II.8Инженерия данных и аналитика

dwulff/mpnet-personality — модель Sentence Transformers, разработанная для представления текстов о личностных характеристиках в виде плотных векторов размерности 768. Она дообучена на базе sentence-transformers/all-mpnet-base-v2 на 200 тысячах пар пунктов опросников, связанных эмпирическими корреляциями без учёта их направления. Поэтому модель кодирует содержательное сходство текстов независимо от отрицания. Модель предназначена для задач психологии личности: кластеризации пунктов и шкал, сопоставления шкал с личностными конструктами и оценки сходства между пунктами. На стандартных опросниках BIG5 и HEXACO корреляция предсказаний с эмпирическими данными составляет около 0,6 для пар пунктов и 0,7 для шкал; на часто встречавшихся в обучении пунктах показатели могут быть выше из-за запоминания. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст, формируя эмбеддинги; контекст — до 514 токенов. Модель разработал dwulff; она опубликована под лицензией CC BY-SA 4.0. Качество ниже на специализированных оценочных методиках, текстах за пределами пунктов опросников и личностных факторах. Высокие результаты на знакомых пунктах могут отражать запоминание обучающих данных.

Mr-Grammatology-clinical-problems-Mistral-7B-0.5 — экспериментальная медицинская языковая модель, созданная автором карточки на основе teknium/OpenHermes-2.5-Mistral-7B. Модель Mistral с плотной архитектурой содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии; базовая модель поддерживает контекст до 32 768 токенов. Модель дообучена с помощью QLoRA на определениях медицинских терминов и инструкциях, сгенерированных из SNOMED CT US Edition. Данные охватывают иерархии расстройств, клинических находок, морфологических аномалий и ситуаций. Модель предназначена для экспериментальной проверки генеративных систем в медицинской информатике, например для описания понятий из медицинских онтологий. Она принимает текст и выдаёт текст, преимущественно на английском языке. Автор прямо указывает, что модель предназначена для тестирования в непроизводственной среде. Обучение на синтетических инструкциях из SNOMED CT ограничивает основания для использования модели как клинического источника или инструмента принятия медицинских решений. Лицензия — MIT.

sukhun2/my_awesome_mind_model — модель классификации аудио, дообученная на основе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для отнесения аудиосигналов к классам. Данные обучения, набор классов и конкретные сценарии применения не описаны. На указанном в карточке оценочном наборе получены loss 2,6506 и accuracy 0,0619, поэтому результаты не подтверждают надёжное качество классификации. Лицензия — Apache-2.0.

NbAiLab/nb-roberta-base-scandinavian — тестовая версия RoBERTa Base, созданная продолжением предобучения модели nb-roberta-base на скандинавском корпусе объёмом 102 ГБ. Это плотная трансформерная модель с архитектурой RobertaForMaskedLM и примерно 151,8 млн параметров; она предназначена для заполнения пропусков в тексте. Модель принимает текст и предсказывает замаскированные токены, поддерживает норвежский язык и имеет контекст длиной до 514 токенов. В README автор прямо обозначает модель как тестовую и не рекомендует использовать её для практических задач. Репозиторий содержит веса в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0.

google/ncsnpp-celebahq-256 — модель генерации изображений без текстового условия, представленная в формате Diffusers и PyTorch. Она основана на методе score-based генерации через стохастические дифференциальные уравнения (SDE): модель учится оценивать градиент распределения зашумлённых данных, а при генерации постепенно восстанавливает изображение из шума с помощью обратного SDE. Модель предназначена для безусловной генерации изображений лиц из CelebA-HQ с разрешением 256 × 256. Для вывода используется ScoreSdeVePipeline из библиотеки Diffusers. Текстовые подсказки и условие класса в описанном сценарии не используются. Репозиторий распространяется по лицензии Apache-2.0.

Nucleotide Transformer 2.5B Multi-Species — трансформерная языковая модель для ДНК, разработанная InstaDeep, NVIDIA и TUM. Она предварительно обучена на последовательностях из 850 геномов разных видов, включая модельные и немодельные организмы, и предназначена для анализа геномных последовательностей и прогнозирования молекулярных фенотипов. Модель использует архитектуру ESM с маскированным языковым моделированием: по контексту последовательности она предсказывает замаскированные участки ДНК. Для токенизации применяются 6-меры, а также отдельные нуклеотиды; длина последовательности составляет до 1 000 токенов, что согласуется с контекстом в 1 002 токена в метаданных. Размер модели по метаданным — 3,4 млрд параметров; доступны веса PyTorch, а README также упоминает TensorFlow. Модель подходит для заполнения пропусков в последовательностях ДНК и как основа для геномных задач, включая прогнозирование молекулярных фенотипов. Обучающие геномы не включают растения и вирусы; описанные в статье оценки сосредоточены на геномных задачах, для которых эти группы не включались. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Nucleotide Transformer 500M Human Ref — трансформерная языковая модель для геномики, разработанная InstaDeep, NVIDIA и TUM. Она обучена предсказывать замаскированные участки ДНК в человеческом референсном геноме GRCh38 и доступна в форматах PyTorch и TensorFlow. Модель содержит 634,4 млн параметров и использует архитектуру ESM с задачей masked language modeling. Последовательности ДНК токенизируются преимущественно 6-мерными фрагментами; максимальная длина входа составляет около 1 000 токенов. Модель предназначена для заполнения пропусков в геномных последовательностях и может служить основой для задач анализа генома и предсказания молекулярных фенотипов. Обучение на одном человеческом референсном геноме ограничивает представление генетического разнообразия. Для использования указана лицензия CC BY-NC-SA 4.0, которая запрещает коммерческое применение и требует распространения производных материалов на совместимых условиях. README также отмечает необходимость установить Transformers из исходного репозитория для использования модели на момент публикации карточки.

Nucleotide Transformer v2 50M Multi-Species — трансформерная модель InstaDeep, NVIDIA и TUM для анализа последовательностей ДНК. Она предобучена на 850 геномах разных видов, охватывающих около 174 млрд нуклеотидов, и предназначена для задач геномики и молекулярного фенотипирования. Модель содержит 52,4 млн параметров и использует архитектуру второго поколения Nucleotide Transformers с rotary positional embeddings и Gated Linear Units. Последовательности токенизируются преимущественно в 6-меры; длина последовательности при обучении составляла 1000 токенов. Доступные задачи включают заполнение маскированных участков, классификацию последовательностей и разметку токенов. Метаданные указывают контекст до 2050 токенов. Модель подходит для представления и анализа геномных последовательностей, в том числе для прогнозирования молекулярных признаков. Обучающие геномы не включают растения и вирусы; качество для этих групп не подтверждено. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Ornith-1.5-397B-IQ2_XXS-DFlash-Drafter-GGUF — черновая модель DFlash для ускорения генерации с основной моделью Ornith-1.5-397B-A17B-IQ2_XXS. Она принимает скрытые состояния основной модели и предсказывает несколько следующих токенов для спекулятивного декодирования; самостоятельно модель не предназначена для генерации полезных ответов. Архитектура черновой модели содержит 1,29 млрд параметров и 6 слоёв; для работы ей нужны совместимые скрытые состояния и голова выхода основной модели. Модель предназначена для ускорения генерации, в частности кода, при совместной работе с целевой моделью через ik_llama.cpp. В опубликованном тесте на ограниченном наборе невиданных ранее кодовых запросов скорость декодирования выросла на 6,5% относительно прежней черновой модели; автор отдельно отмечает широкую неопределённость оценки и малый объём теста. Для инференса нужен ik_llama.cpp: mainline llama.cpp и форк poolside не поддерживают этот файл. Артефакт опубликован в формате GGUF с лицензией Apache-2.0. Черновик обучен для конкретной квантизованной целевой модели IQ2_XXS; совместимость и качество с другими квантованиями или точностью не проверены. Эффект за пределами кода и длительная работа в производственной нагрузке также не установлены. Модель не является самостоятельной языковой моделью.

PHerc.1667-iteration-2 — модель сегментации чернил для проекта Vesuvius Challenge, обученная авторами репозитория scrollprize на 8 970 фрагментах сегмента l_2 с разметкой l_2_inklabels2.png. Она предназначена для выделения следов чернил на объёмных сканах обугленных свитков Геркуланума и может применяться для построения масок надписей, в том числе на сегментах, не использованных при обучении. Модель принимает объёмные данные в окнах размером 62 × 256 × 256 вокселей. Энкодер ResNet3D-50, инициализированный весами Kinetics-700, формирует признаки, которые декодер на основе 2D U-Net преобразует в карту вероятностей чернил размером 64 × 64. Для обработки полного сегмента требуется скользящее разбиение на окна и усреднение перекрывающихся предсказаний. Веса Hugging Face побитово совпадают с исходным PyTorch Lightning чекпойнтом. Доступна лицензия MIT. Модель специализирована на сегментации чернил в томографических данных свитков, а не на распознавании и чтении текста. Предсказание на выходе имеет четвертное разрешение относительно окна; для больших объёмов нужны тайлинг и объединение результатов. README описывает обучение на одном сегменте, поэтому качество на других сегментах может отличаться.

PHerc.1667-iteration-5 — модель сегментации чернил в объёмных данных свитка Геркуланума, разработанная для Vesuvius Challenge. Она обучена на сегменте l_2 с наиболее плотной из пяти разметок чернил: 33 061 тайл; обучение включало 12 396 шагов оптимизатора, или три эпохи по этой разметке. Модель принимает объёмное окно размером 62 × 256 × 256 вокселей. Энкодер ResNet3D-50 сворачивает признаки по глубине, а 2D-декодер U-Net формирует карту вероятности чернил размером 64 × 64. Для предсказания на полном сегменте требуется обработка скользящими окнами с усреднением перекрывающихся предсказаний. Веса и конфигурация опубликованы в формате safetensors; лицензия — MIT.

Matthieu68857/pokemon-cards-detection — модель обнаружения объектов, дообученная на базе facebook/detr-resnet-50. Она использует архитектуру DETR с ResNet-50 и предназначена для поиска и локализации объектов на изображениях покемон-карт с помощью ограничивающих рамок. Модель представлена в формате PyTorch, содержит 6,3 млн параметров и имеет лицензию Apache-2.0. Карточка сообщает о дообучении на неизвестном наборе данных, но не приводит подробностей о классах объектов, качестве оценки или конкретных ограничениях. Поэтому пригодность модели для других типов изображений и сценариев, помимо обнаружения покемон-карт, не подтверждена.

QuiltNet-B-16 — мультимодальная модель CLIP ViT-B/16, обученная на наборе Quilt-1M с изображениями и текстом по гистопатологии. Разработчики позиционируют её как исследовательскую модель для изучения возможностей и ограничений компьютерного зрения в этой области. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений без дообучения по заданным текстовым меткам, а также для поиска по изображениям и текстам. Её можно адаптировать для классификации гистологических изображений и использовать в исследованиях мультимодальных моделей. Основной язык текстовых запросов — английский. Модель выпущена под лицензией MIT. Она не предназначена для развёрнутого применения; результаты требуют тщательной проверки на конкретных данных и фиксированной системе классов. Модель не заменяет медицинскую консультацию, а её выводы не следует использовать как медицинские рекомендации.

RadixArk/Qwen3.8-2.4T-A95B-DSpark — черновая модель DSpark для ускорения генерации текста базовой моделью RadixArk/Qwen3.8-2.4T-A95B-NVFP4. Она использует пять слоёв Qwen3-style GQA с полным вниманием и обучена методом онлайн-дистилляции SpecForge на скрытых состояниях целевой модели. Модель предлагает блок из семи черновых токенов, которые целевая модель проверяет при спекулятивном декодировании в SGLang. Чекпойнт содержит около 4,8 млрд параметров в формате BF16 safetensors; веса эмбеддингов и выходной проекции базовой модели в него не входят. Для позиционирования используется YaRN с фактором 32, поддерживается контекст до 262 144 токенов. В README приведены измерения длины принятого блока на наборах HumanEval, GSM8K и Math500 при конкретной конфигурации оборудования и генерации; эти результаты относятся к спекулятивному ускорению, а не к самостоятельному решению задач. Модель предназначена для совместного использования с указанной базовой моделью и SGLang, а не для обычного самостоятельного чата или генерации. Лицензия в предоставленных данных не приведена.

DeepShopper Reward V1 — это дообученная на базе Qwen3-4B модель Flavian V., предназначенная для оценки комплектов одежды. Она принимает текст с описанием потребности и составом комплекта, а затем выдаёт скалярную оценку: более высокий балл означает, что комплект предпочтительнее. Модель обучена сравнивать подходящие и испорченные варианты комплектов методом Bradley–Terry на 93 тысячах пар; проверки на отложенных данных показали высокую точность ранжирования. Модель подходит для ранжирования комплектов в рекомендациях одежды и отбора вариантов с учётом потребности пользователя. Под «хорошим» комплектом понимается сходство с наблюдаемыми или проданными комплектами, поэтому оценка служит приближённым сигналом покупательской привлекательности, а не прямым прогнозом продаж. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3 для классификации последовательностей и имеет контекст до 262 144 токенов. Распространяется по лицензии Apache-2.0.

Модель oanoufa/sbtr_ntv3_650M разработана пользователем oanoufa на базе InstaDeepAI/NTv3_650M_pre и дообучена для классификации геномных данных, связанных с ВИЧ. В метаданных и карточке Hugging Face она обозначена как модель для HIV subtyping — определения подтипа ВИЧ по входным данным, представленным в формате, поддерживаемом исходной моделью. Модель предназначена для исследовательских и биоинформатических сценариев, включая классификацию последовательностей или признаков, связанных с геномикой ВИЧ. Её основная задача — text-classification, однако практическая интерпретация результатов зависит от формата входных данных и разметки, использованных при дообучении. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая предусматривает указание авторства, некоммерческое использование и распространение производных материалов на тех же условиях.

Модель разработана LeninGF как дообученная версия компактного SegFormer B0 (nvidia/mit-b0) для сегментации областей интереса на термографических изображениях молочных желез. Она принимает изображение и идентификатор ракурса, который используется для условной настройки предсказания; обучалась на наборе LeninGF/uff-thermography-multiview-segmentation с несколькими каноническими ракурсами, без псевдоцветного преобразования и с аугментацией. Модель выдаёт попиксельную маску фона и ROI. На оценочном наборе указаны mean IoU 0,9213 и F1/Dice для ROI 0,9511. Эти результаты относятся к указанной экспериментальной настройке и сами по себе не подтверждают переносимость на иные устройства, наборы данных или клинические сценарии. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

SMILYBPE — предварительно обученная языковая модель для химических строк SMILES, разработанная Miguelangel Leon Mayuare. Это RoBERTa с 6 слоями, скрытым размером 768 и 12 головами внимания; модель содержит 66,1 млн параметров, использует BPE-токенизатор и принимает контекст до 512 токенов. Для предобучения использовались молекулы PubChem; модель предназначена для дообучения под конкретные задачи, а также может применяться для классификации соединений и прогнозирования их свойств по SMILES. Модель подходит для задач хемоинформатики, включая прогнозирование токсичности и поддержку исследований в области разработки лекарств. Она работает со строками SMILES; для SELFIES автор предлагает искать другую модель в своём репозитории. Карточка отмечает риск смещения данных, возможное переобучение и необходимость проверки на профильных наборах данных. Лицензия — MIT.

Это разреженный автокодировщик (SAE) Prisma-Multimodal для анализа активаций CLIP ViT-B/32. Он расширяет представление размерности 768 до 49 152 признаков с коэффициентом расширения x64 и использует ReLU. Модель предназначена для извлечения признаков и исследований интерпретируемости внутренних представлений CLIP. В карточке указаны размер контекста 50 токенов, коэффициент L1 5e-05, разреженность L0 около 748 и объяснённая дисперсия 89,76%. Данные репозитория представлены в формате PyTorch. Лицензия — Apache-2.0. Показатели относятся к указанной конфигурации; README не описывает процедуры запуска или подробные ограничения применимости.

Модель ALM-AHME/swinv2-large-patch4-window12to16-192to256-22kto1k-ft-finetuned-Lesion-Classification-HAM10000-AH — классификатор изображений на архитектуре SwinV2 Large с 132,1 млн параметров. Она дообучена на базе microsoft/swinv2-large-patch4-window12to16-192to256-22kto1k-ft для классификации изображений поражений кожи; в README указана оценка на тестовой выборке: accuracy 0,9681 и loss 0,1143. Модель принимает изображения и выдаёт класс классификации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Описание не раскрывает перечень классов, состав обучающих данных и ограничения, поэтому качество и применимость результата для конкретной клинической задачи по этим сведениям оценить нельзя.

TCSPair — модель классификации последовательностей на базе архитектуры ESM, разработанная автором репозитория mgh6 и дообученная на основе mgh6/esm_cluster_35M_linear. Она предназначена для классификации последовательностей; карточка сообщает значение loss 0,1515 на оценочном наборе, но не раскрывает набор данных, метрики качества или назначение классов. Модель содержит 44,3 млн параметров, принимает последовательности длиной до 1026 токенов и доступна в форматах PyTorch и Safetensors. Практическое применение ограничено отсутствием описания целевых классов, обучающих данных и инструкции по использованию. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Tulu V2.5 7B RM — англоязычная reward-модель серии Tulu, разработанной AllenAI. Она оценивает ответы языковой модели и предназначена для использования в обучении с подкреплением по PPO на основе предпочтений. Модель дообучена на базе allenai/tulu-2-7b; в карточке указано, что при обучении использовался набор UltraFeedback, включая раздел ultrafeedback_mean_aspects. Архитектура — плотная Llama с классификационной головой для последовательностей, размер — 6,6 млрд параметров, контекст — 2048 токенов. Модель принимает текст в формате, предусмотренном шаблоном чата токенизатора, и выдаёт оценку текста. Она рассчитана на английский язык и может применяться в конвейерах RLHF, в частности при обучении PPO. Лицензия — Apache 2.0. Карточка характеризует модель как исследовательский артефакт; оценки качества и другие ограничения отдельно не описаны.

MathisKhan/vit-beans-classifier — дообученная модель Vision Transformer (ViT) для классификации изображений. Она создана на основе google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Репозиторий использует библиотеку Transformers и формат весов safetensors. Модель предназначена для классификации изображений бобов. В README указаны результаты на оценочном наборе: accuracy 0,9609 и loss 0,1606; набор данных не описан. Модель распространяется по лицензии Apache-2.0.

Модель codewithdark/vit-chest-xray — дообученный Vision Transformer для классификации рентгеновских снимков грудной клетки. Она создана на основе google/vit-base-patch16-224-in21k и дообучена на наборе CheXpert с многометочными аннотациями заболеваний. Модель содержит около 113,2 млн параметров и предназначена для распознавания патологий на рентгенограммах, включая пневмонию и кардиомегалию. Модель принимает изображения грудной клетки и выдаёт метки классов заболеваний. В карточке сообщается о точности 98,46% на валидации, однако не описаны состав и методика расчёта метрики; это значение не гарантирует сопоставимого результата на других данных. Модель может быть полезна для исследовательской оценки и прототипирования классификаторов медицинских изображений, но карточка не подтверждает пригодность для самостоятельной клинической диагностики. Лицензия — MIT.

Ashenzari разработала VLA MAMBA Progress Monitor v2.1.0 — ансамбль из пяти моделей на базе Mamba для оценки хода выполнения роботизированной задачи. Он получает временные последовательности признаков, извлечённых из замороженного VLA/VLM-бэкбона, и выдаёт кривую прогресса; релиз предназначен только для оценки прогресса, а не успешности или неуспешности задачи. Модель рассчитана на внутридоменные задачи coffeecup, saucer, waterbottle и wine. На каждом шаге используются усреднённые признаки размерности 4096, извлечённые с частотой 10 Гц по 64 визуальным токенам и четырём временным смещениям от −0,3 до 0 секунд. Пять чекпойнтов обучены на разделённых по коллекциям фолдах, их оценки прогресса усредняются. Для работы нужны признаки, извлечённые именно из бэкбона new_vla_checkpoint_vlm_30k, а также нормализатор рангов из чекпойнта; кэш признаков v2.0.0 несовместим. Смена VLA/VLM-бэкбона может изменить распределение признаков и требует повторной проверки. Выход головы результата не обучен и не должен интерпретироваться как вероятность успеха. Лицензия в предоставленных данных не указана.

ZipCodec — потоковый нейронный аудиокодек, разработанный Luca Della Libera, Cem Subakan и Mirco Ravanelli. Модель основана на WavLM и предназначена для кодирования речи с частотой кадров 6,25 Гц и битрейтом 0,80 кбит/с, что ориентирует её на компактное представление аудио при потоковой передаче. В карточке Hugging Face указаны базовая модель microsoft/wavlm-large, библиотека PyTorch и формат весов safetensors. Лицензия — Apache-2.0. Модель принимает аудио и относится к задаче audio-to-audio. Доступное описание акцентирует сверхнизкий битрейт и потоковое кодирование речи; сведений о поддерживаемых языках, качестве восстановления, допустимых аудиоформатах и контекстном окне нет.

Модель ALM-AHME/beit-large-patch16-224-finetuned-Lesion-Classification-HAM10000-AH-60-20-20 — классификатор изображений на архитектуре BEiT Large, разработанный путём дообучения microsoft/beit-large-patch16-224 на наборе HAM10000 в формате imagefolder. Модель предназначена для классификации изображений поражений кожи; в README указана точность 0,9908 и loss 0,0434 на оценочной выборке. Модель содержит 411 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Сведений о числе классов и ограничениях применения в карточке нет; приведённые метрики относятся к оценочной выборке и не гарантируют такое же качество на других данных.

bert_base_lda_100 — модель на архитектуре DistilBERT, дообученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld. Репозиторий содержит веса в формате safetensors; заявленная длина контекста — 512 токенов. README сообщает результаты оценки: loss 7,7637 и accuracy 0,1571. В названии и классе архитектуры указана LDA, однако карточка не описывает назначение модели, её пользовательские сценарии или конкретные возможности. Лицензия в предоставленных данных не указана.

bert_base_lda_100_v1 — дообученная модель на архитектуре DistilBERT, опубликованная пользователем gokulsrinivasagan. Она обучалась на датасете processed_wikitext-103-raw-v1-ld-100; класс модели — DistilBertForLDAMaskedLM, веса сохранены в формате safetensors. Контекст составляет 512 токенов. По классу архитектуры модель предназначена для языкового моделирования с маскированными токенами; оценка на тестовой выборке составила loss 6,9999 и accuracy 0,4235. Карточка не описывает конкретные пользовательские сценарии, языковую поддержку или условия лицензии. Базовая модель в README не названа. Результаты оценки не дают оснований утверждать, что модель подходит для практического применения; перед использованием следует проверить её на целевых данных.

BiRNA-BERT — энкодерная модель семейства BERT для представления последовательностей РНК в виде эмбеддингов. Модель обучена с использованием фреймворка MosaicBERT и токенизации BPE и отдельными нуклеотидами, что позволяет получать представления как на уровне нуклеотидов, так и на уровне всей последовательности. В репозитории указана архитектура BertForMaskedLM с 116,4 млн параметров; основная длина контекста составляет 128 токенов. Модель предназначена для извлечения признаков РНК, которые можно использовать в последующих задачах анализа последовательностей. Метаданные также указывают задачу fill-mask. В README приведён пример изменения настройки длины последовательности до 2048, однако это изменение конфигурации само по себе не подтверждает качество модели на такой длине. Лицензия в предоставленных данных не указана.