II.8Инженерия данных и аналитика

Модель ryan12345441/car-body-classifier разработана Furkan Nezih Uzmez и Yusuf Kerem Alcicek из Kocaeli University. Это классификатор изображений на PyTorch и timm: дообученная EfficientNetV2-S с классификационной головой на восемь типов кузова. На вход подаётся одно RGB-изображение автомобиля; изображение приводится к размеру 224 × 224 пикселя. Модель предсказывает один из классов: SUV, VAN, STATION_WAGON, MICRO, гоночный автомобиль с открытыми колёсами, SEDAN, HATCHBACK или PICK_UP. Модель предназначена для учебных проектов, прототипов, исследовательской оценки и экспериментов с обслуживанием моделей и API. В README сообщаются точность 96,7% и macro F1 95,4% на тестовом наборе с температурной калибровкой вероятностей. Эти результаты относятся к данным проекта; качество может снижаться на изображениях из других регионов и условий съёмки, при частичном перекрытии, необычном ракурсе, низком качестве или неоднозначном типе кузова. Классы MICRO и HATCHBACK указаны как более сложные. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия обозначена как other; README ограничивает применение исследовательской и оценочной деятельностью и исключает коммерческие продукты, публичный хостинг инференса и перераспространение. Перед публичным или коммерческим выпуском требуется отдельно проверить лицензии исходных наборов данных.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2_lr-1e5 — англоязычная модель BERT для заполнения пропусков в тексте, созданная дообучением microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания пропущенных токенов в биомедицинских текстах и может использоваться для адаптации к задачам NLP на медицинской литературе. Модель содержит 137,6 млн параметров, использует архитектуру BertForMaskedLM и принимает текстовые последовательности длиной до 512 токенов. В README указаны результаты на оценочной выборке: loss 1,1540, accuracy 0,7656 и perplexity 3,1710. Модель распространяется под лицензией Apache-2.0.

ChessSight detector v0.2.0 — модель обнаружения шахматной доски и фигур на изображениях, разработанная tchaufi. Она основана на RT-DETR и дообучена на синтетических изображениях, созданных в Blender; в обучении не использовались реальные фотографии. Модель распознаёт 14 классов: шесть типов фигур каждого цвета, доску и угловые ориентиры. Модель предназначена для анализа шахматных изображений: она находит фигуры и доску, чтобы последующая система могла восстановить позицию. На тестовой выборке из 306 реальных фотографий ChessReD заявлены mAP 0,621 и точное чтение 71,24% досок в составе конвейера репозитория с отдельной моделью углов. Это детектор объектов для изображений; отдельный конвейер сглаживания результатов по кадрам видео поставляется в репозитории. Уверенности модели требуют калибровки: в репозитории приведены параметры Platt-калибровки, рассчитанные на фотографиях, похожих на ChessReD. Модель хуже обнаруживает мелкие фигуры, а точность падает на размытых, сильно наклонённых и отличающихся от обучающих сценах. Угловые рамки дают лишь приблизительные ориентиры, а не точную геометрию доски. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

anasrz/cora-node-gcn — графовая нейронная сеть для классификации узлов, созданная на Keras 3 с библиотекой K3-Node. Модель предназначена для работы с графом Cora и предсказывает один из семи классов для узла по его признакам и связям с другими узлами. Архитектура — двухслойная GCN с 1433 входными и 32 скрытыми каналами; используется dropout 0,5. В README приведена точность 0,7860. Модель рассчитана на графовые данные с признаками узлов; конкретная область применения ограничена набором Cora. Реализация заявлена для бэкендов PyTorch, JAX и TensorFlow, а формат файлов в репозитории указан как TensorFlow. Лицензия MIT.

CROTTC-IF for L2-ARCTIC — готовый к локальному запуску комплект для вывода модели оценки произношения на данных L2-ARCTIC. Репозиторий включает веса модели и perceived SSL, кодировщик с 44 метками, конфигурацию WavLM и модули запуска; для загрузки комплекта не требуется подключение к Hugging Face. Модель предназначена для обработки WAV-записей и автоматического распознавания речи в рамках оценки произношения. Она связана с датасетом L2-ARCTIC и реализована с использованием SpeechBrain; метаданные указывают задачу automatic-speech-recognition. Лицензия и поддерживаемые языки в предоставленных источниках не описаны.

DC-AE-F32C32-Sana-1.1 — сжатый автоэнкодер из семейства Deep Compression Autoencoder, разработанный MIT HAN Lab и размещённый в формате для Diffusers. Он предназначен для кодирования и восстановления изображений в латентном пространстве, чтобы ускорять высокоразрешающие модели диффузии; сам репозиторий не является генератором изображений по тексту, несмотря на тег text-to-image в метаданных. DC-AE использует пространственное сжатие и остаточное автоэнкодирование, а обучение с адаптацией к высокому разрешению помогает сохранять качество реконструкции при сильном сжатии. В статье для семейства DC-AE сообщается о сжатии до 128 раз и ускорении отдельных диффузионных моделей; эти показатели не следует считать гарантированными для данного чекпойнта. Модель выпущена по лицензии MIT.

Koichi Yasuoka разработал эту модель на базе DeBERTa V2, дообучив KoichiYasuoka/deberta-base-japanese-aozora для определения синтаксической вершины слова в японском тексте. Задача оформлена как question answering: слово-кандидат задаётся в вопросе, а модель ищет его голову в контексте; README рекомендует использовать [MASK] в контексте, чтобы снять неоднозначность, если слово встречается несколько раз. Модель содержит 137,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Она предназначена для синтаксического анализа японского языка, в частности для выявления зависимостей в разбиении на длинные единицы слов. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

Koichi Yasuoka разработал небольшую модель DeBERTa V2, предварительно обученную на текстах японской библиотеки 青空文庫. Модель содержит 18,4 млн параметров, принимает текст и предсказывает замаскированные токены; для неё указано окно контекста 128 токенов. Основное назначение — восстановление пропущенных слов в японском тексте и дообучение для последующих задач обработки японского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель доступна в формате PyTorch и может использоваться через Transformers. Лицензия — CC BY-SA 4.0. Поскольку обучение проводилось на литературном корпусе 青空文庫, применимость к современным, разговорным и специализированным текстам может быть ограничена; качество для конкретной задачи зависит от дообучения.

ku-nlp/deberta-v2-tiny-japanese-char-wwm — компактная модель DeBERTa V2 от группы KU NLP, предварительно обученная на японской Википедии, японских частях CC-100 и OSCAR. Она предназначена для заполнения пропусков в тексте и других сценариев masked language modeling. Модель имеет около 6 млн параметров и контекстное окно 512 токенов. Текст разбивается на символьные токены с помощью SentencePiece; при обучении использовалось маскирование целых слов. Модель работает с японским языком и доступна в форматах PyTorch и Safetensors через библиотеку Transformers. Лицензия — CC BY-SA 4.0. Модель специализирована на восстановлении замаскированных фрагментов японского текста; карточка не сообщает об оценках качества или ограничениях сверх этой специализации.

Модель YoliGuadir/detector-frutas-yolo11 — детектор объектов на базе YOLO11, дообученный для поиска шести видов фруктов на реальных изображениях: яблок, бананов, винограда, луло, апельсинов и клубники. Проект создан в рамках курса по компьютерному зрению с глубоким обучением; исходный датасет из 777 изображений размечен вручную ограничивающими рамками. Модель предназначена для обнаружения фруктов и определения их положения на изображении. Для лучшего чекпойнта указаны precision 0,694, recall 0,640 и mAP50 0,684 на тестовой выборке. Репозиторий также содержит модель в формате ONNX; в карточке указана библиотека Ultralytics. Лицензия — AGPL-3.0. Качество распознавания винограда ниже: модель может путать гроздь с отдельными ягодами. Также возможна путаница между яблоками и клубникой по цвету, а результаты на изображениях, заметно отличающихся от обучающих, могут быть нестабильными.

AlphaAkib/detr-cppe5-ppe-detector — дообученная модель Conditional DETR с ResNet-50 для обнаружения объектов на изображениях. Она предсказывает классы объектов и их ограничивающие рамки; название репозитория указывает на задачу обнаружения средств индивидуальной защиты (PPE), однако карточка не раскрывает классы объектов и состав обучающих данных. Модель использует библиотеку Transformers и сохранена в формате safetensors. Модель предназначена для поиска и локализации объектов на изображениях, в частности средств индивидуальной защиты. В карточке приведён результат оценки Loss 1.1687, но не описаны протокол оценки, качество по отдельным классам или ограничения применения. Лицензия — Apache-2.0.

DistillPath-KS16-Virchow2 — компактный энкодер изображений гистологических препаратов, разработанный Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой из ETH Zurich. Модель ViT-S/16 содержит 21,7 млн параметров и выдаёт признаки размерности 384. Её обучили методом дистилляции на основе токенов из Virchow2 (632 млн параметров), используя 6 000 открытых слайдов TCGA; веса доступны в формате safetensors, модель работает через timm. Энкодер предназначен для извлечения признаков из изображений патологических тканевых тайлов и последующего использования в задачах вычислительной патологии. В README приведены результаты на бенчмарках EVA, HEST и PLISM, где модель приближается к показателям крупной модели-учителя. Лицензия указана как other, поэтому перед использованием следует проверить её условия в репозитории. Конкретные ограничения применения в карточке не описаны.

Intel/dpt-beit-base-384 — модель DPT (Dense Prediction Transformer) для оценки глубины по одному изображению. Она использует BEiT в качестве основы и добавляет к нему neck и head для предсказания глубины. Модель обучена на 1,4 миллиона изображений и представлена в статье Ranftl и соавторов «Vision Transformers for Dense Prediction» (2021); README опубликован командой Hugging Face. Модель предназначена для монокулярной оценки глубины, в том числе zero-shot применения к изображению. Её можно использовать в компьютерном зрении для получения карты глубины сцены по одному кадру. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Это дообученный детектор YOLO26n от Ultralytics, созданный в рамках DetectionBench на наборе ExDark для поиска объектов на тёмных и ночных изображениях. Он распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. Модель предназначена для обнаружения объектов на изображениях; карточка приводит результаты оценки на тестовой части ExDark, включая mAP@50 72,7% и mAP@50–95 46,27%. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics. Модель подходит для анализа ночных сцен и сравнительных экспериментов по обнаружению объектов при слабом освещении. Датасет невелик и несбалансирован: класс «Люди» составляет около 46% размеченных объектов, а автобусы встречаются редко, поэтому точность по редким классам имеет высокую неопределённость. Изображения в наборе были предварительно приведены к размеру 640×640. Лицензия модели — AGPL-3.0; в README также указано, что авторы датасета отдельно запрашивают некоммерческое использование, и это условие распространяется на обученную модель.

abhilash88/face-emotion-detection — модель классификации изображений, разработанная дообучением Vision Transformer ViT-Base от Google на наборе FER2013. Она определяет одно из семи выражений лица: злость, отвращение, страх, радость, грусть, удивление или нейтральное выражение. Модель содержит 113,2 млн параметров и принимает изображения лиц; для обучения изображения приводились к размеру 224×224 пикселя. Модель предназначена для распознавания выражений на чётких, направленных к камере изображениях с хорошо видимым лицом. В README заявлена точность 71,55% на FER2013; автор отмечает, что радость распознаётся лучше, а отвращение — хуже остальных классов. Лицензия — Apache-2.0. Качество может снижаться при сильных поворотах головы, перекрытиях лица и плохом освещении; автор также указывает на ограниченное разнообразие обучающих данных и различия качества между демографическими группами. Классификация выражения не гарантирует достоверного определения внутреннего эмоционального состояния человека.

Модель dima806/facial_emotions_image_detection — дообученная версия Vision Transformer ViT-Base-Patch16-224, созданная для классификации эмоций по изображению человеческого лица. Она принимает изображение и предсказывает эмоциональную категорию; в карточке заявлена точность около 91%, но подробности оценки и набор тестовых данных не приведены. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для распознавания выражений лица в приложениях компьютерного зрения и анализа изображений. Она выпущена под лицензией Apache-2.0. Результаты могут зависеть от качества изображения и условий оценки; предсказанные эмоции не следует считать достоверным определением внутреннего состояния человека.

anonauthors/fgvc_aircraft-swinT — модель компьютерного зрения для классификации изображений, опубликованная на Hugging Face. По идентификатору модели она относится к задаче FGVC Aircraft, то есть к тонкой классификации изображений самолетов. В метаданных указана архитектура Swin; библиотека реализации — Transformers. Модель содержит около 58,7 млн параметров и предназначена для применения в сценариях, где по изображению требуется определить класс или тип воздушного судна. Она может использоваться как готовый классификатор либо как компонент прикладной системы анализа изображений. Поддержка естественных языков для этой модели не заявлена. README не содержит сведений о разработчике, датасете обучения, точности, процедуре оценки, лицензии и рекомендуемых ограничениях использования. Поэтому перед применением в критически важных системах необходимо самостоятельно проверить качество на целевых данных и юридические условия использования.

Модель ivandrian11/fruit-classifier — дообученный Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, основанный на google/vit-base-patch16-224-in21k. Она классифицирует изображения фруктов; в метаданных указан датасет VinayHajare/Fruits-30. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. На оценочном наборе в README указаны accuracy 0,9578 и loss 0,1607. Модель подходит для распознавания классов фруктов на изображениях, например, в сортировке или учебных проектах компьютерного зрения. Результаты могут отличаться на изображениях, классах и условиях съёмки, не представленных в обучающих данных. Лицензия — Apache-2.0.

Модель asamol/garbage_types_image_detection предназначена для классификации изображений по типу мусора. Она дообучена на базе Vision Transformer google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. По карточке модели, точность распознавания составляет около 93%. Модель принимает изображение и выдаёт класс типа мусора; репозиторий содержит веса в формате safetensors. Модель может использоваться для сортировки мусора по фотографиям и для прототипов систем компьютерного зрения в сфере переработки отходов. Лицензия — Apache-2.0. Сведения о наборе классов, данных обучения и условиях измерения заявленной точности в карточке не приведены.

InferencerLabs Gemma-4-31B MTP — вспомогательная черновая модель с слоями Multi-Token Prediction (MTP) из google/gemma-4-31B-it-assistant. Она предназначена для совместной работы с Gemma-4-31B-MLX в режиме спекулятивного декодирования, чтобы ускорить генерацию основного помощника. В метаданных указаны плотная архитектура Gemma 4 и формат safetensors; README сообщает об испытании на M3 Ultra с 512 ГБ оперативной памяти. Для квантованного варианта Q4.5 README отмечает более высокую пропускную способность и меньший расход памяти без потери качества в проведённом тесте кодирования. Модель не описана как самостоятельный чат-помощник; её назначение — ускорять декодирование в совместимой конфигурации. Сведения о лицензии в предоставленных источниках отсутствуют.

GeoMotionGPT — модель zy22b для преобразования последовательностей движений человека в текстовые описания. Она объединяет токенизатор движений DVQ-GSST и языковую модель GPT-2, дообученную для генерации описаний по токенам движения. Модель построена на архитектуре GeoMotionGPTForCausalLM и рассчитана на работу с данными формата HumanML3D. Токенизатор обрабатывает 263-мерные признаки движения, снижает временное разрешение в 8 раз и использует кодовую книгу из 512 токенов. GPT-2 содержит 124 млн параметров; словарь включает текстовые и специальные токены движения. Контекст модели — до 1024 токенов. В метаданных указан английский язык. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию MIT. Основной сценарий — автоматическое создание естественно-языковых описаний движений человека. Карточка не сообщает о точности на тестовых наборах и не описывает обработку других форматов движения; результат зависит от соответствия входных данных представлению HumanML3D.

LinaCodec — аудиотокенизатор для речевых моделей, представленный автором репозитория YatharthS. Он кодирует аудио в последовательность из 12,5 токена в секунду с заявленной скоростью потока 171 бит/с и восстанавливает звук с частотой дискретизации 48 кГц. В карточке указаны форматы PyTorch и Safetensors. Токенизатор предназначен для компактного представления речи в системах синтеза и распознавания речи. В README также заявлена возможность использовать его как компонент решений для преобразования голоса, повышения частоты дискретизации и шумоподавления; эти сценарии описаны как косвенно поддерживаемые. Автор сообщает скорость кодирования до 200× и декодирования до 400× реального времени. Указанные показатели и качество основаны на заявлениях README; подробности архитектуры и независимые результаты оценки не приведены. Лицензия CC-BY-4.0 разрешает коммерческое и некоммерческое использование при указании авторства.

Экспериментальный чекпойнт диффузионной языковой модели LLaDA-8B, дообученный автором проекта dLLM Registers на кодовой части набора mix60k. Модель генерирует текст и предназначена прежде всего для генерации кода с чанковым декодированием: последовательность обрабатывается окнами по 64 токена, а четыре обученных register-токена передают состояние между окнами денойзинга. Для корректного инференса нужны специальные параметры канала registers и маскируемые register-токены. Обучение продолжает SFT-чекпойнт albertge/llada-8b-dllm-registers-mix60k-r4 на примерно 30 тысячах трасс из поднабора OpenCodeInstruct. Модель основана на GSAI-ML/LLaDA-8B-Base, использует плотную архитектуру LLaDA и файлы safetensors; библиотека — Transformers. Карточка указывает английский язык и лицензию Apache-2.0. Это исследовательский чекпойнт для экспериментов с переносом состояния при генерации кода; качество на иных задачах и совместимость без специальной обвязки не заявлены.

unsloth/medgemma-27b-it — вариант MedGemma 27B IT, опубликованный Unsloth и основанный на дообученной Google модели google/medgemma-27b-it. Это мультимодальная инструкция Gemma 3 с плотной архитектурой и генерацией текста по текстовым запросам и медицинским изображениям. Семейство MedGemma обучалось на медицинских текстах и изображениях, включая рентгенограммы грудной клетки, дерматологические, офтальмологические и гистопатологические изображения; для мультимодальной версии 27B также указаны данные медицинских записей и FHIR. Модель предназначена для разработчиков медицинских и научных приложений: она может отвечать на вопросы по медицинским изображениям, обрабатывать медицинские записи и отвечать на текстовые медицинские вопросы. Это исходная точка для дальнейшей адаптации под конкретные сценарии, а не готовая система клинической поддержки. В README отдельно указано, что для оценки изображений без генерации текста рекомендуется MedSigLIP. Модель принимает текст и изображения и генерирует текст; в карточке указана поддержка английского языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия обозначена как other. Результаты могут быть неточными и требуют независимой проверки и клинической валидации; модель не предназначена для самостоятельной постановки диагнозов, выбора лечения или принятия решений о ведении пациента. Мультимодальные возможности оценивались преимущественно на задачах с одним изображением, а работа с несколькими изображениями и многоходовые сценарии не оценивались.

MedPMC-CLIP — медицинская vision-language модель, разработанная авторами работы MedPMC и представленная как модель на архитектуре OpenCLIP ViT-L-14. Она обучена на наборе MedPMC-11M примерно из 11 миллионов пар изображение–описание, собранных из биомедицинской литературы. Репозиторий содержит чекпойнт в формате OpenCLIP; текстовые запросы токенизируются стандартным токенизатором OpenCLIP для ViT-L-14. Модель предназначена для классификации медицинских изображений без дообучения по текстовым меткам и поиска изображений по тексту или изображений, близких по смыслу. В описанных оценках она превзошла базовые модели в классификации на 26 открытых медицинских бенчмарках и в поиске изображений во внутреннем наборе клинической дерматологии. Лицензия CC-BY-NC-SA-4.0 требует учитывать условия атрибуции, распространения на тех же условиях и некоммерческого использования. Результаты на отдельных наборах не гарантируют качество для любых клинических сценариев.

genshiai-ai разработал японскую медицинскую модель эмбеддингов предложений на базе cl-nagoya/ruri-v3-70m и ModernBERT. Она предназначена для семантического поиска по медицинским документам и сравнения поисковых запросов с текстами. Модель содержит 70 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Для запросов и документов обязательны префиксы «検索クエリ: » и «検索文書: ». Перед кодированием требуется применить NFKC-нормализацию и удалить год публикации из заголовков, иначе обработка при обслуживании будет отличаться от обучения. В карточке приведён результат nDCG@10 0,4885 на проверочных запросах из той же предметной области; он не характеризует обобщение на другие распределения и периоды. Это промежуточный чекпойнт, загружаемый в ходе обучения; лицензия Apache-2.0.

philipp-zettl/MiniLM-L3-H384-uncased-mtg-v2 — компактная модель Sentence Transformers на основе nreimers/MiniLM-L3-H384-uncased, дообученная для поиска по тексту о коллекционной карточной игре Magic: The Gathering. Она преобразует предложения и абзацы в плотные векторы размерности 384; близость текстов можно оценивать косинусным сходством. Модель подходит для поиска карточек по названию, фрагменту правил или описанию эффекта, а также для семантического сопоставления коротких запросов с текстами карточек. Архитектура включает трансформер BertModel с усредняющим pooling. По карточке модели максимальная длина последовательности — 256 токенов; метаданные указывают нативный контекст до 512 токенов. Обучение проведено на 2 132 917 парах текстов с MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторные представления; карточка не указывает лицензию, поэтому условия использования следует проверить в репозитории перед применением.

Модель NextFire/mms-300m-ForcedAligner-karaoke-ja-Latn — дообученная версия facebook/mms-300m для принудительного выравнивания японских текстов песен, записанных ромадзи, с аудио караоке. Она основана на архитектуре Wav2Vec2 с CTC и содержит около 402,7 млн параметров; для работы использует аудио и соответствующий текстовый сценарий выравнивания. Модель предназначена для определения временного соответствия между строками или фрагментами ромадзи и звучанием японской песни, например для подготовки караоке-таймингов. В карточке указано дообучение на датасете NextFire/karaoke-mugen-timings. Метаданные относят её к распознаванию речи, однако специализация по README — выравнивание текста с аудио. Модель доступна в формате Safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные работы на тех же условиях. Карточка не сообщает точность выравнивания и ограничения по длительности или типу аудио.

NEED AI Semantic Search — англоязычный энкодер предложений, разработанный для поиска похожих объявлений об услугах на маркетплейсе NEED. Модель дообучена на базе sentence-transformers/all-MiniLM-L6-v2 для семантического поиска и сравнения предложений; архитектура основана на BERT, размер — 25,9 млн параметров, контекст — до 512 токенов. Принимает текст и предназначена для англоязычных запросов и описаний услуг. Модель помогает находить семантически близкие объявления, в том числе когда формулировки запроса и предложения различаются. Она оптимизирована для категорий услуг и пользовательских запросов платформы NEED, поэтому качество в других областях может быть ниже и потребовать дообучения. Лицензия — MIT.

Omi Med STT v1 — англоязычная модель распознавания речи для медицинских диалогов, разработанная Omi Health на основе NVIDIA Parakeet TDT 0.6B v2. Это дообученная модель класса 0,6 млрд параметров; основной контрольный файл распространяется в формате NeMo .nemo. Она предназначена для локальной транскрибации консультаций врачей общей практики, обсуждений лекарственной терапии, клинической диктовки и речи о процедурах, устройствах и анализах. Модель принимает аудио и преобразует речь в текст. Её можно запускать локально на NVIDIA CUDA, Apple Silicon и процессорах Linux или Windows; карточка приводит результаты внутреннего медицинского бенчмарка и сравнение с базовой Parakeet v2. Для работы с клиническими записями транскрипты необходимо проверять: модель не предназначена для диагностики, сортировки пациентов, назначения лечения или клинических решений и не прошла клиническую валидацию. Лицензия — CC BY 4.0.