Она предназначена для определения спама в текстовых сообщениях. Архитектура — DistilBERT для классификации последовательностей; контекст ограничен 512 токенами. В метаданных указаны английский язык и датасет sms_spam. Модель принимает текст и выдаёт метку класса. Репозиторий содержит веса в формате TensorFlow, лицензия — Apache-2.0. README сообщает значение train loss 0,0093 после двух эпох, но не приводит подробностей о данных и результатах на отложенной выборке, поэтому качество обобщения по карточке оценить нельзя.