II.8Инженерия данных и аналитика

Oneirogen-7B — языковая модель Гюстава Корталя для генерации рассказов о сновидениях и их анализа. Это дообученная с помощью LoRA модель Qwen2 с 7,1 млрд параметров, обученная на корпусе DreamBank, содержащем более 27 тысяч описаний снов. Модель принимает текст и генерирует текст на английском языке; для генерации используется префикс «Dream:», а обучающий маркер конца текста — «END.». В метаданных указан контекст до 131 072 токенов. Модель предназначена для создания новых повествований о снах. Её также можно дообучить для анализа персонажей и эмоций в описаниях сновидений. Oneirogen использовалась для создания англоязычного набора The Android and The Machine, включающего 10 тысяч реальных и 10 тысяч сгенерированных снов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT.

Модель FPN для семантической сегментации изображений, обученная на датасете Oxford Pet. Карточка предоставляет загрузку через библиотеку segmentation-models-pytorch и формат весов Safetensors. Лицензия MIT позволяет использовать модель на условиях этой лицензии. Данных о конкретных породах или классах разметки и метриках в карточке нет.

NTQAI/pedestrian_age_recognition — модель классификации изображений на архитектуре BEiT, дообученная на базе microsoft/beit-base-patch16-224-pt22k-ft22k. Она предназначена для распознавания возрастных категорий пешеходов по изображениям. В оценке на указанном наборе данных модель достигла accuracy 0,8073 и loss 0,5004. Модель содержит 119,5 млн параметров и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о классах возрастных категорий, составе обучающих данных и ограничениях применения, поэтому результаты для других условий съёмки и групп людей не установлены.

PsychBERT — доменно адаптированная языковая модель на архитектуре BERT, созданная Ведантом Ваджре, Митчем Нейлором, Удаем Каматом и Амардой Шеху. Она продолжает предобучение контрольной точки bert-base-cased на задаче восстановления скрытых токенов в научных публикациях по психологии, психиатрии, психическому и поведенческому здоровью, а также в обсуждениях психического здоровья в социальных сетях. Модель предназначена для предсказания замаскированных слов и доменно ориентированного анализа текста о психическом здоровье. Она содержит около 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в формате Flax. Карточка описывает работу как результат, представленный на BIBM 2021. Специализация на текстах о психическом здоровье может быть полезна для задач в этой области, однако README не приводит количественных оценок качества и не описывает проверку на клиническое применение. Лицензия в предоставленных сведениях не указана.

Qwen-Image-Edit-2509-Light_restoration — адаптер LoRA для модели Qwen/Qwen-Image-Edit-2509, предназначенный для редактирования изображений по текстовой инструкции. Модель ориентирована на восстановление и коррекцию освещения: удаляет выраженные световые эффекты, блики и тени, после чего переосвещает изображение мягким, более равномерным светом. Разработка выполнена с использованием инфраструктуры ModelScope; конкретный автор или организация-разработчик в карточке не указаны. Модель подходит для обработки фотографий, прежде всего портретов и изображений людей, а также для подготовки наборов данных с естественным освещением, например при создании датасетов для обучения lighting LoRA. Для работы требуется базовая модель Qwen-Image-Edit-2509, а автор также рекомендует совместное использование с Qwen-Image-Lightning. Указаны pipeline image-to-image и библиотека diffusers. Архитектура, число параметров, поддерживаемые языки, размер контекста и точные требования к ресурсам не раскрыты; приведённые инструкции содержат фиксированные текстовые запросы на китайском языке. Сильная сторона адаптера — специализация на удалении освещения с сохранением исходного изображения и более естественным результатом по сравнению с искусственным добавлением света. Ограничения состоят в зависимости от базовой модели и дополнительного Lightning LoRA, а также в отсутствии подробных количественных оценок качества и технических характеристик. Модель распространяется по лицензии Apache-2.0.

ybelkada/random-tiny-BertGenerationModel — очень маленькая модель семейства BertGeneration, опубликованная пользователем ybelkada на Hugging Face. Метаданные указывают архитектуру BertGenerationEncoder, формат PyTorch и размер около 108,1 тыс. параметров; заявленная длина контекста — 512 токенов. Модель предназначена для извлечения признаков из текста и запуска через Transformers как feature-extraction pipeline. В названии указано random, поэтому её следует рассматривать как случайно инициализированную тестовую модель для проверки загрузки и работы инструментов, а не как обученный текстовый энкодер для прикладных результатов. Карточка модели отсутствует; сведения о лицензии и поддерживаемых языках не установлены.

RETFound_mae_meh — энкодер Vision Transformer Large/16, разработанный Dávid Isztl как экспорт RETFound MAE из проекта Yukun Zhou и соавторов в формат Transformers. Он предварительно обучен с помощью Masked Autoencoder на цветных фотографиях глазного дна из подмножества MEH AlzEye и предназначен для извлечения признаков и последующего дообучения для классификации и поиска по медицинским изображениям. Энкодер содержит 24 слоя, размер скрытого представления 1024 и 16 голов внимания; процессор изображений рассчитан на входы 224×224. Модель принимает изображения и выдаёт признаки; отдельного слоя пулинга нет, поэтому для глобального представления можно использовать CLS-токен или собственный способ пулинга. Карточка этой версии описывает преобразование исходного чекпойнта PyTorch в формат Transformers и не сообщает о новой оценке качества. Обучение на ограниченном наборе изображений глазного дна может снижать качество при смене устройства, популяции или протокола съёмки; перед медицинским применением требуется независимая проверка, модель не является медицинским устройством. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это дообученный классификатор последовательностей на базе RoBERTa-base, разработанный frankhanhj для выявления текстов, созданных ИИ, с акцентом на художественную прозу и другие творческие тексты. Модель относит текст к классу «human» или «ai» и выдаёт вероятности классов. Она содержит 151,8 млн параметров, принимает текст длиной до 514 токенов и реализована на Transformers. Модель предназначена для исследовательской оценки и внутреннего анализа прозы, написанной человеком или сгенерированной ИИ. В README приведены результаты тестирования на собранных корпусах, включая показатели точности и ROC AUC; они относятся к этим данным и не гарантируют такого же качества на других текстах. Классификатор обучен на англоязычных данных. Он чувствителен к распределению обучающих источников, может ошибочно помечать человеческий текст как сгенерированный, особенно при смене предметной области, языка или семейства генераторов. Перед новым применением требуется калибровка и повторная оценка; результат не является доказательством авторства и не подходит как единственное основание для решений с серьёзными последствиями. Лицензия указана как «other», поэтому конкретные условия использования следует сверить с карточкой репозитория.

surajp/RoBERTa-hindi-guj-san — многоязычная модель архитектуры RoBERTa, созданная Suraj Parmar. Она обучена на статьях Википедии на хинди, санскрите и гуджарати: сначала предобучалась на хинди, затем дообучалась на объединённых текстах на санскрите и гуджарати. Токенизатор обучен на текстах всех трёх языков. Модель предназначена для предсказания замаскированных токенов в текстах на этих языках и может применяться в задачах языкового моделирования и обработки текстов. Она содержит 80,1 млн параметров, использует 6 слоёв трансформера с 12 головами внимания и поддерживает контекст до 514 токенов. Доступна под лицензией MIT в форматах PyTorch, Flax и Safetensors. Обучение и оценка проводились на корпусе статей Википедии; в карточке приведено значение perplexity около 2,92. Корпус включает обучающие и оценочные тексты, поэтому результат сам по себе не подтверждает качество на независимых данных. Модель ориентирована на три указанных языка, а не на универсальную многоязычную обработку.

HalmosiL/roi-segresnet-2d — модель сегментации лёгочной ткани на отдельных аксиальных срезах КТ грудной клетки. Её разработчик описывает её как первый этап двухэтапного конвейера coarse-to-fine для сегментации лёгочных узелков: маски срезов объединяют в трёхмерную область лёгких, по которой последующая модель выбирает область для анализа. Модель построена на 2D SegResNet из MONAI и содержит 6 904 081 обучаемый параметр. На вход подаётся нормализованный до диапазона [0, 1] срез размером 256 × 256; на выходе — карта вероятностей той же размерности, где передний план соответствует лёгочной ткани. Модель реализована на PyTorch и обучена на корпусе из NLST, NSCLC-Radiomics и LIDC-IDRI. Для валидации на 64 097 срезах указаны mIoU 0,9803, точность 0,9953 и precision 0,9797. Модель предназначена для выделения области лёгких на КТ, а не для самостоятельной сегментации узелков или постановки диагноза. Результаты описаны для валидационной выборки; тестовая выборка была отложена, поэтому приведённые метрики не характеризуют тестирование. Лицензия — Apache-2.0.

ROUBERTa cased — модель семейства RoBERTa-base, разработанная командой авторов из Уругвая и обученная с нуля на материалах уругвайской прессы на испанском языке. Она предназначена для заполнения пропусков в тексте: модель предсказывает подходящее слово или токен вместо маски. Архитектура — RobertaForMaskedLM, около 137,1 млн параметров; максимальная длина контекста — 130 токенов. Модель специализируется на уругвайском варианте испанского и может быть полезна для языковых экспериментов и анализа текстов местной прессы. Распространяется по лицензии MIT. Обучение на новостных текстах ограничивает представительность других жанров и вариантов испанского.

Модель kweer/rtdetr_v2_r50vd_finetuned — дообученная версия PekingU/rtdetr_v2_r50vd для обнаружения объектов на изображениях. Она использует архитектуру RT-DETRv2 и предназначена для локализации объектов в сценариях компьютерного зрения. В README приведены метрики оценки, включая mAP 0,4061 и показатели для классов Bin, Hand и Trash, однако назначение набора данных и смысл классов не раскрыты. Репозиторий содержит веса Safetensors и использует лицензию Apache-2.0.

Это веса визуального энкодера HieraDet из семейства SAM 2, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и может служить визуальным компонентом в системах компьютерного зрения. Карточка указывает вариант Hiera Large с настройкой fb_r1024_2pt1. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Данных о языковой поддержке и прикладной специализации нет.

Исследовательский чекпойнт scaling-mmbert-100k от whr778 — промежуточная точка эксперимента по масштабированию данных для извлечения событий. Он основан на энкодере jhu-clsp/mmBERT-base со свежими головами GLiNER2 и прогрет примерно на 100 тысячах многоязычных записей с плотной структурой аргументов событий в течение пяти эпох. Окно обучения составляло 2048 токенов. Модель предназначена для изучения влияния объёма структурированных данных на инициализацию голов извлечения перед последующим дообучением. Это повторно используемый артефакт инициализации, а не готовая модель для отдельной задачи: для практического извлечения событий её нужно дообучить на целевом наборе данных. Чекпойнт не оценивался как универсальная модель; качество разметки ограничено исходными корпусами событий. В README указана частная исследовательская модель; лицензия в доступных данных не приведена.

Это дообученная модель SegFormer B0, разработанная автором репозитория на базе nvidia/mit-b0 и обученная на датасете FoodSeg103. Она предназначена для семантической сегментации изображений еды: модель выделяет пиксели, относящиеся к фону и категориям продуктов и блюд, например мясу, овощам, фруктам и гарнирам. Модель принимает изображения и выдаёт карту сегментации. В карточке приведены результаты оценки: mean IoU 0,0515 и общая точность 0,2045; эти показатели указывают на низкое качество сегментации на указанной оценочной выборке. Для надёжного применения в реальных сценариях потребуется отдельная проверка и, вероятно, дообучение. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

FireViewer SegFormer-B2 fire and smoke baseline — модель семантической сегментации изображений семейства SegFormer, опубликованная проектом FireViewer, который поддерживает Unicorn Who Dev. Она обучена полным дообучением параметров для бинарной сегментации огня и дыма; контрольная точка выбрана на 10-й эпохе по минимальной валидационной потере. Модель загружается через Transformers как SegformerForSemanticSegmentation вместе с SegformerImageProcessor и распространяется в формате safetensors. Модель предназначена для офлайн-сравнения с многозадачной моделью FireViewer DINOv3. На отложенной выборке из 419 изображений указаны IoU 0,782232 и Dice 0,877812. Выпуск не прошёл продвижение в runtime FireViewer: для этого проект требует отдельной проверки, включая бенчмарки, устойчивость, происхождение данных и человеческую оценку. Лицензия в метаданных обозначена как other; README уточняет, что отдельные общие права на веса не документированы, а связанный датасет закрыт из-за неполноты сведений о правах. Модель не является системой оповещения или официальным источником и не предназначена для самостоятельного подтверждения пожара, решений об эвакуации, прогнозирования распространения огня или управления спасательными работами. Возможны ложные срабатывания и пропуски, ошибки при сдвиге домена, перекрытиях и неточном совмещении данных.

Self_Discipline_binary — англоязычный классификатор текста, созданный дообучением microsoft/deberta-v3-base на наборе данных, обозначенном в карточке как None. Модель построена на архитектуре DeBERTa v2 и содержит около 211,6 млн параметров; она принимает текст длиной до 512 токенов и выдаёт метку бинарной классификации. Карточка не раскрывает значения классов и целевой сценарий, поэтому область применения классификатора определить нельзя. На оценочном наборе указаны accuracy 0,6301, precision 0,6012, recall 0,7706, F1 0,6754 и AUC 0,6748. Модель распространяется по лицензии MIT.

Модель aguxez/snap-dumbbell-dfine-small-v85-gt25 — дообученная версия aguxez/snap-dumbbell-dfine-small-v31-e4-replay-adapt для обнаружения объектов на изображениях. Она построена на архитектуре D-FINE с классом DFineForObjectDetection и обучена на наборе aguxez/snap-equipment-youtube-v73-train-gt25. Репозиторий содержит веса Safetensors и формат ONNX; для модели указана библиотека Transformers. Модель предназначена для нахождения и локализации объектов на изображениях. В карточке не приведены перечень распознаваемых классов, метрики качества или сведения о рабочих ограничениях. Лицензия — Apache-2.0.

SpatialLM1.1-Llama-1B — дообученная Manycore Research модель для пространственного анализа 3D-облаков точек. Она принимает облако точек помещения и формирует структурированное описание сцены с архитектурными элементами — стенами, дверями и окнами — и ориентированными 3D-рамками объектов с семантическими категориями. Модель поддерживает структурную реконструкцию, оценку планировки и обнаружение 3D-объектов. Для обнаружения объектов можно задавать подмножество из 59 категорий мебели. Облака точек могут быть получены из видео, RGB-D изображений или LiDAR; для согласованной интерпретации вход должен быть выровнен по осям, а ось Z должна указывать вверх. SpatialLM 1.1 использует архитектуру SpatialLMLlamaForCausalLM на основе Llama 3.2 1B Instruct, содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для понимания интерьеров и может применяться в робототехнике, навигации и анализе 3D-сцен. Карточка не приводит ограничений качества за пределами требования к ориентации облака точек. Лицензия — Llama 3.2; использование регулируется её условиями.

SpatialLM-Llama-1B — дообученная модель SpatialLM на базе meta-llama/Llama-3.2-1B-Instruct, разработанная командой SpatialLM для понимания 3D-сцен. Она принимает подготовленные облака точек и генерирует структурированное описание сцены: элементы планировки, включая стены, двери и окна, а также ориентированные 3D-рамки объектов с семантическими категориями. Источниками облаков точек могут быть монокулярное видео, RGBD-изображения и LiDAR. Модель предназначена для анализа 3D-сцен в робототехнике, автономной навигации и задачах реконструкции планировки. В репозитории указано, что входное облако точек должно быть выровнено по осям, а ось z должна указывать вверх. Версия на 1,2 млрд параметров использует архитектуру SpatialLMLlamaForCausalLM; метаданные указывают контекст до 131 072 токенов и формат safetensors. Для оценки авторы предоставляют тестовый набор из 107 облаков точек, реконструированных из RGB-видео; в README отмечены шум и окклюзии в таких данных. Лицензия — Llama 3.2.

Это модель компьютерного зрения на базе YOLOv11n, разработанная cvtechniques и дообученная с помощью Ultralytics YOLO для обнаружения и классификации дорожных знаков на изображениях. Она возвращает ограничивающие рамки и метки классов для 12 типов знаков, включая STOP, уступите дорогу, переход для пешеходов и ограничения скорости в милях в час. Модель подходит для анализа дорожных сцен, экспериментов по распознаванию знаков, учебных проектов и исследований систем помощи водителю. Обучение проводилось на данных, полученных из LISA Traffic Sign Dataset, с аугментациями изображений. В README приведены высокие метрики на валидационном наборе, но они не гарантируют аналогичного качества в реальных условиях. Лицензия модели — MIT. Модель может хуже работать ночью, при плохом освещении, размытии движения, сильных тенях и необычных углах обзора. Похожие знаки ограничения скорости могут путаться, особенно если цифры закрыты или размыты; географический охват обучающих данных ограничен дорожными сценами США. README прямо предостерегает от применения в критически важных системах, включая автономное вождение, без дополнительных испытаний и проверки.

Nikeytas/Videomae Crime Detector Maxdata V1 — видеомодель, разработанная исследовательской командой и дообученная на подмножестве UCF Crime для бинарной классификации видеоклипов: она определяет наличие насильственного преступления или относит эпизод к ненасильственным инцидентам. В основе лежит VideoMAE — видеотрансформер ViT для анализа последовательностей кадров; модель содержит 113,2 млн параметров и принимает клип из 16 кадров с разрешением 224×224 пикселя на кадр. Результат — одна из двух меток классов. Модель предназначена для анализа видеозаписей, исследований компьютерного зрения и вспомогательного анализа системами безопасности при проверке человеком. В тестовой выборке из 120 видео точность и F1 составили около 0,675; датасет обучения включал 600 видео с равным числом примеров двух классов. Лицензия — MIT. Модель может пропускать контекст событий за пределами 16 кадров и хуже работать при отличающихся условиях съёмки или типах насилия, которых мало в обучающих данных. Возможны ложные срабатывания на интенсивные ненасильственные сцены, например спорт или боевики; результаты не следует использовать как единственное основание для критических решений.

VideoMAE_Kinetics_wlasl_100_longtail_200_signer — модель для классификации видео, дообученная на базе MCG-NJU/videomae-base-finetuned-kinetics. Она использует архитектуру VideoMAE и содержит 113,2 млн параметров. Название указывает на возможную связь с WLASL и распознаванием жестового языка, однако карточка не описывает датасет, классы или назначение модели подробнее, поэтому эти сведения нельзя подтвердить. Модель принимает видео и выдаёт метку класса. На оценочной выборке указаны accuracy 0,6982 и loss 1,4501; состав и размер выборки не приведены. Лицензия — CC BY-NC 4.0, допускающая использование с соблюдением её условий, но ограничивающая коммерческое применение.

Модель michaelgathara/vit-face-raf-db — Vision Transformer для классификации выражений лица на изображениях. Её разработчик дообучил trpakov/vit-face-expression на подмножестве RAF-DB с семью базовыми эмоциями: гневом, отвращением, страхом, радостью, нейтральным выражением, грустью и удивлением. Модель предназначена для распознавания эмоциональных выражений на фотографиях лиц и выдаёт класс эмоции. Архитектура — ViTForImageClassification, размер — 113,2 млн параметров; веса опубликованы в формате Safetensors. Карточка не сообщает об иных модальностях или поддержке конкретных естественных языков. Лицензия в предоставленных данных не указана. Классификация выражения лица не устанавливает внутреннее эмоциональное состояние человека; качество на изображениях вне обучающего набора может отличаться.

Melo1512/vit-msn-small-wbc-blur-detector — модель классификации изображений на основе Vision Transformer ViT-MSN Small, дообученная на базе facebook/vit-msn-small. Она предназначена для выявления размытых изображений белых кровяных клеток. Модель содержит 28,3 млн параметров и распространяется в формате safetensors; лицензия — Apache-2.0. На оценочном наборе указаны accuracy 0,9251 и loss 0,2045. Эти результаты относятся только к использованному набору данных; сведения о его составе и классах в карточке отсутствуют. Модель принимает изображения и выдаёт метки классификации. Данных о поддерживаемых естественных языках нет.

Hexmon/vyra-yolo-ppe-detection — модель обнаружения средств индивидуальной защиты на изображениях и видео, созданная на основе YOLOv8m и дообученная для распознавания PPE. Она предназначена для автоматического контроля экипировки и выявления связанных с безопасностью объектов и состояний, включая отсутствие отдельных средств защиты; в карточке перечислено 14 классов, но приведены названия только части из них. Модель работает с визуальными данными, использует библиотеку Ultralytics и опубликована в формате ONNX. Для репозитория указана лицензия CC BY 4.0.

Модель LincolnD/wav2vec2-base-finetuned-iemocap-acted-to-natural-emotion — классификатор эмоций в речи на базе Wav2Vec2, дообученный на IEMOCAP. Она предназначена для распознавания четырёх классов: гнева, радости, нейтрального и грустного состояния. Модель разработана для экспериментов по адаптации во время вывода (Test-Time Adaptation, TTA) при переходе от постановочной речи к импровизированной, а также между доменами и дикторами. Веса представлены в формате Safetensors; архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт метку эмоции. Карточка описывает английский набор данных IEMOCAP, но не подтверждает поддержку других языков. Модель связана с исследованием об адаптации систем распознавания эмоций в речи. Лицензия — MIT. Результаты оценки и сравнение методов вынесены в статью; карточка не приводит конкретных метрик, поэтому качество в других наборах данных и сценариях по ней оценить нельзя.

XCodec2 — модель-токенизатор речи, разработанная HKUST Audio. Она кодирует речевой сигнал в последовательность аудиотокенов и предназначена для использования в задачах моделирования и синтеза речи, включая обучение и инференс моделей семейства LLaSA. В карточке указана аудио-в-аудио задача; модель принимает аудио, а результатом её кодековой обработки служат аудиотокены. Модель относится к архитектуре XCodec2 и распространяется в форматах PyTorch и Safetensors. В README приведены инструкции по установке пакета xcodec2 и упомянуты варианты версии для инференса кодека и тонкой настройки LLaSA. Репозиторий опубликован под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

XMag — энкодер изображений патологии, разработанный командой AI4PATH. Это студенческая модель DINOv2 ViT-B/14, обученная дистилляцией признаков от замороженной высокомагнификационной модели UNIv2 для представления тканей при низком увеличении. На вход подаётся RGB-фрагмент патологии размером 224 × 224, снятый при увеличении 5× или с разрешением 2 мкм на пиксель. Модель возвращает CLS-эмбеддинг и эмбеддинги патчей. XMag предназначена для извлечения признаков из гистопатологических изображений и последующего анализа тканей. При обучении студент учился согласовывать глобальные и локальные признаки с представлениями учителя, полученными из соответствующей области при увеличении 896 × 896. Веса проекционных голов, использовавшихся при дистилляции, в этой публикации отсутствуют. Перед вызовом модели изображения нужно самостоятельно преобразовать в тензоры RGB и нормализовать по среднему и стандартному отклонению ImageNet: встроенной предобработки нет. Для загрузки архитектуры DINOv2 может потребоваться доступ к интернету или заранее сохранённый код torch.hub. Лицензия и сведения о контексте текста неприменимы либо не приведены в использованных данных.

keremberke/yolov8s-forklift-detection — модель компьютерного зрения на базе YOLOv8s, предназначенная для обнаружения вилочных погрузчиков и людей на изображениях. Она опубликована сообществом Keremberke и использует библиотеку Ultralytics. Модель выдаёт рамки объектов с метками forklift и person, что подходит для мониторинга погрузчиков и присутствия людей в кадре. В карточке указаны веса PyTorch и датасет keremberke/forklift-object-detection. Лицензия и дополнительные сведения о точности, размере модели и ограничениях по условиям съёмки в предоставленных данных не описаны.