II.8Инженерия данных и аналитика

Детектор объектов YOLOv8n, дообученный на наборе Brackish Underwater в рамках DetectionBench. Он предназначен для обнаружения морских животных на подводных изображениях и видео, включая крабов, рыб, медуз, креветок и морских звёзд. Модель использует архитектуру Ultralytics YOLOv8 и публикуется в формате PyTorch; лицензия — AGPL-3.0. На тестовом разделении Brackish Underwater модель показала mAP@50 98,41% и mAP@50–95 83,01%. Данные собраны одной камерой в одном месте в Дании, поэтому перенос на другие камеры, местности и типы воды не проверен. В обучающем наборе заметен сильный дисбаланс классов: креветки и медузы представлены редко, поэтому оценки для них основаны на сравнительно небольшом числе примеров.

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.

tonyassi/celebrity-classifier — модель классификации изображений лиц, разработанная автором репозитория и дообученная на базе google/vit-base-patch16-224-in21k. Она определяет знаменитость на изображении, выбирая класс из 1000 персон; обучение проводилось на наборе tonyassi/celebrity-1000 из 18 184 квадратных изображений лиц размером 256×256 пикселей. Модель основана на Vision Transformer (ViT), содержит 113,2 млн параметров и распространяется в формате safetensors. Модель подходит для распознавания знаменитостей на фотографиях и демонстрационных задач классификации лиц. В README указана точность 0,7982 на evaluation set. Результат зависит от качества и кадрирования изображения; модель классифицирует только знаменитостей из обучающих классов. Лицензия — Apache-2.0.

CinemaCLIP — специализированная модель на основе CLIP ViT-B/32 с разрешением 256×256, созданная для анализа визуального языка кино на уровне отдельных кадров. Она дообучена на базе laion/CLIP-ViT-B-32-256x256-DataComp-s34B-b86K и включает 23 классификационные головы, разработанные для кинематографической таксономии. Модель предназначена для классификации кадров и поиска сходства между изображением и текстом в задачах, связанных с кино и кинематографией. Модель принимает изображения; для режима zero-shot также используется текстовый энкодер. Классификационные выходы объединены в вектор из 101 вероятности и охватывают одиночные, многометочные и бинарные категории. Доступны веса safetensors, а также варианты ONNX и CoreML для кроссплатформенного и локального вывода. README предупреждает, что демонстрационный метод predict_image служит справочным примером и не оптимизирован для производственного использования. Лицензия — OpenRAIL.

CornViT — модель компьютерного зрения на основе CvT-13 для оценки качества зёрен кукурузы по изображениям. Она использует иерархическую трёхэтапную классификацию: определяет чистоту зерна (чистое или примесь), форму (плоское или округлое) и ориентацию зародыша (вверх или вниз). Архитектура CvT-13 предварительно обучена на ImageNet-22k; размер входного изображения — 384×384 пикселя. Модель предназначена для автоматизированного контроля и сортировки зёрен кукурузы. В README приведены точности этапов на тестовых данных: 93,8%, 94,1% и 91,1% соответственно. Модель доступна по лицензии MIT. Карточка описывает реализацию на PyTorch, тогда как метаданные указывают библиотеку Keras; способ запуска следует сверять с файлами репозитория.

Emiel/cub-200-bird-classifier-swin — модель классификации изображений птиц, дообученная для соревнования Kaggle «Feather in Focus!» в рамках курса прикладного машинного обучения магистратуры Information Studies Амстердамского университета. Она относит изображение к одному из 200 классов птиц из набора CUB-200-2011. В соревновании команда заняла первое место по точности на тестовом наборе: 0,87950. Модель основана на Swin Transformer Large с 132,1 млн параметров, предобученном на ImageNet-21k, и дообучена на 3533 размеченных изображениях; для обучения применялись горизонтальные отражения и повороты до 10 градусов. Проверка проводилась на 393 изображениях. Вес доступен в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для распознавания птиц в изображениях из предметной области CUB-200-2011. Результат соревнования показывает высокую точность на конкретном тестовом наборе, однако README не приводит сравнений на других наборах данных; качество на иных видах изображений и в других условиях может отличаться.

Koichi Yasuoka разработал эту модель на архитектуре DeBERTa V2 для японского синтаксического анализа зависимостей. Она определяет головное слово для длинных единиц японского текста, формулируя задачу как поиск ответа на вопрос. Модель дообучена на базе KoichiYasuoka/deberta-large-japanese-unidic; при обучении использовались тексты 青空文庫 и данные UD_Japanese-GSDLUW. Размер модели — 435,4 млн параметров, контекст — до 512 токенов. Модель принимает текст с контекстом и вопросом, указывающим на слово, для которого нужно найти синтаксическую вершину. Если одно и то же слово встречается несколько раз, в README рекомендуется помечать нужное в контексте токеном [MASK], чтобы убрать неоднозначность. Модель ориентирована на японский язык и задачу dependency parsing; в карточке Hugging Face её pipeline указан как question-answering. Модель распространяется по лицензии CC BY-SA 4.0. Она специализирована на японских длинных единицах и синтаксических зависимостях, поэтому не предназначена для общего ответа на вопросы; контекст ограничен 512 токенами.

Elia Khater разработал эту модель на основе DistilBERT и дообучил её для бинарной классификации англоязычных текстов: написан ли текст человеком или сгенерирован ИИ. Модель построена на архитектуре DistilBERT для классификации последовательностей, обучена на корпусе HC3 с примерами ответов ChatGPT и принимает тексты длиной до 512 токенов. Для репозитория указана лицензия MIT. Модель предназначена прежде всего для исследовательских и учебных экспериментов, оценки методов обнаружения ИИ-текстов и как отправная точка для дальнейшего дообучения. В README приведены результаты на отложенной выборке HC3, однако они не гарантируют качество на других темах или генераторах. Автор отмечает повышенную частоту ошибок на технических текстах и коротких фрагментах, а также вероятное смещение против авторов, для которых английский не является родным. Модель не оценивалась на неанглийских текстах и текстах современных генераторов; её предсказания не следует использовать как единственное основание для решений, затрагивающих людей.

DistilGPT2 Spam Detector — небольшая демонстрационная модель, созданная дообучением distilgpt2 на наборе SMS Spam Collection. Она принимает текст сообщения в шаблоне «Message: … Label:» и генерирует метку «spam» или «ham», поэтому классификация оформлена как задача генерации текста. Модель рассчитана на выявление спама в англоязычных SMS-сообщениях. В карточке указано, что набор данных небольшой, англоязычный и несколько устаревший; модель не предназначена для промышленной фильтрации спама. Архитектура — GPT-2, контекст — до 1024 токенов. Формат весов — safetensors, лицензия — MIT.

DIVER-1 1 s Small — энкодер для электроэнцефалографии (EEG) и внутричерепной электрофизиологии (iEEG), выпущенный авторами Han et al. (2025) и представленный в формате библиотеки Braindecode. Модель содержит 50,6 млн параметров и кодирует сигналы патчами по 1 секунде при частоте дискретизации 500 Гц; совместное предварительное обучение проводилось на внутричерепных и скальповых записях. Репозиторий содержит веса энкодера в форматах PyTorch и Safetensors; при преобразовании исходные bfloat16-веса приведены к float32. Модель предназначена для получения признаков из EEG, SEEG, ECoG и DBS-сигналов, которые можно использовать в последующих задачах анализа нейрофизиологических данных. Для работы сигналы нужно привести к 500 Гц и передать позиции электродов; типы каналов задаются через информацию о каналах. Классификационная голова в релиз не включена: Braindecode инициализирует её при загрузке, поэтому для классификации требуется дообучение по протоколу статьи. Лицензия — MIT.

EfficientNet-B1, обученная исследовательской группой DBD на наборе XCL проекта BirdSet. Модель классифицирует спектрограммы аудиозаписей птиц по видам; обучение проводилось на данных Xeno-Canto, охватывающих 9736 видов птиц. На вход подаётся монохромное изображение спектрограммы. Для подготовки входных данных нужен специальный процессор из репозитория BirdSet, поскольку в репозитории модели собственного процессора нет. Модель опубликована в формате safetensors и использует библиотеку Transformers. Условия лицензии в доступных данных не описаны.

eugenehp/encodec24 — конвертированная и переорганизованная для RLX версия чекпойнта EnCodec 24 кГц от Meta. Модель предназначена для аудиокодирования и декодирования в пути EnCodec проекта RLX и интеграции с MetaVoice. В репозитории есть веса safetensors размером 88,8 МиБ и GGUF F16 размером 44,4 МиБ; библиотека для работы — rlx-encodec. Карточка отмечает, что репозиторий имеет исторический или промежуточный статус и не является основным поддерживаемым runtime-пакетом RLX. Лицензия — MIT.

nvidia/esm2_t30_150M_UR50D — версия модели ESM-2, опубликованная NVIDIA и оптимизированная с помощью TransformerEngine. Это плотный трансформер для работы с последовательностями аминокислот; модель основана на ESM-2 от Facebook Research и сохраняет его веса и выходы с возможными небольшими численными различиями. В метаданных указано 196,6 млн параметров и контекст до 1026 токенов; README приводит максимальную длину входной последовательности 1022 аминокислоты. Модель обучалась предсказывать замаскированные элементы белковых последовательностей на данных UniRef90 и UniRef50. Она выдаёт векторные представления для каждого аминокислотного остатка и всей последовательности, которые можно применять в исследованиях белков и дообучать для задач на основе последовательностей. Хотя карточка описывает её назначение как предсказание структуры белка, непосредственный выход этой версии — эмбеддинги, а не готовая 3D-структура. Модель принимает текстовую запись аминокислотной последовательности и возвращает векторы; поддерживает задачи fill-mask и token classification. Оптимизация ориентирована на NVIDIA GPU, интеграция указана для Transformers и Linux. Лицензия — MIT, разрешено коммерческое и некоммерческое использование.

Synthyra/ESM3_small — опубликованная компанией Synthyra версия контрольной точки biohub/esm3-sm-open-v1 с runtime FastPLMs для Transformers. Это белковая языковая модель ESM3 с плотной архитектурой FastESM3 и 1,8 млрд параметров, предназначенная для извлечения представлений белков и использования в биологических задачах. Входные данные включают последовательности, структуры и функциональные треки, подготовленные мультимодальными помощниками ESM3; основное назначение модели в карточке — feature extraction. Модель загружается через стандартный интерфейс Transformers. Её представления можно использовать для построения эмбеддингов белков и как основу для последующей классификации последовательностей или остатков. Классификационные головы, создаваемые AutoModel-классами, инициализируются заново и требуют дообучения, прежде чем их выходы можно интерпретировать как предсказания. Лицензия — MIT.

resoa/garment-attributes — модель классификации изображений на основе визуального энкодера SigLIP2 с классификационной головой. Её разработала команда resoa, дообучив базовую google/siglip2-base-patch16-224 на экземплярных аннотациях Fashionpedia. Модель предсказывает несколько атрибутов одновременно из набора 218 меток: силуэт, длину, тип воротника, рукава и карманов, застёжку, линию талии, рисунок ткани и особенности отделки. Метки связаны с полями технических спецификаций одежды. Модель принимает кадр с одним предметом одежды; для выделения такого кадра README рекомендует предварительно использовать garment-detector-seg. Веса доступны в формате safetensors, загрузка выполняется через стандартную библиотеку Transformers без удалённого кода. Лицензия модели — Apache 2.0; Fashionpedia, использованный для обучения, распространяется по CC BY 4.0. На валидационной выборке Fashionpedia указаны macro mAP 0,442 и micro F1 0,710 при пороге 0,5. README сообщает, что несколько вариантов обрезки с объединением предсказаний могут улучшить метрики, но требуют дополнительных вычислений. Модель может помогать оценивать видимые конструктивные характеристики изделия и сверять образец с техпаком, однако пригодность отдельных меток для контроля качества зависит от их точности. Она не определяет состав волокон, плотность GSM, мерки, класс стежка или цвет. Для фабричных и flat-lay фотографий данные обучения не вполне подходят; для таких изображений рекомендуется дообучение на соответствующих кадрах.

ThinkLink Gemma-2-2B-IT — дообученная MinnieMin диалоговая причинно-языковая модель на базе google/gemma-2-2b-it для подготовки к задачам на программирование. Она задаёт наводящие вопросы и предлагает пошаговые подсказки, чтобы пользователь самостоятельно разобрал условие, выбрал алгоритм и продумал реализацию. Модель предназначена для обучения и подготовки к техническим собеседованиям, а не для выдачи готовых решений. Архитектура — плотная Gemma 2 с 2,7 млрд параметров по метаданным, контекст — 8192 токена. Обучение проводилось с помощью LoRA на датасете RayBernard/leetcode. Заявленный язык — английский. Репозиторий использует формат safetensors; лицензия — Gemma License.

genderage2 — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя, разработанная пользователем ivensamdh. Модель содержит 113,2 млн параметров и дообучена на наборе данных imagefolder. В README приведён результат оценки: loss 0,2771. Модель предназначена для классификации изображений. Название репозитория предполагает задачи, связанные с определением пола и возраста, однако README не подтверждает состав классов и сценарии применения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

RF-DETR Nano — компактный детектор объектов на базе RF-DETR, дообученный автором репозитория dronefreak на Global Wheat Head Dataset в рамках DetectionBench. Модель предназначена для обнаружения и локализации колосьев пшеницы на полевых изображениях; её единственный класс — wheat_head. Для воспроизводимого сравнения детекторов модель обучалась и оценивалась по стандартному конвейеру DetectionBench. На тестовой выборке GWHD указаны mAP@50 53,82% и mAP@50–95 19,65%. Модель принимает изображения и выдаёт классы и рамки объектов. Детектор рассчитан на плотные сцены, где на изображении может быть много близко расположенных и частично перекрытых колосьев. Качество зависит от страны, сорта пшеницы, стадии роста и условий съёмки; например, mAP@50 в приведённой разбивке по странам составляет 35,4% для Австралии и 79,78% для Китая. Результаты на не представленных в обучающей выборке условиях не проверены. Модель распространяется по лицензии Apache-2.0; в README отдельно указана лицензия CC BY 4.0 для датасета.

HackHeritage26 Distress V3 — экспериментальная модель классификации текста, разработанная для слоя восприятия прототипа HackHeritage26. Она дообучена на базе MuRIL от Google, архитектура BERT, размер — 264,8 млн параметров; выдаёт одну из трёх категорий уровня дистресса: LOW, MODERATE или HIGH. Модель предназначена для экспериментов с текстами на английском и индийских языках, включая смешение языков, а также для поддержки решений с участием человека в системах безопасности и мультимодальных системах. На тестовой выборке из 54 примеров указана точность 90,74% и macro F1 90,72%. В репозитории также есть артефакт калибровки temperature scaling: после калибровки тестовая ECE снизилась примерно с 0,451 до 0,084 при неизменной точности. Контекст ограничен 512 токенами. Разработчик описывает категории как прототипные категории восприятия, а не клинические диагнозы или медицинскую оценку тяжести. Данные обучения не представляют разнообразие реальных ситуаций, групп населения и культур; оценки уверенности не гарантируют реальную вероятность. Лицензия в доступных данных не указана.

HOI-R1 — мультимодальная модель для обнаружения взаимодействий между людьми и объектами на изображениях. Она создана на основе Qwen2.5-VL-3B-Instruct и исследует применение рассуждений мультимодальных языковых моделей и оптимизации в стиле обучения с подкреплением для повышения качества обнаружения таких взаимодействий. Модель принимает изображения и текстовые запросы, а результат формулирует текстом; архитектура Qwen2.5-VL имеет 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель подходит для анализа сцен с людьми и объектами и определения их взаимодействий. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает исследовательское направление, но не приводит результатов оценки, деталей обучения или подтверждённых ограничений качества.

Kimi-K2.7-Code DFlash draft — черновая модель для ускорения генерации в режиме speculative decoding, разработанная для moonshotai/Kimi-K2.7-Code и обученная с помощью SpecForge на NVIDIA Nemotron-Post-Training-Dataset-v2 с данными по STEM, диалогам, математике и программированию. Она предназначена для работы как draft-модель в SGLang вместе с целевой Kimi-K2.7-Code, а не как самостоятельный генератор ответов. Модель использует шестислойную архитектуру Qwen3-style DFlashDraftModel с размером скрытого состояния 7168 и блоком из 8 токенов. Она принимает скрытые состояния целевой модели на слоях 1, 12, 24, 35, 47 и 58; словарь и токенизатор соответствуют Kimi-K2.7-Code. Контекст составляет до 262144 токенов. Чекпойнт отмечен как промежуточный снимок обучения, причём обучение на момент публикации продолжалось. Для загрузки требуется trust_remote_code=True и код модели из dflash.py. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

Модель malper/learning-interactions-summarization — версия T5-base, дообученная авторами проекта Learning Human-Human Interactions in Images from Weak Textual Supervision (ICCV 2023). Она преобразует полные текстовые подписи к изображениям в короткие описания взаимодействий между людьми. Модель использовалась для создания псевдоразметки pHHI для набора данных Who's Waldo и предназначена прежде всего для воспроизведения экспериментов статьи и подготовки подобных описаний из подписей. Это модель семейства T5 с архитектурой T5ForConditionalGeneration и 123,7 млн параметров; базовый контекст — 512 токенов. На вход подаётся текст, на выходе — краткое текстовое резюме взаимодействия. Модель дообучена на синтетических парах полных подписей и соответствующих описаний HHI. Распространяется под лицензией Apache-2.0. Она ориентирована на узкую задачу взаимодействий между людьми и предоставлена как исследовательский код для воспроизводимости результатов, поэтому её пригодность для обобщённого суммаризирования не подтверждена.

Это детектор светофоров YOLO26l, дообученный автором репозитория dronefreak на наборе LISA Traffic Lights в рамках DetectionBench. Модель предназначена для обнаружения светофоров и распознавания состояний и направлений сигналов на изображениях и видеокадрах; среди классов — go, goForward, goLeft, stop, stopLeft, warning и warningLeft. Используются архитектура YOLO26 и библиотека Ultralytics; веса представлены в формате PyTorch. Лицензия — AGPL-3.0. На тестовой выборке LISA Traffic Lights указаны mAP@50 27,28% и mAP@50–95 13,54%. Точность распознавания редких классов стрелок заметно ограничена из-за малого числа обучающих примеров. Данные включают последовательные кадры поездок по Сан-Диего днём и ночью, поэтому качество на новых местах, типах светофоров и конфигурациях камер может отличаться; небольшие и удалённые светофоры также распознавать сложнее.

Это дообученный детектор объектов YOLO26n от Ultralytics, подготовленный автором dronefreak на наборе LISA Traffic Lights в рамках DetectionBench. Модель находит светофоры и относит их к одному из семи классов: go, goForward, goLeft, stop, stopLeft, warning и warningLeft. Она принимает изображения и может применяться к кадрам видео для анализа дорожной обстановки и сравнительного бенчмаркинга детекторов. Модель построена на архитектуре YOLO26n и опубликована в формате PyTorch с библиотекой Ultralytics. На тестовой выборке LISA Traffic Lights указаны mAP@50 23,74% и mAP@50–95 10,57%. Лицензия репозитория — AGPL-3.0. Точность ниже для редких классов со стрелками, представленных в обучении меньшим числом примеров. Данные получены на дневных и ночных поездках в Сан-Диего; перенос на другие типы светофоров, дороги и камеры не проверен. Похожие соседние кадры могли попасть в одну выборку, а небольшие и удалённые светофоры распознаются сложнее.

Lizard-17m — компактная модель для генерации кода, разработанная Martico2432. Это трансформер с плотной архитектурой LizardForCausalLM и 17 млн параметров; модель распространяется в форматах PyTorch и Safetensors и использует библиотеку PyTorch. Модель обучена на наборе theblackcat102/evol-codealpaca-v1 и предназначена для экспериментов с небольшими моделями и генерации фрагментов кода по текстовому началу. В карточке приведены примеры с Python, PyTorch и SQL, однако автор отмечает, что результаты часто несвязны и синтаксически некорректны, а контекст ограничен. Указана поддержка английского языка. Лицензия — MIT. Автор рекомендует GPU с 8 ГБ памяти и сообщает, что запуск на CPU не работает; эти требования приведены в карточке модели.

Llama 3 Tulu V2 8B RM — англоязычная reward-модель, разработанная AllenAI на базе allenai/llama-3-tulu-2-8b. Она оценивает ответы помощника и предназначена для использования в обучении с обратной связью от человека, в частности в PPO и RLHF. Модель имеет плотную архитектуру Llama для классификации последовательностей и содержит 7,5 млрд параметров; максимальная длина контекста — 2048 токенов. Модель дообучена на данных UltraFeedback, включая раздел ultrafeedback_mean_aspects; в карточке также описан предварительный этап обучения на отфильтрованной смеси инструкций Tulu V2. В оценке RewardBench она получила 73,6 балла. Для подачи входа рекомендуется формат с сообщением и завершающим переводом строки, реализованный в шаблоне чата токенизатора. Модель подходит для исследований и построения конвейеров обучения языковых помощников. Карточка указывает Apache 2.0, а также отмечает, что базовая Llama 3 распространяется по лицензии Meta Llama 3 Community License; перед использованием следует учитывать условия обеих лицензий.

Marqo-FashionSigLIP — мультимодальная модель эмбеддингов компании Marqo для поиска и сопоставления изображений и текстовых описаний товаров моды. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались описания, категории, стиль, цвета, материалы, ключевые слова и мелкие детали товаров. Модель предназначена для поиска товаров по текстовому запросу или категории, а также для подбора похожих модных изделий по изображению. В README приведены результаты сравнения на шести общедоступных датасетах модной индустрии; авторы сообщают об улучшении MRR и recall относительно FashionCLIP. Модель поддерживает конвейер zero-shot классификации изображений и представлена в форматах PyTorch, Safetensors и ONNX; в карточке также описан запуск через OpenCLIP и Transformers.js. Лицензия — Apache-2.0. Модель специализирована на товарах моды, поэтому её результаты для других предметных областей не подтверждены приведёнными тестами; качество поиска зависит от соответствия запросов и изображений товарам и атрибутам, представленным при обучении.

selfies-ted — модель на архитектуре Transformer encoder-decoder семейства BART, разработанная IBM Research для получения представлений молекул в формате SELFIES. Модель содержит около 204,6 млн параметров, работает с входной последовательностью длиной до 1024 токенов и распространяется в форматах PyTorch и safetensors. Основной сценарий — преобразование молекулярных строк SELFIES в векторные эмбеддинги для последующего использования в задачах химического анализа и машинного обучения. README также описывает кодирование строк SMILES в SELFIES перед получением эмбеддинга. Лицензия — Apache-2.0. Модель предназначена для молекулярных представлений, а не для общения на естественном языке. Качество эмбеддингов зависит от корректного преобразования и представления молекул; в предоставленной карточке не приведены количественные результаты оценки.

MindLens — это кросс-энкодер на архитектуре BERT, дообученный разработчиком репозитория на парах запросов и фрагментов текста для ранжирования материалов по психическому здоровью. Модель использует 25,9 млн параметров и принимает совместно текст запроса и текст фрагмента; длина контекста составляет до 512 токенов. В конвейере MindLens она переупорядочивает 20 результатов поиска из ChromaDB, чтобы передать три наиболее релевантных фрагмента генератору терапевтических ответов. Модель обучена на данных Counsel Chat: пары с ответами консультантов использовались как положительные примеры, а ответы на другие темы — как отрицательные. Для применения описан интерфейс CrossEncoder из Sentence Transformers. README сообщает высокие результаты на отложенном тестовом наборе, однако они получены на данных той же предметной области и сами по себе не подтверждают качество в других сценариях. Лицензия — Apache-2.0.

InterCLIP InterHuman-262 Evaluator — артефакт только для инференса, реализованный Motius и выпущенный вместе с InterGen. Он кодирует текстовое описание и две синхронизированные траектории движений людей в совместные признаки, чтобы оценивать соответствие описания движению и качество генерации межличностных движений. Это стандартный оценщик InterGen и InterMask на наборе InterHuman-262; веса InterCLIP для текста и движений входят в файл SafeTensors, а OpenAI CLIP используется только для токенизации. Модель предназначена для оценки результатов генерации движений, а не для создания новых движений. Лицензия — CC BY-NC-SA 4.0; обучение и состояние оптимизатора в артефакт не включены.