II.8Инженерия данных и аналитика

RigoBERTa Clinical — испаноязычная клиническая encoder-модель IIC, полученная дополнительным предобучением RigoBERTa 2 на клиническом корпусе ClinText-SP методом masked language modeling. В метаданных связь с FacebookAI/xlm-roberta-large и IIC/RigoBERTa-2.0 обозначена как merge; архитектура — XLM-RoBERTa для masked language modeling, размер — 658,7 млн параметров, контекст — 514 токенов. Модель предназначена для заполнения пропусков в испанском клиническом тексте и как основа для прикладных задач медицинского NLP: классификации клинических записей, распознавания сущностей и адаптации к специализированным сценариям. В README сообщается о результатах на испанских клинических бенчмарках, включая CANTEMIST, MEDDOCAN и LivingNER1. Модель специализирована на испанских клинических текстах; её переносимость на другие языки и области может быть ограничена, а обучающие данные могут содержать смещения. Ресурсоёмкость следует оценивать для целевой среды. README указывает лицензию rigoclinical-nc с некоммерческими условиями; метаданные Hugging Face обозначают лицензию как other.

B2306575/roberta-classifier — модель классификации текста на базе FacebookAI/roberta-base, дообученная разработчиком и опубликованная в формате safetensors. Она предназначена для отнесения текстов к классам; конкретная предметная область и набор меток в карточке не описаны. Модель содержит 151,8 млн параметров и поддерживает контекст до 514 токенов. Лицензия — MIT. В приведённой оценке на тестовой выборке указаны accuracy 0,284 и F1 0,2332, поэтому результаты классификации могут быть слабыми. Данные обучения и целевые классы не описаны, что затрудняет оценку пригодности модели для конкретной задачи.

lazyturtl/roomclassifier — классификатор изображений на базе Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для классификации изображений комнат; README описывает её как пользовательский классификатор изображений, созданный через демонстрацию в Google Colab. В основе используется архитектура ViTForImageClassification, число параметров — около 113,2 млн. Модель подходит для автоматического отнесения фотографий комнат к классам, на которых она обучена. Репозиторий содержит веса PyTorch. Данные не описывают набор классов, обучающую выборку или качество классификации; лицензия также не указана.

ashutosh-kedar/rt-detr-v2-finetuned — дообученная модель обнаружения объектов, созданная на основе PekingU/rtdetr_v2_r50vd и предназначенная для поиска объектов на изображениях. Она использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers. В README приведены метрики оценки: mAP 0,43 и mAP@50 0,6. Среди названий классов и показателей упомянуты Bin, Hand, Trash и Trash Arm; по этим результатам нельзя надёжно установить полный состав классов или область применения модели. Набор данных в карточке назван неизвестным. Модель принимает изображения и выдаёт обнаружения объектов с метками классов и координатами. Лицензия — Apache-2.0; качество на других наборах данных и ограничения применения в карточке не описаны.

Self-consciousness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она содержит около 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для бинарной классификации текста, однако карточка не объясняет, что именно классифицируется, и не описывает целевые сценарии применения. В README приведены результаты оценки: accuracy 0,6787, precision 0,6838, recall 0,6633, F1 0,6734 и AUC 0,7213. Эти показатели описывают оценочный набор, но без сведений о данных и метках их нельзя интерпретировать как качество для конкретного применения. Модель распространяется по лицензии MIT.

AvitoTech SigLIP2-Giant — дообученная модель компьютерного зрения для распознавания отдельных кошек и собак по изображениям. Она основана на google/siglip2-giant-opt-patch16-384 и принимает изображения размером 384×384 пикселя, выдавая эмбеддинги размерностью 1536, пригодные для сравнения и проверки совпадений. Модель предназначена для повторной идентификации животных и поиска похожих изображений: например, для сопоставления найденного питомца с базой фотографий или связывания снимков с ветеринарной записью. В README указано обучение на 1 904 157 фотографиях 695 091 кошки и собаки с использованием нескольких наборов данных и дополнительно собранных изображений. Для сравнения эмбеддингов и принятия решения о совпадении требуется внешняя логика. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Заявленные сценарии ограничены идентификацией кошек и собак; метрики в карточке приведены для отдельных наборов тестовых данных, поэтому они сами по себе не гарантируют качество на иных породах, условиях съёмки или популяциях.

Support Ticket Voice Router — дообученная mZahran001 модель на базе distilbert/distilbert-base-uncased для распределения сообщений службы поддержки по восьми общим очередям. Она предназначена для текстового этапа голосового агента: после распознавания речи транскрипт вместе с темой сообщения передаётся модели для выбора очереди. Модель использует DistilBERT для классификации последовательности; на вход подаются тема и текст обращения. В карточке описано обучение на англоязычной части набора Tobi-Bueck/customer-support-tickets из 28 261 примера. Контекст — до 512 токенов по метаданным. На отложенной тестовой выборке указаны accuracy 0,6003 и macro-F1 0,4644, поэтому маршрутизация может требовать проверки или обработки низкой уверенности. Веса доступны по лицензии CC-BY-NC-4.0 с ограничением на некоммерческое использование, унаследованным от датасета.

TransVLM — мультимодальная модель HeyGenAI для определения временных сегментов переходов между планами в видео. Это дообученная Qwen/Qwen3-VL-4B-Instruct с архитектурой Qwen3VLForConditionalGeneration и примерно 4 млрд параметров. Модель принимает видеоданные вместе с оптическим потоком: входной визуальный энкодер расширен с трёх до шести каналов, чтобы обрабатывать RGB и визуализацию движения. Карточка описывает английский язык и лицензию Apache-2.0. Модель предназначена для обнаружения резких склеек и постепенных переходов, включая растворения, и выдаёт временные интервалы переходов, а не отдельные кадры границ. Она обучалась на задаче обнаружения переходов между планами и может служить базовой моделью для бенчмарка STD. Для корректного вывода требуется выпущенный авторами код инференса: обычный конвейер AutoProcessor/Qwen3VLForConditionalGeneration подаёт трёхканальные изображения и не соответствует входу модели. К ограничениям относятся узкая специализация на одной задаче и одном промпте, вычислительная стоимость, линейно растущая с длительностью видео, и необходимость разбивать длинные ролики на фрагменты. Метрики публикации нельзя точно воспроизвести только по выпущенным материалам: эталонные данные и предвычисленный оптический поток не входят в релиз. Для запуска авторы указывают Python 3.12, CUDA GPU и FFmpeg.

timm/twins_pcpvt_large.in1k — модель классификации изображений из семейства Twins-PCPVT, обученная авторами статьи на ImageNet-1k. Её можно использовать как готовый классификатор или как визуальный backbone для извлечения признаков. Архитектура относится к Vision Transformers и использует пространственное внимание. Модель содержит 61 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 9,8 GMACs. Репозиторий содержит веса PyTorch и SafeTensors; для работы предназначена библиотека timm. Лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных. README также показывает использование для получения эмбеддингов, но не приводит подробностей о переносе на другие наборы данных или задачах.

UrbanOmniDetect — набор предварительно обученных моделей для обнаружения объектов и оценки их трёхмерных ограничивающих параллелепипедов по одному RGB-изображению. Модель разработана Мехметом Керемом Туркджаном, Девикой Гумасте и Зораном Костичем из AIDL Lab Колумбийского университета для городской среды; веса опубликованы вместе с работой CVPR 2026 DriveX. Реализации построены на архитектурах YOLOv8, YOLOv9, YOLO11 и YOLO12 разных размеров. Рекомендуется семейство YOLO11x-P2; доступны контрольные точки для входных разрешений 640, 1280 и 1920 пикселей. Модель предсказывает ключевые точки 3D-боксов без параметров камеры, оценки глубины и априорных сведений о плоскости земли. Она рассчитана на разные ракурсы: с автомобиля, дорожной инфраструктуры и беспилотника. Для KITTI README приводит AP3D 30,71 и APBEV 35,19 на выборке Moderate при IoU не ниже 0,7; для YOLO11x-P2 указана метрика keypoint mAP50:95 0,751 на UrbanOmniView при разрешении 640 × 640. Заявлена скорость менее 11 мс на изображение на A100 с TensorRT при 640 × 640. Модель предназначена для восприятия городской среды, включая автономное вождение, анализ дорожной инфраструктуры и построение вида сверху. Она выдаёт координаты ключевых точек 3D-боксов, которые могут использоваться для формирования BEV-представления и видеотрекинга в коде проекта. Обучение проводилось на UrbanOmniView, объединяющем данные KITTI, DAIR-V2X и синтетические кадры UE5. Лицензия репозитория — AGPL-3.0. README описывает UrbanOmniDetect-2 как отдельный последующий выпуск с несовместимыми контрольными точками.

Модель archit11/videomae-base-finetuned-ucfcrime-full — дообученная на датасете UCF-CRIME версия видеотрансформера MCG-NJU/videomae-base. Она предназначена для классификации видео, в частности для распознавания категорий преступного поведения и инцидентов в видеоматериалах. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. На оценочном наборе указаны loss 2,5014 и accuracy 0,225, поэтому результаты классификации следует проверять на целевых данных перед применением. README не описывает состав классов и процедуру обучения подробнее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое использование.

Nikeytas/Videomae Crime Detector Fixed Format — модель классификации видео, разработанная Research Team и дообученная на основе MCG-NJU/videomae-base. Она выполняет бинарное распознавание насильственных преступлений: относит видеоклип к классу «насильственное преступление» или «ненасильственный инцидент». Модель предназначена для анализа видеозаписей в исследовательских проектах и как вспомогательный компонент систем безопасности с обязательной проверкой человеком. В основе лежит VideoMAE — видеотрансформер с архитектурой ViT, содержащий 113,2 млн параметров. На вход подаются видеоклипы из 16 кадров с разрешением 224×224 пикселя, на выходе — один из двух классов. Обучение проведено на подмножестве UCF Crime из 60 видео; карточка сообщает тестовые accuracy 0,9167 и F1 0,9202, но малая выборка ограничивает надёжность оценки. Модель может пропускать контекст длинных событий, ошибаться на интенсивных ненасильственных сценах и хуже работать при отличающихся условиях съёмки. Модель выпущена под лицензией MIT. Она не предназначена для автоматических юридических или дисциплинарных решений; применение в критических сценариях требует человеческого контроля и оценки возможных смещений.

michaelgathara подготовил дообученную модель Vision Transformer для распознавания выражений лица на изображениях. Она классифицирует выражения по семи категориям: гнев, отвращение, страх, радость, нейтральное выражение, грусть и удивление. Модель содержит 113,2 млн параметров и основана на trpakov/vit-face-expression. Для дообучения использована часть вручную размеченных изображений AffectNet; категория «презрение» исключена, чтобы согласовать набор классов с базовой моделью. Модель предназначена для классификации изображений лиц по выраженным эмоциям и использует архитектуру ViT. В карточке не приведены сведения о лицензии, поэтому условия использования по ней определить нельзя.

Это визуальная backbone-модель для извлечения признаков из изображений, связанная с проектом Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель содержит 304 млн параметров и принимает изображения размером 224 × 224 пикселя с тремя цветовыми каналами; размер патча — 14 × 14 пикселей. Репозиторий предоставляет веса в формате Safetensors, а для работы указана библиотека timm. Модель предназначена для получения векторных представлений изображений, которые можно использовать как признаки в последующих задачах компьютерного зрения, в частности при анализе патологических изображений. Карточка не сообщает о поддерживаемых языках или конкретных клинических сценариях. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории.

Это дообученная модель видеоклассификации на базе google/vivit-b-16x2-kinetics400, опубликованная пользователем tihon-nth. Она использует архитектуру ViViT и содержит 113,2 млн параметров. Модель предназначена для классификации видео; набор данных и названия пяти классов в карточке не раскрыты. На оценочном наборе указаны loss 0,8171 и accuracy 0,7937. Эти результаты относятся к неизвестному набору данных, поэтому их нельзя напрямую переносить на другие видео или задачи. Модель принимает видео и выдаёт метку класса. Репозиторий содержит веса safetensors; лицензия — MIT.

keremberke/yolov8m-blood-cell-detection — модель компьютерного зрения на архитектуре YOLOv8m, опубликованная пользователем keremberke и предназначенная для обнаружения клеток крови на изображениях. Она выделяет объекты трёх классов: тромбоциты, эритроциты и лейкоциты. Модель распространяется в формате PyTorch и использует библиотеку Ultralytics. Модель подходит для автоматического поиска и локализации клеток крови на изображениях, например для предварительной разметки микроскопических снимков и поддержки исследовательского анализа. Карточка указывает датасет keremberke/blood-cell-object-detection. Лицензия в предоставленных сведениях не обозначена.

keremberke/yolov8m-forklift-detection — модель компьютерного зрения на архитектуре YOLOv8, опубликованная пользователем keremberke и предназначенная для обнаружения вилочных погрузчиков и людей на изображениях. Она использует библиотеку Ultralytics и распространяется в формате PyTorch. Модель можно применять для визуального контроля присутствия погрузчиков и людей на кадрах, например, в рабочих зонах склада. README указывает два класса обнаружения: forklift и person. Карточка предлагает использовать модель через ultralyticsplus. Сведения о размере модели, лицензии, языковой поддержке и контексте неприменимы или не приведены в доступных данных.

keremberke/yolov8s-hard-hat-detection — модель обнаружения объектов на изображениях, созданная на основе YOLOv8s и предназначенная для выявления защитных касок. Карточка указывает два класса: Hardhat и NO-Hardhat, то есть наличие и отсутствие каски. Модель опубликована для библиотеки Ultralytics и использует формат PyTorch. Модель подходит для автоматической проверки использования касок на изображениях с рабочими площадками и для поиска людей без касок. Данных о размере модели, метриках качества, поддерживаемых языках и лицензии в предоставленных материалах нет.

keremberke/yolov8s-protective-equipment-detection — модель обнаружения объектов на базе YOLOv8, опубликованная пользователем keremberke и предназначенная для поиска средств индивидуальной защиты на изображениях. Она распознаёт перчатки, очки, каски, маски и обувь, а также отмечает отсутствие этих предметов. Модель распространяется в формате PyTorch и использует библиотеку Ultralytics. Модель подходит для автоматизированной проверки наличия защитного снаряжения на фотографиях рабочих мест и для контроля соблюдения требований безопасности по изображениям. Карточка не сообщает точность, ограничения применения или условия лицензии, поэтому их нельзя оценить по доступным данным.

ZUNA — базовая модель для электроэнцефалографии (ЭЭГ), разработанная Zyphra и подготовленная NeuroTechX в совместимом с Hugging Face формате. Это энкодер-декодерная архитектура на 382 млн параметров: энкодер преобразует сигналы ЭЭГ в латентные представления, а декодер использует flow-matching diffusion. Сборка NeuroTechX представляет собой самостоятельную копию весов mhough/zuna-base, совместимую с Transformers и загружаемую с trust_remote_code. Модель предназначена для извлечения признаков и получения латентных представлений сигналов ЭЭГ, в том числе в инструментарии NeuroTechX. README описывает энкодер как источник латентных эмбеддингов; данных о конкретных клинических или диагностических сценариях не приведено. Репозиторий содержит веса safetensors и указывает лицензию other, условия которой следует проверить перед использованием. Для загрузки требуется разрешить выполнение кода репозитория через trust_remote_code.

Модель разработана автором репозитория gary109 и представляет собой дообученную версию gary109/ai-light-dance_drums_pretrain_wav2vec2-base-new-7k на датасете GARY109/AI_LIGHT_DANCE - ONSET-RBMA13-2. Это модель Wav2Vec2ForCTC с 113,3 млн параметров для автоматического распознавания речи по аудио. В README приведён результат оценки WER 1,0, что указывает на слабое качество распознавания в указанной оценке. Для надёжного применения в других сценариях потребуется отдельная проверка качества. Репозиторий содержит веса PyTorch; условия лицензии в предоставленных данных не описаны.

Align3R — модель для оценки глубины по монокулярному видео, разработанная Jiahao Lu, Tianyu Huang и соавторами и описанная в работе 2024 года. Она предназначена для восстановления временно согласованной глубины, динамических облаков точек и поз камеры из последовательности кадров одного видео. В карточке указана архитектура AsymmetricCroCo3DStereo; модель загружается через библиотеку Align3R и распространяется в формате safetensors. Модель подходит для анализа движения и геометрии сцены по видео, а также для задач реконструкции и визуализации 3D-сцен. Она принимает видео и предсказывает глубину, облака точек и параметры камеры. README не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию, поэтому эти характеристики не приводятся.

AnomalyThink-Qwen2.5-VL-7B-KCR — мультимодальная модель для объяснимого обнаружения промышленных дефектов, созданная автором репозитория на основе Qwen2.5-VL-7B-Instruct. Модель дообучена методом supervised fine-tuning на корпусе из 6 000 размеченных рассуждений KCR; визуальный энкодер заморожен. На изображении изделия она формирует структурированный разбор, определяет тип дефекта и выдаёт бинарный вердикт о наличии аномалии. Модель предназначена для исследований и анализа изображений промышленных изделий. В карточке приведены результаты сбалансированной точности 82,80% на DS-MVTec и 72,07% на VisA в рамках общей процедуры оценки; на обоих наборах она превзошла указанный в README чекпойнт IAD-R1. Поддерживает ввод изображения и текста и выдаёт текст. Использует архитектуру Qwen2.5-VL; базовая модель имеет 7,1 млрд параметров. Лицензия — Apache-2.0. Модель может уверенно ошибочно находить дефект на нормальном изделии. Результаты на DS-MVTec и VisA следует трактовать с учётом возможного присутствия общедоступных изображений в данных предварительного обучения визуально-языковых моделей.

Японская базовая модель BERT от hitachi-nlp для задачи заполнения пропусков в тексте. Она использует архитектуру BERT с маскированным языковым моделированием и токенизатор MeCab + BPE; модель содержит 136,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. Данные обучения включают Wikipedia и CC-100. Модель подходит для предсказания пропущенных японских токенов и экспериментов с японским текстом на базе BERT. Для токенизатора требуется отдельно скачать словарь MeCab + BPE из репозитория разработчика и указать его путь. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции и распространяет ограничения на коммерческое использование и производные материалы.

Это предварительно обученная модель BERT-Base для монгольского языка, созданная tugstugi, enod и sharavsambuu. Репозиторий основан на проектах Google Research BERT, pytorch-pretrained-BERT и bert-japanese; модель обучали на монгольской Википедии и корпусе монгольских новостей объёмом 700 миллионов слов. Модель содержит 137,8 млн параметров, использует архитектуру BERT с головой masked language modeling и принимает последовательности длиной до 512 токенов. Она предназначена для предсказания замаскированных слов в монгольском тексте и может служить основой для дальнейшей адаптации к языковым задачам. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана. Модель рассчитана на монгольский язык и не описана как мультимодальная; качество на других языках или в задачах, отличных от заполнения пропусков, не подтверждено.

BohMBERT-m — компактный энкодер MicroBERT для коптского языка бохайрского диалекта, представленный Амиром Зельдесом. Это модель BERT с маскированным языковым моделированием, предназначенная для извлечения контекстных признаков из текста на бохайрском коптском языке. Она поддерживает контекст до 512 токенов и рассчитана на получение векторных представлений текста. Модель доступна в форматах PyTorch и safetensors; лицензия — Apache-2.0. В карточке указана конфигурация на 1,3 млн параметров. Специализация на одном диалекте ограничивает её применение текстами на бохайрском коптском.

Devarshi/Brain_Tumor_Classification — дообученная модель классификации изображений на архитектуре Swin Transformer. Она предназначена для отнесения медицинских изображений мозга к классам опухолей; состав классов и тип снимков в карточке не уточнены. Модель содержит около 33 млн параметров и распространяется в формате PyTorch. В README указано, что модель дообучена на microsoft/swin-tiny-patch4-window7-224 с набором данных imagefolder. На оценочной выборке заявлены accuracy, F1, recall и precision по 0,9647. Эти результаты относятся только к указанной выборке и сами по себе не подтверждают пригодность для клинической диагностики. Лицензия — Apache-2.0.

Карточка модели cccczshao/CALM-L на Hugging Face совпадает с карточкой cccczshao/CALM-Autoencoder, поэтому описание составлено по ней. cccczshao/CALM-Autoencoder — англоязычный автоэнкодер на базе PyTorch и Transformers, связанный с исследовательским подходом CALM (Continuous Autoregressive Language Models). Он сжимает фрагмент из K токенов в один непрерывный вектор и восстанавливает исходный текстовый фрагмент с высокой точностью; этот компонент предназначен для использования в двухэтапной схеме, где отдельная непрерывная языковая модель предсказывает такие векторы. Подход CALM стремится сократить число авторегрессионных шагов генерации пропорционально K. Репозиторий содержит веса в форматах PyTorch и safetensors; контекст модели составляет 2048 токенов. В карточке указаны английский язык и датасет Pile Uncopyrighted. Лицензия — MIT. Описание не приводит значение K и не уточняет размер модели или качество реконструкции этого конкретного чекпойнта.

Карточка модели cccczshao/CALM-M на Hugging Face совпадает с карточкой cccczshao/CALM-Autoencoder, поэтому описание составлено по ней. cccczshao/CALM-Autoencoder — англоязычный автоэнкодер на базе PyTorch и Transformers, связанный с исследовательским подходом CALM (Continuous Autoregressive Language Models). Он сжимает фрагмент из K токенов в один непрерывный вектор и восстанавливает исходный текстовый фрагмент с высокой точностью; этот компонент предназначен для использования в двухэтапной схеме, где отдельная непрерывная языковая модель предсказывает такие векторы. Подход CALM стремится сократить число авторегрессионных шагов генерации пропорционально K. Репозиторий содержит веса в форматах PyTorch и safetensors; контекст модели составляет 2048 токенов. В карточке указаны английский язык и датасет Pile Uncopyrighted. Лицензия — MIT. Описание не приводит значение K и не уточняет размер модели или качество реконструкции этого конкретного чекпойнта.

Карточка модели cccczshao/CALM-XL на Hugging Face совпадает с карточкой cccczshao/CALM-Autoencoder, поэтому описание составлено по ней. cccczshao/CALM-Autoencoder — англоязычный автоэнкодер на базе PyTorch и Transformers, связанный с исследовательским подходом CALM (Continuous Autoregressive Language Models). Он сжимает фрагмент из K токенов в один непрерывный вектор и восстанавливает исходный текстовый фрагмент с высокой точностью; этот компонент предназначен для использования в двухэтапной схеме, где отдельная непрерывная языковая модель предсказывает такие векторы. Подход CALM стремится сократить число авторегрессионных шагов генерации пропорционально K. Репозиторий содержит веса в форматах PyTorch и safetensors; контекст модели составляет 2048 токенов. В карточке указаны английский язык и датасет Pile Uncopyrighted. Лицензия — MIT. Описание не приводит значение K и не уточняет размер модели или качество реконструкции этого конкретного чекпойнта.