II.8Инженерия данных и аналитика

roshana1s разработала англоязычный классификатор спама на основе RoBERTa-base, дообученной для бинарной классификации сообщений. Модель относит текст к обычным сообщениям (ham) или спаму, включая фишинговые сообщения; она предназначена прежде всего для модерации Discord, а также может применяться для фильтрации SMS и сообщений в чатах. Модель содержит 151,8 млн параметров, принимает текст и выдаёт метку класса. Максимальный контекст составляет 514 токенов; в описанной процедуре обучения сообщения обрезались до 128 токенов. Для обучения использовались набор SMS Spam Collection и собранные вручную сообщения Discord. В README приведены результаты на отложенной выборке: точность около 99,4% и F1 для класса спама 0,9782. Модель рассчитана только на английский язык и обучалась преимущественно на SMS и сообщениях Discord, поэтому качество на других языках и форматах, например деловой переписке, может быть ниже. Лицензия — Apache-2.0.

SriramSridhar78/sriram-car-classifier — классификатор изображений автомобилей, созданный с помощью HuggingPics. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она предназначена для определения класса автомобиля по изображению. В карточке указано семейство ViT и задача классификации изображений; сведения о наборе классов и качестве распознавания не приведены. Модель принимает изображения и выдаёт метки классов. Файлы представлены в форматах PyTorch и Safetensors; лицензия в доступных данных не указана.

Модель tihon-nth/timesformer-fc-loss-8-10-epochs-5_class_1_p0_full_splited-1789192796.4996567 — дообученная версия facebook/timesformer-base-finetuned-k400 для классификации видео. Она использует архитектуру TimeSformer и содержит 113,2 млн параметров. В README указаны результаты на оценочном наборе: accuracy 0,794 и loss 0,3319. Модель предназначена для отнесения видео к классам целевого набора данных, однако названия классов, состав набора и конкретные сценарии применения в карточке не раскрыты. Базовая модель обучена распознавать 400 категорий действий Kinetics-400, но неизвестно, сохранены ли эти категории после дообучения. Лицензия репозитория — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

crangana/trained-race — модель классификации изображений на основе ResNet-50, дообученная на наборе данных FairFace. Базовая ResNet-50 предварительно обучена на ImageNet-1k для классификации изображений по 1000 классам; эта версия предназначена для классификации изображений в задаче, связанной с FairFace. На оценочной выборке указаны loss 0,9830 и accuracy 0,6258. Модель принимает изображения и выдаёт классовые метки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Подробные сценарии применения и ограничения в карточке не описаны.

UL_bedroom_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google с 224-пиксельным входом. Она предназначена для отнесения изображений спален к классам; в карточке указаны датасет imagefolder и точность 0,9578 на оценочной выборке. Репозиторий содержит веса в формате safetensors и насчитывает около 113,2 млн параметров. Модель принимает изображения и выдаёт метки классов. Она распространяется по лицензии Apache-2.0. Карточка не раскрывает состав классов и оценочной выборки, поэтому приведённую точность нельзя автоматически переносить на другие данные.

ChristopherLi разработал ViT Emotion Recognition — модель Vision Transformer, дообученную на наборе FER2013 Enhanced для распознавания семи эмоций по выражению лица на изображении. Она рассчитана на работу с лицами в естественных условиях, в том числе с кадрами веб-камеры, и доступна через библиотеку Transformers для классификации изображений. Модель различает злость, отвращение, страх, радость, грусть, удивление и нейтральное выражение. Основа — google/vit-base-patch16-224-in21k; размер — 113,2 млн параметров. При обучении изображения лиц размером 48×48 в оттенках серого увеличивали до 224×224 и копировали канал на три цветовых канала. На тестовой выборке указаны точность 69,4% и Macro F1 0,656. Лицензия — Apache-2.0.

Модель prathameshdalal/vivit-b-16x2-kinetics400-UCF-Crime — дообученная на наборе UCF-Crime видеомодель ViViT от Google для классификации видео. Она принимает видеоролики и предсказывает класс, относящийся к набору UCF-Crime. Архитектура ViViT содержит 113,2 млн параметров; веса опубликованы в форматах PyTorch и safetensors. На оценочном наборе указаны loss 1,9757 и accuracy 0,6149. Модель распространяется по лицензии MIT. Карточка не описывает точный список классов, методику подготовки видео и ограничения качества, поэтому пригодность для конкретных условий наблюдения следует проверять отдельно.

Vulnerability_continuous — модель классификации текста на основе DeBERTa-v3-base, дообученная автором репозитория ajrayman. Она предназначена для оценки текста по непрерывной шкале: метрики RMSE, MAE и корреляции в карточке указывают на задачу регрессии, хотя в метаданных Hugging Face задача обозначена как text-classification. Размер модели — 211,6 млн параметров, максимальный контекст — 512 токенов; веса доступны в формате safetensors. Карточка сообщает о дообучении и приводит результаты оценки, но не описывает целевую переменную, набор данных, смысл шкалы или предполагаемые прикладные сценарии, поэтому область применения оценки не установлена. Лицензия — MIT. Основа — англоязычная microsoft/deberta-v3-base; сведения указывают на обработку текста, но целевой язык дообучения не уточнён.

facebook/wav2vec2-conformer-rel-pos-large — предварительно обученная модель распознавания речевых признаков от исследовательской команды Meta, основанная на архитектуре Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель содержит 402,7 млн параметров и обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц. Чекпойнт предназначен для дальнейшей настройки на размеченных речевых данных. Сам по себе он не выполняет распознавание речи: в нём нет токенизатора, поэтому для получения транскрипции нужно создать токенизатор и дообучить модель на парах аудио и текста. Подходит как основа для экспериментов и разработки систем распознавания речи на английском языке. Модель принимает аудио с частотой 16 кГц и выдаёт речевые представления для последующей обработки; распознанный текст она непосредственно не генерирует. Распространяется по лицензии Apache-2.0.

Модель excalibur12/wav2vec2-large-lv60_phoneme-timit_english_timit-4k_simplified — дообученная версия facebook/wav2vec2-large-lv60 для распознавания фонем английской речи. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на TIMIT с упрощённым набором фонем, в котором некоторые близкие или часто смешиваемые фонемы объединены. Модель предназначена для преобразования аудиозаписей английской речи в последовательности фонем, например для фонетического анализа и оценки произношения. В README указан Phone Error Rate 8,38% на наборе оценки TIMIT. Распространяется по лицензии Apache-2.0.

VasilisAsim/wavlm-finetuned-IEMOCAP — модель классификации аудио, полученная дообучением microsoft/wavlm-base-plus. Она содержит 113,3 млн параметров и использует архитектуру WavLMForSequenceClassification; модель предназначена для классификации речевого аудио, в частности распознавания эмоциональных классов в записи речи. В карточке приведены результаты оценки: точность 0,4972 и loss 1,4042. Датасет и набор меток не описаны, поэтому конкретные классы эмоций и условия применения результата определить нельзя. Для хранения весов используется safetensors. Лицензия в предоставленных данных не указана.

VasilisAsim/wavlm-finetuned-TESS — дообученная модель классификации аудио на базе microsoft/wavlm-base-plus, разработанная автором репозитория VasilisAsim. Модель содержит 113,3 млн параметров и использует архитектуру WavLMForSequenceClassification; веса опубликованы в формате Safetensors. По названию репозитория модель связана с TESS, однако README не раскрывает обучающий набор данных или классы классификации. Модель предназначена для классификации аудиозаписей. В README указаны результаты на оценочном наборе: accuracy 0,9982 и loss 0,9661; описание набора данных и методики оценки отсутствует, поэтому эти показатели не позволяют оценить качество на других данных. Лицензия в предоставленных источниках не указана.

X-Codec WavLM More Data — речевой аудиокодек из семейства X-Codec, разработанный авторами карточки модели. Он извлекает речевые признаки и кодирует речь с различными битрейтами, от 0,5 до 4 кбит/с. Модель основана на microsoft/wavlm-base-plus и дообучена на английском MLS и внутренних данных; в репозитории указаны архитектура XcodecModel и формат safetensors. Модель предназначена для представления и сжатия речи в аудиокодеке X-Codec. Карточка демонстрирует примеры кодирования при нескольких битрейтах. Лицензия — CC BY 4.0. В метаданных основным pipeline указан feature-extraction; сведений о поддержке других языков, кроме английского, карточка не даёт.

keremberke/yolov8n-hard-hat-detection — модель компьютерного зрения на архитектуре YOLOv8, представленная автором keremberke. Она предназначена для обнаружения на изображениях людей или объектов с каской и без неё: поддерживаются классы Hardhat и NO-Hardhat. Модель можно применять для автоматического контроля использования касок на строительных площадках и в системах мониторинга охраны труда. Модель работает с изображениями и выдаёт рамки обнаруженных объектов с метками классов. В репозитории указаны веса PyTorch и библиотека Ultralytics; модель связана с датасетом keremberke/hard-hat-detection. Карточка не сообщает размер модели, показатели качества или условия лицензии.

AI Music Detector от lofcz — классификатор аудио на основе логистической регрессии, который выявляет музыку, созданную Suno версии 5 и ниже или Udio версии 1.5 и ниже. Модель анализирует спектральные признаки fakeprint: характерные равномерно расположенные пики, связанные с транспонированными свёрточными слоями нейронных вокодеров. На вход она принимает вектор из 3585 признаков, а на выходе выдаёт вероятность того, что музыка создана ИИ. Перед классификацией аудио нужно извлечь fakeprint-признаки; в README указаны частота дискретизации 16 кГц, размер FFT 8192 и диапазон частот 1000–8000 Гц. Модель опубликована в форматах ONNX и Safetensors. README сообщает об оценке на тестовом наборе из 17 866 фрагментов с точностью 99,88%, однако результат зависит от соответствия данных обучающим и проверочным условиям. Лицензия — MIT.

Anzhc/Anzhcs_YOLOs — набор моделей компьютерного зрения автора Anzhc, обученных на самостоятельно размеченных данных и предназначенных для обнаружения объектов и сегментации в изображениях. В репозитории описаны варианты на архитектурах YOLOv8 и YOLO11; метаданные связывают модели с Ultralytics/YOLO11 и Ultralytics/YOLOv8, а формат весов указан как PyTorch. Общий размер моделей и параметры контекста неприменимы к этой задаче. Набор ориентирован на автоматизацию обработки изображений, в частности на выделение лиц, глаз, головы и волос в иллюстрациях или фотографиях, а также на другие специализированные категории. Автор приводит метрики для отдельных вариантов и отмечает, что некоторые показатели устарели или зависят от версии разметки. Отдельные модели обучены преимущественно на аниме или реальных фотографиях и могут хуже работать вне целевого типа изображений. Для использования требуются изображения на входе; результатом служат обнаруженные объекты и сегментационные маски. В README также упомянуты модели для обнаружения дронов и оценки аниме-арта, но подробностей по ним в доступном тексте нет. Репозиторий лицензирован по AGPL-3.0.

AssameseBERT — модель семейства BERT от L3Cube-Pune, обученная на общедоступных одноязычных корпусах на ассамском языке. Она предназначена для задач языкового моделирования с маскированными токенами: модель предсказывает пропущенное слово или фрагмент текста по окружающему контексту и может применяться как основа для других задач обработки ассамского языка. Модель использует архитектуру BERT с головой BertForMaskedLM и содержит около 264,8 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и выдаёт предсказания токенов для заполнения маски. Веса доступны в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0. Карточка ссылается на предварительные сведения о данных и базовых результатах в статье, но не приводит здесь численных оценок качества. Модель ориентирована на ассамский язык; её качество за пределами этого языка не подтверждено в карточке.

ajrayman/auth_scale_continuous — модель ajrayman, дообученная на основе microsoft/deberta-v3-base для классификации текста. В README приведены метрики на оценочной выборке: Loss 0,1098, RMSE 0,3314, MAE 0,2694 и корреляция 0,2713; назначение целевой оценки и состав данных не описаны. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает последовательности длиной до 512 токенов. Модель подходит для экспериментов с классификацией текста и оценки непрерывной целевой величины. Опубликована в формате Safetensors и распространяется по лицензии MIT. README не уточняет целевую задачу, языки обучающих данных или предполагаемые сценарии применения, поэтому эти сведения нельзя определить по доступной карточке.

Японская модель BERT-base от hitachi-nlp для заполнения пропусков в тексте: она предсказывает замаскированные токены и может использоваться для анализа японских предложений с помощью задачи fill-mask. Модель содержит 136,3 млн параметров, имеет архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Для токенизации используется Vaporetto с Unigram; словарь токенизатора нужно получить отдельно из репозитория проекта и указать при загрузке. Модель обучалась на данных Wikipedia и CC-100. Доступны веса PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях; коммерческое использование не разрешено. Карточка не приводит подробностей о точных метриках качества.

BioBERT-Base v1.1 — модель обработки биомедицинского текста, разработанная исследователями DMIS Lab Корейского университета. Она основана на BERT-base-Cased и дополнительно обучена на корпусе PubMed, чтобы лучше представлять научную и медицинскую лексику. Модель используют как основу для извлечения биомедицинских сущностей, классификации отношений между ними, ответов на вопросы и построения эмбеддингов текста. Это энкодер для входного текста, а не универсальная генеративная модель; для конкретных задач обычно требуется дообучить или дополнить её соответствующей головой. Размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель рассчитана на английский язык. Модель опубликована в формате PyTorch. В доступных метаданных лицензия не указана; перед использованием следует проверить условия в репозитории разработчика. Ограничение контекста и узкая биомедицинская специализация делают её менее подходящей для длинных документов и обычного неспециализированного текста.

BrainAxL — модель представления изображений мозга, разработанная для 3D МРТ. В репозитории опубликован канонический самоконтролируемый чекпойнт BrainAxL-B, предварительно обученный на корпусе FOMO300K без downstream-разметки. Модель предназначена для исследований и инициализации проверенных downstream-моделей. Архитектура включает пятиэтапный 3D U-Net-энкодер с каналами 40, 80, 160, 320 и 640; двунаправленные LSTM обрабатывают все три пространственные оси на двух самых глубоких этапах. Предобучение сочетает маскированную 3D-реконструкцию с регуляризацией дисперсии и ковариации семантической проекции размерности 512. Энкодер содержит 31 837 640 параметров, активная конфигурация предобучения — 46 308 601. Указанный обучающий кроп — одноканальный объём 64 × 64 × 64; модель выдаёт признаки для изображений. Чекпойнт подходит для извлечения представлений 3D МРТ мозга и инициализации downstream-моделей. Результаты могут меняться в зависимости от анатомии, последовательности, протокола сканирования, сканера, популяции, предобработки и правил разметки. Модель не является одобренным медицинским устройством и не предназначена для клинической диагностики или лечения без целевой валидации и регуляторной проверки. В метаданных указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

CeLLaTe-tapt-pubmedbert-tokenizer-adaptedv2lr-2e5 — дообученная модель Mardiyyah на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, обученная на наборе Mardiyyah/TAPT_CeLLaTe2.0. Это BERT-модель с архитектурой BertForMaskedLM и 137,6 млн параметров, предназначенная для предсказания замаскированных слов в англоязычном биомедицинском тексте. Она может использоваться для адаптации к последующим NLP-задачам в медицинской литературе и проверки контекстных языковых представлений. Для модели указана длина контекста 512 токенов. В карточке приведены метрики на оценочной выборке: loss 1,1498, accuracy 0,7645 и perplexity 3,1576. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Chess style labeler от LegumMagister — текстовая модель, которая по ходам одной шахматной партии и набору измеренных характеристик позиции создаёт пять англоязычных описаний стиля игрока разной длины. Модель основана на Gemma 3 1B Instruct и полностью дообучена на примерно 2,4 млн чистых наборов меток, сгенерированных Gemma-4-31B; доступны также отдельные «грязные» веса для сравнения и воспроизведения эксперимента. Модель предназначена для разметки шахматных партий, подготовки стилевых меток для обучения шахматных моделей и анализа того, как игрок действовал в конкретной игре. Она принимает текстовое описание игры и признаков доски, обрезая вход до последних 2048 токенов; средний размер входа составляет около 650 токенов. Выход — пять строк с формулировками от краткой метки до развёрнутого описания. Поддерживаются стандартные шахматы и английский язык. Авторы сообщают, что чистая версия противоречит измеренным данным примерно в 0,5% меток; оценка основана на статистиках позиции, а не на анализе шахматного движка. Лицензия — Gemma.

CNY-7B — исследовательский чекпойнт Allen-UQ, дообученный на базе Qwen2.5-7B-Instruct для выбора соседних узлов и классификации объектов в текстовых графах. Модель использует архитектуру Qwen2, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Она предназначена для многошагового обхода графа: получает описание целевого узла, варианты меток и краткие сведения о соседях, затем выбирает узлы для раскрытия их полного текста и формирует ответ. Обучение проводилось методом GRPO с on-policy self-distillation на смеси из восьми текстовых графов; доступны результаты нулевого дообучения на нескольких тестовых наборах. Модель рассчитана на графовые сценарии классификации узлов и отношений, а не на обычный диалог. Для использования её обученной стратегии требуется специальный многошаговый шаблон CNY и среда обхода графа; стандартный инструктивный запрос эту стратегию не задействует. Политика обхода обучена с ограниченным числом шагов и фиксированным форматом предварительного просмотра, а качество зависит от информативности текста целевого узла. Модель распространяется под лицензией Apache-2.0.

CySecBERT — англоязычная BERT-base-модель для задач кибербезопасности, разработанная Markus Bayer, Philipp Kuehn, Ramin Shanehsaz и Christian Reuter. Это доменно-адаптированная версия bert-base-uncased, обученная на корпусе из 4,3 млн записей из Twitter, блогов, научных публикаций и CVE. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и safetensors. Основная задача модели — предсказывать замаскированные слова в текстах по кибербезопасности. Её можно применять для анализа и дополнения англоязычных материалов о киберугрозах, уязвимостях, вредоносном ПО и атаках. Авторы сообщают о проведении оценок в предметной области и на общих задачах, подробности приведены в статье. Модель выпущена под лицензией Apache-2.0. Авторы предупреждают, что социальные смещения в данных и результатах специально не анализировались, поэтому следует соблюдать осторожность в сценариях, где возможна дискриминация.

Koichi Yasuoka разработал японскую DeBERTaV2-модель на базе deberta-large-japanese-wikipedia-luw-upos для разметки частей речи и синтаксического разбора по схеме Universal Dependencies. Модель дообучена на японской Википедии, текстах 青空文庫 и наборе UD_Japanese-GSDLUW; для обработки субслов использует отношение goeswith. Модель принимает японский текст и присваивает метки токенам, включая части речи и синтаксические зависимости. Это специализированный чекпойнт для лингвистического анализа японских предложений; размер составляет 435,4 млн параметров, контекст — до 512 токенов. Для использования предусмотрена библиотека Transformers и pipeline с aggregation_strategy="simple". Модель распространяется по лицензии CC BY-SA 4.0. Ее применение ограничено разметкой японского текста в рамках поддерживаемой схемы; сведений о поддержке других языков или задач в карточке нет.

mudler/depth-anything.cpp-gguf — набор GGUF-конвертаций моделей Depth Anything 3 и Depth Anything V2, подготовленный командой LocalAI для проекта depth-anything.cpp. Модели предназначены для оценки глубины по изображению, включая восстановление плотной карты глубины, попиксельной уверенности, параметров камеры, а для отдельных вариантов — маски неба и 3D-облака точек. Результаты можно экспортировать в форматы GLB, COLMAP и PLY. Реализация выполнена на C++17 с использованием ggml и рассчитана на локальный запуск без Python, PyTorch и CUDA Toolkit во время инференса. Доступны варианты с архитектурами ViT-S, ViT-B, ViT-L и ViT-g, моделями относительной и метрической глубины, а также квантованные файлы f16, q8_0, q6_k, q5_k и q4_k. Метрические варианты Depth Anything V2 ориентированы на сцены в помещениях с дальностью до 20 метров или на открытые сцены до 80 метров. Модальности ограничены анализом изображений; поддерживаемые языки не указаны. Некоторые модели Depth Anything 3 восстанавливают позу камеры, а вложенный вариант требует загрузки двух GGUF-файлов. Сильными сторонами являются самодостаточный формат моделей, возможность работы на CPU, заявленная скорость выше PyTorch на CPU и проверенная близость результатов к исходным реализациям. Ограничения зависят от выбранного варианта: Depth Anything V2 выдаёт только глубину, относительные модели не дают абсолютный масштаб, а квантование может снижать точность. Распространение указано по лицензии Apache-2.0.

Карточка модели biali/Depth-Anything-V2-Small-hf на Hugging Face совпадает с карточкой depth-anything/Depth-Anything-V2-Small-hf, поэтому описание составлено по ней. Depth Anything V2 Small — компактная модель для монокулярной оценки глубины по изображению, представленная авторами Depth Anything V2 и опубликованная в версии, совместимой с библиотекой Transformers. Она строит плотную карту глубины по одному изображению и подходит для оценки относительной и абсолютной глубины без дообучения на конкретном сценарии. Модель использует архитектуру DPT с backbone DINOv2. Для обучения семейства применялись около 600 тысяч синтетических изображений с разметкой и более 62 миллионов реальных изображений без разметки. По сравнению с Depth Anything V1 авторы отмечают более детализированные и устойчивые предсказания; версия Small рассчитана на более лёгкий и быстрый запуск. Модель предназначена для исследовательских и прикладных сценариев компьютерного зрения, где требуется получить глубину сцены из RGB-изображения. Она не заменяет датчик глубины и может ошибаться на необычных сценах, прозрачных или отражающих поверхностях и объектах, недостаточно представленных в обучающих данных. Лицензия — Apache-2.0.

Depth Anything V2 Small — компактная модель для монокулярной оценки глубины по изображению, представленная авторами Depth Anything V2 и опубликованная в версии, совместимой с библиотекой Transformers. Она строит плотную карту глубины по одному изображению и подходит для оценки относительной и абсолютной глубины без дообучения на конкретном сценарии. Модель использует архитектуру DPT с backbone DINOv2. Для обучения семейства применялись около 600 тысяч синтетических изображений с разметкой и более 62 миллионов реальных изображений без разметки. По сравнению с Depth Anything V1 авторы отмечают более детализированные и устойчивые предсказания; версия Small рассчитана на более лёгкий и быстрый запуск. Модель предназначена для исследовательских и прикладных сценариев компьютерного зрения, где требуется получить глубину сцены из RGB-изображения. Она не заменяет датчик глубины и может ошибаться на необычных сценах, прозрачных или отражающих поверхностях и объектах, недостаточно представленных в обучающих данных. Лицензия — Apache-2.0.

CHMv2 — модель Meta AI для оценки высоты древесного полога по спутниковым изображениям. Она использует замороженный backbone DINOv3 ViT-L и декодер на основе DPT; модель выпущена вместе с глобальными картами высоты полога и рассчитана на применение к спутниковым снимкам без дополнительного дообучения. Модель предназначена для исследователей и государственных организаций, которым нужно измерять высоту и пространственную структуру лесного полога, включая деревья, просветы и границы крон. Такие оценки могут поддерживать исследования биоразнообразия и решения по управлению земельными и лесными ресурсами. В метаданных задача указана как depth-estimation; модель распространяется в формате safetensors и предназначена для использования с Transformers. В README заявлено улучшение точности, детализации и глобальной согласованности относительно исходных карт CHMv2, выпущенных в 2024 году, однако количественные показатели и подробности оценки в карточке не приведены. Лицензия — DINOv3 License; перед использованием следует учитывать её условия.