II.8Инженерия данных и аналитика

DIVER-1-0.1s-tiny — это компактный энкодер для внутричерепных нейрофизиологических сигналов, опубликованный в библиотеке Braindecode на основе весов проекта DIVER-1 авторов Han и соавторов (2025). В модели 12,7 млн параметров; она разбивает сигнал на патчи длительностью 0,1 секунды и была предварительно обучена на внутричерепленных записях. Репозиторий содержит веса энкодера в формате PyTorch Safetensors, преобразованные для `braindecode.models.DIVER1`. Модель извлекает признаки из сигналов iEEG, включая SEEG, ECoG и DBS; поддерживаются также каналы скальповой EEG. Для входа сигнал нужно привести к частоте 500 Гц и передать положения электродов в `chs_info` в метрах. Эмбеддинги можно использовать как представления сигналов для последующей классификации и других задач анализа нейрофизиологических записей. Веса получены преобразованием официального чекпойнта: bfloat16-тензоры приведены к float32, имена параметров адаптированы, а токен маскирования и головы реконструкции удалены. В поставке нет классификационной головы, поэтому для прикладной классификации требуется дообучение. Проверено совпадение признаков энкодера с официальной моделью на CPU в float32; это не подтверждает качество downstream-задач, работу GPU или смешанную точность. Лицензия — MIT.

Модель wesleyacheng/dog-breeds-multiclass-image-classification-with-vit — дообученный Vision Transformer ViT-Base от Google, созданный автором на основе ноутбука Kaggle. Она классифицирует изображения собак по 120 породам из набора Stanford Dogs. Архитектура разбивает изображение на патчи 16×16 и обрабатывает их механизмом self-attention; исходная модель предварительно обучена на ImageNet-21k с разрешением 224×224. Размер модели — 113,2 млн параметров. Модель предназначена для определения породы собаки на фотографии, если порода входит в обучающий набор. В описанной оценке достигнуты точность top-1 84,0% и macro F1 83,0%; top-3 точность составила 97,1%, top-5 — 98,7%. Модель не предназначена для классификации других животных или пород, отсутствующих среди 120 классов. Репозиторий распространяется по лицензии MIT.

Модель chbh7051/driver-drowsiness-detection — версия Vision Transformer ViT, дообученная на наборе данных для обнаружения сонливости водителя. Она классифицирует изображения; на оценочной выборке автор сообщает точность 0,9752 и значение loss 0,0800. Модель подходит для анализа кадров из салона автомобиля в сценариях мониторинга состояния водителя. Число параметров — 113,2 млн; веса представлены в формате PyTorch. Лицензия — Apache-2.0.

EleFind — модель компьютерного зрения на базе YOLOv11, дообученная Helitha Guruge в рамках студенческого исследовательского проекта для обнаружения слонов на аэрофотоснимках и изображениях с дронов. Она предназначена для подсчёта и определения местоположения животных при авиационных обследованиях дикой природы; для снимков высокого разрешения рекомендуется обработка SAHI с нарезкой на фрагменты 1024 × 1024 и перекрытием 0,30. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками уверенности. В тесте на 50 изображениях указаны precision 53,2 %, recall 49,1 % и F1 51,0 %. Лицензия — MIT. Модель рассчитана на верхние, близкие к вертикальным ракурсы. Она может хуже работать при освещении и на местности, отличающихся от обучающих данных, пропускать мелких или частично закрытых слонов и ошибочно отмечать камни, тени и похожие объекты; боковые ракурсы не подходят для надёжного обнаружения. README не указывает размер весов или контекст, которые для этой модели обнаружения объектов неприменимы.

NVIDIA публикует оптимизированную версию ESM-2 t33 650M UR50D — трансформерной языковой модели для последовательностей белков, первоначально разработанной Facebook Research. Веса в этой версии, согласно карточке, совпадают с исходной моделью с точностью до численных различий; оптимизация выполнена с помощью TransformerEngine. В метаданных указаны архитектура NVEsmForMaskedLM, 865,1 млн параметров и контекст 1026 токенов, а в README — около 650 млн параметров и максимальная длина входа 1022 аминокислоты. Модель принимает строку аминокислотной последовательности и выдаёт векторные представления для каждого остатка; обучение на UniRef90 и UniRef50 использует задачу masked language modeling. Её можно применять для получения эмбеддингов и дообучать для задач над белковыми последовательностями. README также заявляет сценарий предсказания структуры белка, однако описанный выход этой версии — эмбеддинги, а не готовая 3D-структура. Для длинных последовательностей вход обрезается до 1022 аминокислот. Модель доступна по лицензии MIT для коммерческого и некоммерческого использования; NVIDIA указывает совместимость с GPU Ampere, Hopper и Blackwell.

Synthyra/ESMplusplus_large — белковая языковая модель семейства ESM++, опубликованная Synthyra как пакет чекпойнта Biohub ESMC-600M для работы через FastPLMs и Hugging Face Transformers. Модель содержит около 764,5 млн параметров и принимает аминокислотные последовательности, представленные идентификаторами остатков. Основное назначение — восстановление замаскированных токенов в белковых последовательностях; доступны также извлечения представлений последовательностей и остатков для последующего анализа. Модель можно применять для получения эмбеддингов белков, а также как основу для дообучения задач классификации последовательностей и отдельных остатков. У классификационных вариантов головы предсказания инициализируются заново и требуют обучения перед интерпретацией результатов. Поддерживаются несколько бэкендов внимания; численные результаты могут различаться, а доступность некоторых бэкендов зависит от платформы. Лицензия — MIT.

Это дообученная испаноязычная BERT-модель для предсказания скрытых слов в клинических текстах, разработанная на основе plncmm/beto-clinical-wl-es. Модель содержит 137,1 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Название репозитория указывает на настройку для ультразвуковых исследований, однако README не уточняет состав и характеристики обучающих данных. Модель подходит для заполнения пропусков в испаноязычных клинических текстах, в том числе связанных с ультразвуком. В README приведено значение loss 0,5271 на оценочном наборе, но описание набора и методики оценки отсутствует. Лицензия в предоставленных данных не указана.

fin-sent-tiny — небольшая модель классификации финансовых новостных предложений на положительные, нейтральные и отрицательные. Автор README не указан. Модель создана с нуля как учебный пример совместимой с Hugging Face архитектуры: эмбеддинги токенов, усреднение и небольшой MLP-классификатор. Веса сохранены в формате safetensors; заявленный размер — около 21 тыс. параметров. Модель предназначена для демонстрации полного цикла работы с Transformers: обучения токенизатора, определения архитектуры, обучения, сохранения и загрузки. Она работает на CPU без GPU и подходит для экспериментов с тональным анализом коротких предложений в стиле финансовых новостей. Обучение проведено примерно на 90 вручную размеченных предложениях, стилизованных под Financial PhraseBank. На отложенной выборке из 18 примеров точность составила около 61% при случайном базовом уровне 33%. Этого недостаточно для надёжного анализа реальных финансовых текстов, особенно длинных и нюансированных. Для загрузки архитектуры требуется файл modeling.py из репозитория: одного AutoModel.from_pretrained недостаточно. Лицензия в предоставленных данных не указана.

FocalCodec — причинный речевой кодек с частотой кодирования 50 Гц и одним кодбуком размером 65 536 кодов. Репозиторий содержит чекпойнт, обученный на Libri-Light; модель основана на focal modulation и предназначена для низкобитрейтного кодирования речи с возможностью потоковой обработки. Поддерживаются аудиосигналы с частотой дискретизации 16 и 24 кГц. Модель принимает аудио и выдаёт аудио, сжимая речевой сигнал в компактное представление и восстанавливая его. В метаданных указана тонкая настройка microsoft/wavlm-large. Репозиторий опубликован под лицензией Apache 2.0. Поскольку описание не приводит оценок качества, битрейта или подробностей совместимости, эти характеристики нельзя уточнить по имеющимся данным.

sfairXC/FsfairX-LLaMA3-RM-v0.1 — модель вознаграждения на базе Meta-Llama-3-8B-Instruct, представленная авторами исследования «RLHF Workflow: From Reward Modeling to Online RLHF» (TMLR, 2024). Она оценивает диалоги и ответы, выдавая оценку для использования в обучении с обратной связью от человека. Модель предназначена для reward modeling в RLHF-конвейерах, в том числе для PPO, итеративного SFT и итеративного DPO. Это плотная архитектура Llama с 7,5 млрд параметров и контекстом до 8192 токенов; в репозитории веса в формате safetensors. В карточке приведены результаты Reward-Bench, включая оценки для Chat, Chat Hard и Safety. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено её условиями. Качество оценивания зависит от данных и сценария применения; модель предназначена для выдачи оценок, а не для самостоятельной генерации ответов.

GraphTokenLM — экспериментальная графо-языковая модель на основе GraphToken, разработанная авторами исследования, посвящённого объяснению предсказаний GLM через важность рёбер. Она кодирует входной граф с помощью трёхслойного GIN-энкодера и проекционных слоёв в четыре мягких графовых токена, которые добавляются к текстовым эмбеддингам замороженной Qwen/Qwen3-4B-Base. Обучены только GNN-энкодер и проекции; параметры языковой модели не менялись. Чекпойнт дообучен на MotifQA в многозадачном режиме для графовых наборов ba_shapes, ba_two_motifs, tree_cycle и tree_grid_v2. Он предназначен для генерации текстовых ответов с учётом входного графа и изучения работы графо-языковых моделей. Модель содержит 4,2 млрд параметров и распространяется в формате safetensors; для загрузки требуются Transformers с trust_remote_code=True и библиотека torch-geometric. Лицензия — Apache-2.0. Метаданные указывают поддержку английского языка; размер контекста в доступных сведениях не приведён.

Instant-NuRec — модель NVIDIA для восстановления трёхмерных автомобильных сцен по серии изображений. Она принимает пакет NCoreV4 с RGB-кадрами и данными о камерах и выдаёт файлы PLY с 3D Gaussian Splats. Модель предназначена для разработчиков Physical AI, которым нужны сцены для замкнутого цикла симуляции и генерации синтетических данных. Архитектура включает Vision Transformer ViT-Base с alternate-attention по дизайну Depth-Anything-v3 и лёгкие DPT-декодеры для глубины, движения, контекста, параметров камеры и атрибутов Gaussian Splatting. Модель содержит 202 млн параметров и дообучена на автомобильных данных NVIDIA AV; исходная инициализация — чекпойнт Depth-Anything-v3 ViT-Base, основанный на DINOv2. Обучение рассчитано максимум на 90 изображений с разрешением 504×280; генерация сцены занимает менее двух минут. Для вывода требуется PyTorch и мощный NVIDIA GPU с CUDA Compute Capability не ниже 8.0. Модель рассчитана на создание трёхмерных сцен, а не на непосредственное восприятие для управления автомобилем или роботом. Качество может снижаться на нетипичных сценах; экстремальная погода не представлена в обучении, а ночные сцены встречаются редко. Результаты могут не соответствовать реальности и не должны служить основанием для критичных по безопасности симуляций. Модель заявлена для коммерческого и некоммерческого использования по лицензии NVIDIA Open Model License.

IS-Net-Anime — модель сегментации изображений на архитектуре U2Net, опубликованная пользователем BritishWerewolf. Она предназначена для выделения объектов и генерации масок на изображениях; в карточке также заявлена возможность уточнять маску с помощью взаимодействия с пользователем. Репозиторий содержит модель в формате ONNX, использовать её можно через библиотеку Transformers. Модель ориентирована на изображения аниме; метки карточки также указывают на удаление фона и портретную сегментацию. Модель доступна по лицензии Apache 2.0. README не приводит количественных оценок качества или конкретных ограничений точности, поэтому пригодность результата следует проверять на целевых изображениях.

Это компактный детектор объектов RF-DETR Nano, дообученный автором репозитория dronefreak на наборе LISA Traffic Lights в рамках DetectionBench. Модель предназначена для обнаружения светофоров на дорожных изображениях и определения состояния или направления сигнала: go, goForward, goLeft, stop, stopLeft, warning и warningLeft. Модель использует архитектуру RF-DETR Nano и библиотеку rfdetr; веса опубликованы в формате PyTorch. На тестовой части LISA Traffic Lights указаны mAP@50 27,47%, mAP@50–95 12,16% и точность 74,96%. Лицензия — Apache-2.0. Редкие классы со стрелками распознаются хуже из-за малого числа обучающих примеров. Проверка проводилась на дорожных последовательностях Сан-Диего; качество на других регионах, дорожной инфраструктуре и камерах не подтверждено. Небольшие и удалённые светофоры также сложнее обнаруживать.

mahjongsoulvision — дообученная pjura модель классификации изображений на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для классификации изображений, однако карточка не уточняет классы и сценарий применения. В README приведены результаты на оценочной выборке: loss 0,0466, accuracy 0,9967, F1 0,9966 и recall 0,9967. Эти метрики характеризуют только указанную выборку и не позволяют судить о качестве на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

MHG-GNN — автоэнкодер для молекулярных графов, связанный с публикацией исследователей IBM «MHG-GNN: Combination of Molecular Hypergraph Grammar with Graph Neural Network». Энкодер на основе графовой нейронной сети принимает молекулы, представленные в виде SMILES, и преобразует их в векторы признаков; последовательный декодер использует молекулярную гиперграфовую грамматику (MHG) для обратного преобразования в SMILES. Модель предназначена для извлечения представлений молекул и работы с молекулярными графами, в том числе для прогнозирования свойств и генерации молекул. В README сказано, что предварительное обучение проводилось на примерно 1,34 млн молекул из PubChem. Декодер обеспечивает структурную корректность генерируемых молекул согласно описанию авторов. Репозиторий содержит PyTorch-код; карточка указывает задачу feature-extraction и лицензию Apache-2.0. Заявленную высокую предсказательную эффективность README не сопровождает метриками. Контрольные веса названы предварительно обученными, однако в карточке репозитория веса не описаны.

MedGemma-27B-IT-FP8-Dynamic — производная модель Google MedGemma-27B-IT, подготовленная сообществом как вариант с динамическим FP8-квантованием для высокопроизводительного вывода. Это инструкционно дообученный decoder-only Transformer медицинской и биомедицинской направленности с мультимодальной базой, поддерживающей текст и изображения. В представленном варианте квантование ориентировано преимущественно на текстовые сценарии. Модель предназначена для выполнения медицинских и биомедицинских инструкций, суммаризации и анализа клинических текстов, построения RAG-систем, а также исследовательской и вспомогательной работы с медицинской информацией. Она рассчитана на развертывание через vLLM на современных GPU NVIDIA. FP8 Dynamic-квантование линейных слоёв снижает потребление VRAM и может повышать пропускную способность; при этом vision tower, мультимодальные проекционные слои и lm_head исключены из квантования для повышения стабильности. Веса уже квантованы, поэтому дополнительное runtime-квантование применять не следует. README не содержит сведений о размере контекста, поддерживаемых языках, точных требованиях к оборудованию и результатах бенчмарков. Также не раскрыты конкретные условия лицензии: указано только значение license: other. Модель следует рассматривать как инструмент для медицинского анализа и поддержки исследований, а не как замену квалифицированному клиническому решению.

MediPhi — специализированная языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстов. Она построена на архитектуре Phi-3 и получена объединением пяти медицинских экспертных моделей методом BreadCrumbs на базе microsoft/Phi-3.5-mini-instruct. В карточке указано около 3,8 млрд параметров, а метаданные каталога сообщают 3,7 млрд и контекст 4096 токенов. Модель рассчитана на англоязычные исследования и задачи клинической обработки естественного языка, включая работу с медицинской литературой, рекомендациями и клиническими документами. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к задержке. Лицензия — MIT. Модель может ошибаться, выдавать устаревшие или вымышленные сведения, а качество и безопасность на языках помимо английского могут быть ниже. Карточка рекомендует оценивать результаты и проверять их специалистом; модель не следует применять в высокорисковых клинических сценариях без соответствующей проверки и мер безопасности.

MediPhi-PubMed — языковая модель Microsoft Healthcare & Life Sciences для медицинских и клинических текстовых задач. Она основана на Phi-3.5-mini-instruct и создана слиянием PubMed-эксперта, дообученного на медицинских данных, с базовой моделью методом SLERP на уровне 10%. Архитектура — плотная Phi-3, около 3,7 млрд параметров; модель работает с текстом и поддерживает контекст до 4096 токенов. Модель предназначена для исследований в англоязычной клинической обработке естественного языка, включая генерацию медицинских текстов и ответы на клинические запросы. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке. Модель распространяется по лицензии MIT. Ответы могут содержать фактические ошибки, быть устаревшими или предвзятыми. Модель не оценена для всех практических задач и не должна использоваться для клинических решений без проверки специалистом; её работу также следует отдельно оценивать для конкретного сценария и языка.

MESIE-Spectral-Engine-v1 — компактная аудиомодель ItsNotAI LABS на базе трансформера с многоголовым механизмом внимания. В метаданных указано 917,5 тыс. параметров; модель опубликована в форматах PyTorch и SafeTensors и предназначена для классификации аудио. README описывает применение в мастеринге вещательного аудио: оценку интегральной громкости LUFS по ITU-R BS.1770-4, проверку соответствия EBU R128 и балансировку энергии в семи спектральных полосах. Заявлены обучение на доменных наборах данных и задержка инференса 1,09 мс; эти метрики приведены автором карточки. Модель распространяется по лицензии Apache-2.0. Карточка не описывает аудиоформат, частоту дискретизации и набор выходных классов, поэтому эти характеристики здесь не уточняются.

jorgeduardo13/mobilevit-small-finetuned — модель классификации изображений, созданная дообучением MobileViT-Small от Apple на CIFAR-10. Она предназначена для отнесения изображений к классам этого набора данных. В оценке на тестовой выборке указана точность 0,787 и значение loss 0,6787. Модель использует архитектуру MobileViTForImageClassification и опубликована в формате PyTorch. Лицензия в метаданных обозначена как other; конкретные условия использования в карточке не раскрыты.

Это англоязычный CrossEncoder на базе nomic-ai/modernbert-embed-base, дообученный авторами CityBehavEx для выбора подходящего типа микроактивности или места интереса в заданном временном блоке расписания. Модель оценивает пару текстов: контекст человека, расписания и предыдущей активности, а также вариант активности; оценку можно использовать для ранжирования вариантов и семантического поиска. Она входит в платформу симуляции городской мобильности CityBehavEx и рассчитана на применение как один из её выравнивателей. Модель построена на ModernBERT, содержит 149 млн параметров, принимает только текст и выдаёт оценку соответствия пары. Максимальная длина последовательности — 8192 токена. Для дообучения использовалось 5000 размеченных пар с функцией потерь Binary Cross Entropy. Лицензия в предоставленных данных не описана.

MoPET — unified — это исследовательская модель Sebastian Doerrich и Daniel Würtinger из xAILab Университета Бамберга для классификации медицинских изображений в четырёх наборах MedMNIST+: BloodMNIST, BreastMNIST, DermaMNIST и PathMNIST. Модель использует замороженную основу DINOv3 ViT-B/16 и смесь экспертов MoE с разреженной маршрутизацией: в слоях внимания задействованы LoRA- и BOFT-адаптеры, а для каждого набора данных предусмотрена отдельная классификационная голова. Модель принимает RGB-изображения размером 256×256 и выдаёт оценки классов для выбранного набора данных. Её можно применять для классификации изображений клеток крови, тканей молочной железы, кожных поражений и патологических срезов, а также для извлечения признаков и экспериментов с новыми головами классификации. В описанном сравнении на объединении четырёх наборов достигнута средняя точность 93,46%. Модель предназначена для исследовательского использования, а не для клинической диагностики. Изображения MedMNIST+ уменьшены относительно исходных клинических данных; качество на других источниках и при сдвиге домена не охарактеризовано, а дисбаланс классов может приводить к различиям в качестве по классам. Лицензия — MIT.

NetrAI-L3 — доменно адаптированная языковая модель для задач кибербезопасности, созданная дообучением meta-llama/Llama-3.2-3B-Instruct с помощью LoRA. Итоговая объединённая модель представлена в формате SafeTensors; архитектура — плотная LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для объяснения оповещений Suricata, интерпретации событий SIEM, контекстуализации телеметрии безопасности и поддержки рабочих процессов SOC. Она генерирует текстовые ответы в диалоговом формате и может помогать аналитикам разбирать события и формулировать рекомендации. Модель не заменяет SIEM, XDR или платформы реагирования на инциденты. Результаты зависят от контекста запроса и требуют проверки квалифицированными специалистами по безопасности. Лицензия — Llama 3.

Nocturne v1 Mini — компактная дистиллированная модель Stratus Labs для многометочной классификации звуков животных и идентификации видов по аудиозаписям. Она использует EfficientNet-B1 с одноканальным входом по лог-мел-спектрограмме и линейной классификационной головой на 2182 вида. На вход подаётся 10-секундная монофоническая запись с частотой 16 кГц; модель рассчитана на локальный запуск на CPU и периферийных устройствах, включая Raspberry Pi и мобильные устройства. Модель предназначена для биоакустического мониторинга насекомых, амфибий и других не относящихся к птицам таксонов, в том числе для пассивного наблюдения за биоразнообразием и экологического мониторинга. В README приведены результаты оценки на отложенных выборках и указано, что мини-версия существенно меньше и быстрее модели-учителя; показатели на новых местах записи могут снижаться, поэтому перед применением в незнакомой местности нужна локальная проверка. Репозиторий распространяется по лицензии CC BY 4.0.

PathologyBERT — англоязычная модель на архитектуре BERT, разработанная для работы с текстами патоморфологических заключений. Это предварительно обученная masked language model, обученная на гистопатологических отчётах; специализированная лексика и токенизация ориентированы на патологию молочной железы. Модель содержит 123,2 млн параметров, принимает текст с контекстом до 512 токенов и предсказывает замаскированные слова или фрагменты текста. Модель предназначена для исследовательской работы с патоморфологическими отчётами и может служить основой для классификации таких заключений, включая иерархическую классификацию отчётов о патологии молочной железы. Она не является готовой системой диагностики: карточка описывает языковую модель и отдельно упоминает классификационную систему на её основе. Лицензия в предоставленных данных не указана.

Polaris FMv2-small — модель извлечения визуальных признаков для вычислительной патологии, разработанная StratifAI GmbH. Она создана дообучением DINOv2-small на корпусе примерно из 100 000 гистопатологических полноразмерных изображений препаратов (WSI) разных типов тканей и способов окрашивания. Модель предназначена для исследовательских проверок с партнёрами и сравнения качества методов вычислительной патологии. Извлечённые признаки изображений можно использовать как основу для обучения классификаторов и других визуальных задач. Это модель компьютерного зрения: она принимает изображения и выдаёт векторы признаков. Карточка не сообщает длину контекста или поддержку конкретных естественных языков. Модель предоставляется только для исследовательского использования (RUO) и не одобрена для клинического применения. Клиническое внедрение без необходимого регуляторного разрешения и коммерческое использование без отдельного письменного соглашения исключены. Лицензия репозитория — CC-BY-NC-ND-4.0; базовый компонент DINOv2 распространяется по Apache 2.0.

PythonGPT — небольшая языковая модель семейства GPT-2, созданная автором 0x7o и обученная с нуля на 16 ГБ скриптов Python. Модель содержит 50 млн параметров и предназначена для генерации текста, прежде всего фрагментов кода Python. Это игрушечная модель с контекстом 1024 токена. В метаданных указаны PyTorch и safetensors, а также лицензия MPL-2.0. Карточка не сообщает о результатах оценки качества или пригодности для конкретных рабочих процессов.

Huang2020/Qwen3-8B-Domino-b16 — черновая модель Domino/DFlash, разработанная для ускорения генерации с помощью speculative decoding вместе с целевой моделью Qwen/Qwen3-8B. Она формирует черновые токены блоками по 16, а лёгкая причинная корректирующая голова повышает долю принимаемых токенов. Это производная модель на базе Qwen/Qwen3-8B, представленная в формате safetensors и рассчитанная на использование через Transformers. Модель не предназначена для самостоятельной генерации текста: её нужно подключать к целевой модели при генерации. README рекомендует прямой путь spec_generate на одной GPU и отключение режима thinking в настройках Qwen3. Контекст составляет до 40 960 токенов. Условия лицензии в предоставленных данных не описаны.

SamAdamDay выпустил модель ResNet-18, обученную классифицировать изображения из набора CIFAR-10. Она принимает цветные изображения, масштабированные до 256 × 256 пикселей, и относит их к одному из десяти классов CIFAR-10. Модель можно загрузить через библиотеку timm; веса доступны в форматах PyTorch и safetensors. В карточке указана точность 94,73% на тестовой выборке. Модель подходит для классификации объектов на изображениях, близких по содержанию к CIFAR-10, и для учебных или экспериментальных задач компьютерного зрения. Лицензия — MIT.