II.8Инженерия данных и аналитика

Это исследовательский чекпойнт whr778 для извлечения аргументов событий из текста по схеме RAMS. Модель основана на mmBERT-base: её головы сначала обучались на примерно 100 000 записей о структуре событий и аргументах, после чего модель дообучили на RAMS по рецепту из 15 эпох с выбором чекпойнта по строгой метрике извлечения аргументов. Доступный формат весов — safetensors. Чекпойнт предназначен для измерения влияния предварительного обучения голов модели на качество последующего извлечения аргументов событий, а не для общего использования. На слепом тесте RAMS из 871 документа строгий micro-F1 составил 0,158 для аргументов и 0,732 для триггеров событий. README характеризует модель как одну точку исследовательской кривой масштабирования и указывает, что артефакт закрытый; условия лицензии не приведены.

braindecode/signal-jepa_without-chans — вариант весов самообучаемой модели Signal-JEPA, подготовленный Guetschel et al. (2024) и упакованный для библиотеки braindecode. Чекпойнт содержит SSL-энкодер признаков и трансформер, но не содержит таблицу эмбеддингов каналов; каналные эмбеддинги можно обучить с нуля под используемую раскладку электродов. Модель предназначена для извлечения контекстных признаков из сигналов ЭЭГ и дальнейшего самообучения или дообучения для downstream-задач, например классификации. Она предварительно обучена на наборе Lee2019 с 62 каналами ЭЭГ в раскладке 10-10 и частотой дискретизации 128 Гц; представленный вариант подходит в том числе для записей с другой схемой расположения каналов. Веса распространяются в форматах PyTorch и safetensors, лицензия — MIT. Модель возвращает признаки, а не готовые классы. Для классификации требуется отдельная голова, которая в примерах README обучается с нуля; качество на конкретных данных зависит от последующего обучения и настройки каналов. Модель рассчитана на обработку сигналов ЭЭГ, а не на прямое предсказание меток без дополнительной головы.

Это разреженный автоэнкодер (SAE) Prisma-Multimodal для анализа признаков в представлениях CLIP ViT-B/32. Модель принимает векторные активации размерности 768 и кодирует их в разреженное представление размерности 49 152 с коэффициентом расширения 64; используется архитектура vanilla SAE с активацией ReLU. Контекст указан как 50 токенов. Модель предназначена для извлечения признаков и исследований интерпретируемости представлений CLIP, включая механистическую интерпретируемость. В README приведены L1-коэффициент 0,0001, средняя разреженность L0 около 368 и объяснённая дисперсия 76,78%. Лицензия репозитория — Apache-2.0. Описание не указывает процедуру подачи данных или ограничения применимости.

SpatialLM-Qwen-0.5B — компактная модель пространственного понимания команды SpatialLM, представленная в репозитории manycore-research. Она дообучена на Qwen/Qwen2.5-0.5B-Instruct и предназначена для анализа 3D-облаков точек и генерации структурированного описания сцены: элементов планировки, таких как стены, двери и окна, а также ориентированных ограничивающих рамок объектов с семантическими категориями. Облака точек могут происходить из разных источников, включая монокулярное видео, RGB-D-изображения и LiDAR; README описывает восстановление планировки по точкам, реконструированным из RGB-видео. Модель имеет плотную авторегрессионную архитектуру SpatialLMQwenForCausalLM, около 494 млн параметров и контекст до 32 768 токенов. Веса распространяются в формате safetensors. Для согласованной интерпретации входные облака точек должны быть выровнены по осям, причём ось z должна указывать вверх. В README приведён результат для определения стен на тестовом наборе SpatialLM-Testset: mean IoU 74,81 для версии 0.5B; набор содержит шумные и частично закрытые облака точек, полученные из монокулярного видео. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на структурное понимание 3D-сцен для робототехники, автономной навигации и анализа помещений; она выдаёт текстовое структурированное представление, а не готовую 3D-визуализацию.

vivekkopthsd/steel-defect-resnet18 — модель компьютерного зрения на базе ResNet18, дообученная для классификации поверхностных дефектов горячекатаной стали по базе NEU-DET. Она относит изображение к одному из шести классов: окалина, пятна, сетка трещин, точечная коррозия, включения или царапины. Для анализа причин классификации предусмотрены тепловые карты Grad-CAM. Модель обучена на примерно 1 770 изображениях NEU Surface Defect Database. В README сообщается о точности 0,985 и macro F1 0,985 на отложенной выборке из 264 изображений. Эти результаты относятся к указанному экспериментальному разбиению и не гарантируют качество на других производственных линиях или условиях съёмки. Модель предназначена для классификации изображений дефектов и учебных или исследовательских экспериментов по визуальному контролю стали. Для применения к конкретному производству требуется проверка на его изображениях, освещении и оборудовании. Лицензия — MIT; автор отдельно рекомендует не считать модель готовой системой производственной инспекции.

Mazen Amria опубликовал дообученную для классификации изображений модель Swin-Tiny на базе microsoft/swin-tiny-patch4-window7-224. Она предназначена для отнесения изображений к классам CIFAR-100. В README указаны точность 0,8735 и loss 0,4223 на наборе оценки; размер модели — 33 млн параметров. Модель принимает изображения и выдаёт метки классов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не уточняет ограничения применения и условия оценки помимо результатов на CIFAR-100.

SwinV2-30VNFood — модель классификации изображений еды, созданная дообучением SwinV2-Tiny разработчиком vuongnhathien на наборе данных 30VNFoods. Она принимает изображение и предсказывает класс блюда среди категорий датасета. В карточке указаны точность 0,8772 и loss 0,4561 на тестовой выборке; модель содержит 33 млн параметров и сохранена в формате safetensors. Модель подходит для распознавания вьетнамских блюд на фотографиях и прототипов приложений для каталогизации еды. Она лицензирована по Apache-2.0. Результаты за пределами оценочного набора и перечень поддерживаемых классов в карточке не раскрыты.

duclvQ/tcg-card-detector — модель компьютерного зрения для поиска коллекционной игровой карты на фотографии и определения её четырёх углов. Карточка описывает применение на реальных снимках физических карт; фиксированный порядок ключевых точек соответствует верхнему левому, верхнему правому, нижнему правому и нижнему левому углам. Модель построена на Ultralytics YOLOv8 и предназначена для получения четырёхугольника, который можно использовать, например, для выравнивания изображения карты с помощью перспективного преобразования OpenCV. Модель находит карты разных игр по их форме, а не по конкретному оформлению. В описанном наборе из 186 фотографий карт Pokémon для 183 снимков получен пригодный четырёхугольник. Репозиторий содержит форматы Core ML и ONNX; лицензия — AGPL-3.0. Модель хуже работает со скученными сценами: веерами карт, стопками, страницами альбомов и сильным перекрытием. Она также может пропустить карту, если один из углов находится за пределами кадра, а сильное размытие, перекрытие рукой и отсутствие границы у объекта снижают надёжность.

Prince Nasamu Alhassan разработал эту модель распознавания речи на языке кусал (Kusaal). Это дообученная на основе KhayaAI/w2v-bert-kus модель архитектуры Wav2Vec2-BERT с CTC-выходом; число параметров — около 402,7 млн. Она принимает аудио и преобразует речь в текст. В карточке приведён пример запуска через Transformers для монофонических записей с частотой дискретизации 16 кГц. Модель предназначена для экспериментов с распознаванием кусал, в том числе речи о мобильных денежных переводах. В сравнении на 100 примерах из kusaal_scripture она показала WER 24,61 и CER 9,65, но автор не считает результат преимуществом над MMS-вариантом: различие WER может быть шумом, а обработка одного примера примерно в 4,1 раза медленнее. Автор указывает, что опубликован последний, а не лучший по валидационной потере чекпойнт. Результаты на библейских и других прочитанных текстах завышают качество для естественной речи: в данных есть пересечения записей и дикторов, а оценка не разделяет данные по дикторам. Поэтому такие показатели не следует трактовать как полевую точность; поддерживаемого продукта нет, это исследовательская работа после хакатона. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Модель dima806/traffic_sign_detection — дообученный Vision Transformer ViT-Base для классификации дорожных знаков по изображению. Она принимает изображение и возвращает предсказанный класс знака. В карточке заявлена точность около 94%; сведения о методике оценки и наборе данных не приведены. Модель содержит 113,2 млн параметров, распространяется в формате Safetensors и доступна по лицензии Apache-2.0.

UniverSR — модель сверхразрешения аудио, разработанная авторами оригинальной архитектуры UniverSR и опубликованная в репозитории OLDSKOOL978 в формате SafeTensors. Она преобразует аудио с частотой дискретизации 8, 12, 16 или 24 кГц в широкополосный сигнал 48 кГц для восстановления речи, полифонической музыки и студийных звуковых эффектов. Модель использует Continuous Normalizing Flows с Flow Matching ODE в области комплексного STFT и не требует вокодера. В репозитории размещены веса, конвертированные из исходного чекпойнта; SafeTensors позволяет загружать их без десериализации небезопасного PyTorch pickle. Для вывода README приводит настройки решателя, число шагов и параметры обработки, а также интеграцию с производственным движком Furgie V2. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Migga/ViT_Chess_V8 — модель классификации изображений на основе архитектуры Vision Transformer (ViT), опубликованная пользователем Migga на Hugging Face. По названию модели и категории image-classification она предназначена для распознавания классов на изображениях, связанных с шахматной тематикой. Модель содержит около 162,7 млн параметров и использует библиотеки Transformers и PyTorch. Она работает с визуальными данными и не предназначена для обработки естественного языка или генерации текста. Результаты зависят от классов и изображений, использованных при обучении; модель не следует рассматривать как универсальную систему анализа шахматных позиций или棋棋棋棋棋棋.

Ahmed9275/Vit-Cifar100 — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на датасете CIFAR-100 на основе google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам CIFAR-100. В README указана точность 0,8985 и значение loss 0,4420 на оценочной выборке. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает ограничения и условия применения помимо лицензии.

WaveNeXt Base — модель генерации изображений для преобразования одноканальных снимков амплитуды SAR Sentinel-1 в трёхканальные изображения, похожие на оптические снимки Sentinel-2. Она разработана автором репозитория umpaoflumpia и дообучена на базе ConvNeXt V2-Base, предварительно обученной на ImageNet-22K. Архитектура сочетает двухуровневый Haar-вейвлетный входной блок, ConvNeXt V2-Base и обратное Haar-преобразование; размер модели составляет около 98 млн параметров. Модель обрабатывает изображения размером 256×256 пикселей, а веса доступны в форматах ONNX и safetensors. WaveNeXt предназначена для исследований преобразования SAR в оптические изображения, подавления спекл-шума и синтеза мелких деталей в данных дистанционного зондирования. Для обучения использовались парные фрагменты Sentinel-1 и Sentinel-2 из набора SEN1-2, ограниченные пятью сценами. Валидация на отложенных данных SEN1-2 показывает PSNR 18,54 и SSIM 0,432. Модель может создавать правдоподобные оптические реконструкции, но эти выходы не являются измерениями и не подходят для количественного геофизического анализа. Качество на других регионах, сезонах и сенсорах не проверено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Kuongan/xlm-roberta-base-yor-finetuned — модель классификации последовательностей на базе XLM-RoBERTa Base, дообученная разработчиком Kuongan. Она предназначена для присвоения меток тексту; название указывает на настройку для языка йоруба. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и опубликована в формате safetensors для библиотеки Transformers. В README приведены результаты оценки: F1 0,2129, ROC AUC 0,5717 и accuracy 0,5553; описание набора данных и предполагаемых сценариев применения отсутствует. Модель распространяется по лицензии MIT. Низкие приведённые метрики и отсутствие сведений о метках и обучающих данных ограничивают уверенность в её пригодности для практических задач.

henryscheible/xlnet-base-cased_winobias_classifieronly — модель XLNet, дообученная на базе xlnet-base-cased для классификации текста. По названию репозитория она связана с классификацией Winobias, однако README не описывает метки, обучающие данные, оценку качества или конкретный сценарий применения. Модель содержит 137,8 млн параметров, использует архитектуру XLNetForSequenceClassification и опубликована в формате PyTorch. Лицензия — MIT.

pablofntdz разработал дообученную настраиваемую модель YOLOv8n для обнаружения томатов и определения их спелости в тепличных условиях. Модель принимает RGB-изображения размером 640×640 и находит томаты, относя их к одному из трёх классов: неспелые, частично спелые и полностью спелые. Архитектура YOLOv8 nano выбрана для быстрого инференса; README также описывает вариант с INT8-квантизацией для CPU через OpenVINO и локализацию объектов в 3D с Intel RealSense D435. Модель подходит для мониторинга созревания урожая и поддержки решений о сборе томатов. Для обучения использовался собственный набор изображений из трёх публичных источников тепличных томатов с разметкой рамками и аугментациями. В README приведены метрики YOLOv8n: precision 0,817, recall 0,771, mAP50 0,843 и mAP50-95 0,693. Репозиторий распространяется по лицензии MIT.

MahmoodLab представляет FEATHER — набор лёгких моделей с контролируемым обучением для анализа гистологических изображений. Этот вариант использует архитектуру ABMIL и признаки патчей от CONCH v1.5; он предварительно обучен на задаче морфологической классификации PC-108 с 108 классами на 24 тысячах слайдов из внутреннего датасета Mass General Brigham. Модель принимает признаки патчей размером 512×512 пикселей при увеличении 20× и предназначена для последующей настройки под нужное число классов; готовой классификационной головы в чекпойнте нет. FEATHER рассчитана на тонкую настройку с небольшими вычислительными ресурсами и может применяться для классификации гистологических препаратов и задач анализа патологии. Для доступа требуется согласие с условиями использования; запрос доступа должен быть связан с подтверждённой институциональной почтой. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0.

CeLLaTe-bioformer-16L-tapt-adapted — модель семейства BERT, дообученная OTAR3088 на базе Mardiyyah/bioformer-16l-tokenizer-adapted. Она предназначена для задачи fill-mask: предсказывает скрытые токены в тексте, что подходит для анализа и дополнения биомедицинских текстов. Модель содержит 51,6 млн параметров, принимает текст и выдаёт текстовые предсказания; длина контекста — до 1024 токенов. В README приведены результаты оценки: loss 2,6328, accuracy 0,6251 и perplexity 13,9125. Датасет обучения не указан, поэтому результаты не позволяют судить о качестве на конкретных биомедицинских задачах. Лицензия в предоставленных данных не указана.

hossboll/clinical-t5 — дообученная модель семейства T5-small от Google для суммаризации клинических записей. Она обучена на датасете AGBonnet/augmented-clinical-notes и предназначена для краткого изложения медицинских заметок. В метаданных указаны архитектура T5ForConditionalGeneration, 38,5 млн параметров, поддержка английского языка и контекст до 512 токенов; веса представлены в формате PyTorch. Модель может служить учебной основой для экспериментов с автоматическим составлением кратких сводок клинических записей. Автор отмечает, что модель лишь кратко оценивалась и нуждается в дальнейшей доработке, поэтому её результаты не следует считать надёжными для клинических решений. Лицензия — Apache-2.0.

Conformer Acoustic Landmark Detector — модель Mateo Camara для покадрового обнаружения акустических ориентиров, связанных с артикуляционными жестами, в речевом аудио. Для каждого кадра она выдаёт вероятности восьми типов ориентиров и фонового класса; времена событий извлекаются поиском пиков по каждому классу. Модель использует энкодер Conformer из 12 блоков с размерностью 256, четырьмя головами внимания и свёрткой с ядром 31. На вход подаются логарифмические мел-спектрограммы с 80 полосами, рассчитанные для аудио 16 кГц с окном 25 мс и шагом 10 мс; всего около 18,3 млн параметров. Базовый вариант обучен на 1 839 вручную размеченных записях английских слогов и слов от трёх дикторов. На отложенной тестовой выборке макро F1 при допуске 20 мс составляет 0,789. Модель предназначена для фонетического и речевого анализа, в том числе для локализации артикуляционно значимых событий во времени. Лицензия — MIT. Результаты подтверждены на ограниченном корпусе английской речи от трёх дикторов; перенос на другие языки, акустические условия и типы речи карточка не оценивает.

Cornelius — модель компьютерного зрения, разработанная HanClinto для проекта CollectorVision. Она предназначена для обнаружения углов коллекционных карточек CCG, включая Magic: The Gathering и Pokémon, на фотографиях и видеокадрах. Модель оценивает положение четырёх углов карты и может использоваться в приложениях для распознавания, выравнивания и последующей обработки карточек. В основе лежит архитектура MobileViT-XXS с головой global-token SimCC. Модель принимает RGB-изображения размером 384×384 пикселя с нормализацией ImageNet и содержит около 1,06 млн параметров. В формате fp32 ONNX её размер составляет примерно 4,2 МБ. На выходе формируются восемь нормализованных координат углов в порядке TL, TR, BR, BL, логит совместимости presence и показатель sharpness для оценки уверенности и наличия карты. Языковые характеристики для этой модели не применимы. Cornelius 2.12 отличается высокой точностью на тестовых данных и устойчивостью к поворотам и частичному перекрытию карты: заявленный средний quadrilateral IoU составляет 0,968911 на обычной выборке и 0,970411 в стресс-тесте с поворотами. Модель компактна и работает примерно за 23,2 мс на кадр на одном CPU-потоке в ONNX Runtime. Ограничения включают фиксированный контракт входного изображения, зависимость качества от условий съёмки и необходимость самостоятельно использовать sharpness для фильтрации ненадёжных результатов; значение presence в версии 2.x постоянно равно 1,0 и не должно использоваться как основной индикатор наличия карты. Модель распространяется под лицензией AGPL-3.0. README не указывает ограничений по поддерживаемым языкам или отдельной мультимодальности; это специализированная модель анализа изображений, а не универсальная языковая модель.

Cosmos-H-Surgical — семейство видеомоделей для робототехники в хирургии, построенное на платформе NVIDIA Cosmos. В карточке описаны варианты Predict и Transfer: Predict дообучен на Cosmos-Predict2.5-2B и по первому кадру и текстовому описанию генерирует будущие кадры хирургической сцены; Transfer дообучен на Cosmos-Transfer2.5-2B и преобразует управляющее видео, например карту глубины, маску сегментации, контуры или размытое RGB-видео, в фотореалистичное хирургическое видео. Указанный размер модели — 2 млрд параметров; архитектура — диффузионный трансформер, работающий в латентном пространстве. Модель предназначена для генерации синтетических хирургических видеоданных, разработки систем физического ИИ и переноса симуляционных данных в реалистичный визуальный домен. Predict принимает изображение и текст, но не поддерживает генерацию видео только по тексту; для варианта 720p описаны вход 1280×704 и выходной ролик из 92 кадров при 16 кадрах/с. Transfer принимает текст и одно или несколько согласованных управляющих видео, лучше работает с длиной, кратной 93 кадрам. Для обоих вариантов указано ограничение текста менее 300 слов. Карточка позиционирует модель как инструмент для исследований и разработки, а не клинической диагностики. Модель обучалась на хирургических видеоданных, включая синтетические; конкретные составы наборов различаются между выпусками. Лицензия в метаданных обозначена как other, поэтому условия использования следует уточнить в репозитории. Хотя README называет варианты дообученными, метаданные каталога указывают на слияние базовых моделей Cosmos-Predict2.5-2B и Cosmos-Transfer2.5-2B; происхождение отражено как merge.

Это версия аудиокодека Descript Audio Codec (DAC), подготовленная для запуска на устройстве через LiteRT CompiledModel с использованием GPU. Модель кодирует аудио с частотой 16 кГц в дискретные коды остаточного векторного квантования (RVQ), а декодер восстанавливает аудио из латентного представления; заявлено сжатие 43:1 — 1 секунда аудио превращается в 12 последовательностей по 50 кодов. Репозиторий содержит FP16-модели энкодера и декодера в формате TFLite, а также веса RVQ. Сверточные части выполняются на GPU, квантование и деквантование RVQ — на CPU. По карточке, на Pixel 8a скорость обработки составляет около 0,82 от реального времени, а корреляция реконструкции с PyTorch DAC равна 1,0. Модель предназначена для кодирования и восстановления аудио на устройстве; сведений о поддержке конкретных языков или речи как отдельной задачи нет. Лицензия — MIT.

aakothari разработал DeepBERTa_zinc_base_100k_v4 — предварительно обученную модель RoBERTa для анализа молекулярных структур, записанных в формате DeepSMILES. Модель содержит 57,2 млн параметров, использует 6 слоёв трансформера и 12 голов внимания, а её контекст составляет 514 токенов. Она обучена на 100 000 молекулах из ZINC с помощью маскированного языкового моделирования и токенизатора BPE с размером словаря 767; доступны веса в форматах Safetensors и ONNX. Модель предназначена для получения контекстных представлений молекул, предсказания замаскированных токенов и подготовки представлений для последующего дообучения на задачах классификации химических свойств, например токсичности или биоактивности. Для работы с SMILES их предварительно нужно преобразовать в DeepSMILES. У модели нет готовой классификационной головы, и она не предназначена для авторегрессионной генерации новых молекул. Лицензия — MIT.

DiffuMT — это дообученная модель диффузии для создания синтетических изображений микротрубочек по бинарной сегментационной маске. Модель разработана мастерской HTW-KI-Werkstatt на основе mask-conditioned DDPM из работы Konz et al. (2024) и предназначена для изображений, полученных методом интерференционной рефлексионной микроскопии (IRM). Она использует 2D U-Net из библиотеки diffusers и формирует RGB-изображения размером 256×256 пикселей. Для генерации применяется детерминированное DDIM-сэмплирование за 50 шагов; разнообразие результатов обеспечивается разными начальными шумовыми векторами. Контрольная точка эпохи 290 выбрана по показателям реалистичности, разнообразия и соответствия распределения цветов; в README отмечено, что более позднее обучение приводит к коллапсу режимов. Маски необходимо подавать в масштабе {0, 1/255}, иначе усиленный сигнал кондиционирования ухудшает результат. Модель распространяется по лицензии MIT.

SakikoTogawa/dinov2-small-droid — дообученная визуальная основа DINOv2-small, адаптированная на изображениях манипуляций роботов из набора DROID. Модель построена на архитектуре Vision Transformer DINOv2 и содержит 28,3 млн параметров; опубликованы веса teacher backbone в формате safetensors без обучающих проекционных голов и состояния оптимизатора. Модель предназначена для извлечения признаков изображений в робототехнических экспериментах: замороженной оценки признаков, линейного зондирования, поиска похожих изображений и дальнейшего дообучения. Размер входа — 518 пикселей, размер патча — 14, скрытая размерность — 384. Для сравнения признаков README рекомендует нормализовать CLS-вектор и оценивать результаты на разделении по эпизодам относительно исходной facebook/dinov2-small. Самообучающая настройка на данных манипуляций роботов не гарантирует улучшения на любой последующей задаче. Лицензия — Apache-2.0; для использования данных DROID следует учитывать условия самого набора данных.

Egyptian Museum Statue Classifier — модель на архитектуре ResNet50, дообученная для классификации изображений 30 артефактов Египетского музея. Она предназначена для определения класса музейного предмета по его изображению; модель можно применять для первичной сортировки фотографий экспонатов и учебных демонстраций классификации египетских артефактов. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии MIT. Модель специализируется на ограниченном наборе из 30 классов, поэтому её предсказания не следует считать универсальным распознаванием всех египетских артефактов. Данных о поддерживаемых языках или оценке качества в карточке нет; входом служит изображение, выходом — предсказанный класс.

Synthyra/ESM2-650M — упаковка чекпойнта ESM-2 от Meta AI (facebook/esm2_t33_650M_UR50D) с рантаймом FastPLMs для Transformers. Модель принимает аминокислотные последовательности, разбитые на остатки, и предназначена прежде всего для предсказания замаскированных токенов и получения представлений белковых последовательностей. Чекпойнт содержит около 865 млн параметров, поддерживает контекст до 1026 токенов и распространяется в формате safetensors по лицензии MIT. Доступны классы для masked language modeling, извлечения представлений, классификации последовательностей и классификации остатков. Головы классификации созданы заново и не обучены, поэтому перед использованием их выходов как предсказаний требуется дообучение. Также доступны получение карт контактов и адаптерное дообучение; тестовое обучение может увеличить задержку и ухудшить результат, а само по себе не подтверждает биологическую функцию. Для загрузки через указанную реализацию Transformers требуется trust_remote_code=True.

Dima806/fairface_age_image_detection — модель компьютерного зрения на базе Vision Transformer, дообученная для классификации изображений по возрастным группам. Она принимает изображение и предсказывает возрастную категорию; в README указана точность около 59%. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и веса Safetensors, а при обучении применялся датасет nateraw/fairface. Модель подходит для экспериментальной оценки возрастных групп на изображениях. Возраст по фотографии определяется с ограниченной точностью, поэтому результат не следует считать точной оценкой возраста. Лицензия — Apache-2.0.