II.8Инженерия данных и аналитика

ChemBERTa-100M-MLM — модель DeepChem на архитектуре RoBERTa, предварительно обученная методом masked language modeling на подмножестве из 100 млн молекул датасета ZINC20. Она содержит 119,3 млн параметров, принимает последовательности токенов и поддерживает контекст до 512 токенов. Модель предназначена для заполнения маскированных участков в молекулярных последовательностях и может служить основой для задач хемоинформатики. Модель доступна в формате safetensors и используется через Transformers с AutoTokenizer и AutoModelForMaskedLM. Лицензия — MIT. Карточка не описывает качество на прикладных задачах и не подтверждает поддержку языков естественной речи.

ChemBERTa-10M-MLM — молекулярная языковая модель, опубликованная проектом DeepChem. Она использует архитектуру RoBERTa и обучена предсказывать замаскированные токены в строках SMILES, которые кодируют химические структуры. Модель содержит около 3,6 млн параметров, имеет 3 слоя трансформера, 12 голов внимания и контекст до 515 токенов. Модель предназначена для восстановления пропущенных фрагментов SMILES и может служить предварительно обученным представлением для последующей настройки на задачи классификации и регрессии молекулярных свойств. Её область применения — химия и анализ малых молекул; это не универсальная модель для обычного текста. Карточка Hugging Face не сообщает лицензию, поэтому условия использования по доступным данным описать нельзя.

Derify/ChemBERTa_augmented_pubchem_13m — языковая модель для химических структур, разработанная Derify и обученная на наборе augmented_canonical_pubchem_13m. Это модель семейства RoBERTa с 57,1 млн параметров, предназначенная для предсказания замаскированных фрагментов последовательности SMILES; максимальная длина контекста составляет 514 токенов. В README приведены результаты дообучения ChemBERTa для классификации и регрессии молекулярных свойств на наборах BACE, BBBP, TOX21, HIV, SIDER, ClinTox, ESOL, FreeSolv, Lipo и Clearance. Эти показатели показывают применимость представлений модели к задачам хемоинформатики, но сами по себе не означают, что опубликованный чекпойнт напрямую выдаёт оценки свойств: указанная основная задача — заполнение маски. Модель распространяется под лицензией Apache-2.0.

ChemBERTa-zinc250k-v1 — предобученная модель Seyone Chithrananda из семейства ChemBERTa, построенная на архитектуре RoBERTa. Она обучена методом masked language modeling на наборе молекул ZINC250k, представленных в формате SMILES, и предназначена для работы с химическими строковыми представлениями. Модель решает задачу fill-mask: по контексту SMILES восстанавливает замаскированные токены и формирует контекстные представления молекул. Эти представления можно использовать как основу для последующего дообучения и анализа химических свойств, включая задачи дизайна лекарств, моделирования молекул и предсказания свойств. Модель содержит около 96,6 млн параметров и поддерживает контекст до 514 токенов; доступны реализации для PyTorch и JAX. Её сильная сторона — специализированное предварительное обучение на химических SMILES вместо обычного текста. Модель не является готовым универсальным предиктором химических свойств: для прикладных задач обычно требуется дообучение на соответствующем размеченном наборе данных. Лицензия в доступных данных не подтверждена.

DNABERT-2 — модель семейства BERT на архитектуре MosaicBERT, выпущенная командой MultiMolecule как неофициальная реализация работы Zhihan Zhou и соавторов. Она предварительно обучена на последовательностях геномов 135 видов из GenBank с помощью masked language modeling: модель восстанавливает замаскированные фрагменты ДНК. Для токенизации используется BPE со словарём из 4096 токенов; размер модели — 116,4 млн параметров, контекст — 512 токенов. Модель предназначена для предсказания нуклеотидных последовательностей и извлечения признаков, а также как основа для дообучения на задачах классификации и регрессии последовательностей или отдельных нуклеотидов. Она работает с текстовым представлением ДНК; при предобучении использовались последовательности из A, T, C и G. Это не готовая модель для конкретной downstream-задачи: для классификации или регрессии требуется дообучение. Лицензия — AGPL-3.0.

DNA_bert_3 — предварительно обученная модель DNABERT, разработанная командой проекта DNABERT для представления последовательностей ДНК в виде «языка генома». Это BERT-модель с 113,3 млн параметров, предназначенная прежде всего для предсказания замаскированных фрагментов ДНК; представления модели также применяются в задачах классификации последовательностей и анализа геномных мотивов. Модель принимает последовательности ДНК в формате k-mer и поддерживает контекст до 512 токенов. Это специализированная биологическая модель, а не модель для естественного языка. В репозитории указана лицензия Apache-2.0. Для загрузки через Transformers требуется доверенная загрузка пользовательского кода; проектная документация также описывает обучение и инференс на GPU.

jiahuizhang/esm-150m-peptide-fine-tune — дообученная модель семейства ESM-2 для работы с последовательностями пептидов. Она основана на facebook/esm2_t30_150M_UR50D и обучена на наборе из 2 миллионов пептидных последовательностей в рамках работы PepBenchmark: A Standardized Benchmark for Peptide Machine Learning. Модель содержит 196,6 млн параметров, использует архитектуру EsmForMaskedLM и рассчитана на контекст до 1026 токенов. Основная задача модели — предсказание замаскированных аминокислот в последовательности пептида, что может быть полезно для анализа и исследования пептидных последовательностей. Она распространяется в формате safetensors по лицензии MIT. Карточка не сообщает о дополнительных задачах или специализированных ограничениях качества.

Synthyra разработала эту сборку белковой языковой модели ESM-2 для работы с библиотекой Hugging Face Transformers и средой FastPLMs. В основе лежит чекпойнт facebook/esm2_t30_150M_UR50D; модель содержит 196,6 млн параметров и принимает аминокислотные последовательности, преобразованные в токены остатков. Максимальная длина контекста — 1026 токенов. Основная задача модели — предсказывать замаскированные аминокислотные остатки. Чекпойнт также можно использовать для получения представлений белковых последовательностей и остатков, анализа контактов и последующего дообучения для классификации последовательностей или токенов. Головы классификации при публикации не обучены, поэтому их выходы нельзя интерпретировать как готовые предсказания без дообучения. Модель предназначена для вычислительных задач в биологии и не подтверждает биологическую функцию белка сама по себе. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Для загрузки через стандартный интерфейс Transformers README указывает `trust_remote_code=True`; следует использовать проверенную версию репозитория и кода FastPLMs.

Synthyra/ESM2-3B — публикация чекпойнта ESM-2 от Synthyra с runtime FastPLMs для Hugging Face Transformers. Модель содержит 3,8 млрд параметров и принимает аминокислотные последовательности, токенизированные в идентификаторы остатков; максимальная длина контекста — 1026 токенов. Основная задача — предсказание скрытых токенов в белковых последовательностях. Также доступны классы для классификации последовательностей и отдельных остатков, однако их классификационные головы инициализированы заново и требуют дообучения перед использованием. Чекпойнт предназначен для вычисления представлений белковых последовательностей, masked language modeling и последующей адаптации к задачам классификации. Доступны несколько бэкендов внимания, включая SDPA и Flash Attention. Заявленная лицензия — MIT. Для пути BF16 с SDPA описана численная калибровка относительно эталонного чекпойнта; биологическая корректность конкретных предсказаний не гарантируется.

ESM-2 — модель для белковых последовательностей, разработанная Meta AI. Она обучена на задаче masked language modeling и предназначена для восстановления скрытых аминокислот, а также для дообучения под другие задачи, принимающие белковые последовательности. Этот вариант использует архитектуру ESM с 12 слоями и примерно 44,3 млн параметров; максимальная длина контекста составляет 1026 токенов. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для анализа последовательностей белков и экспериментов по предсказанию их свойств после дообучения. По сравнению с более крупными версиями семейства она требует меньше вычислительной памяти и времени, но более крупные варианты обычно показывают несколько более высокую точность. Лицензия — MIT.

ESM-2 — модель семейства ESM, разработанная командой Meta AI для работы с белковыми последовательностями. Эта версия содержит около 9,8 млн параметров, использует архитектуру EsmForMaskedLM и обучена предсказывать замаскированные элементы последовательности; длина контекста составляет до 1026 токенов. Модель подходит для заполнения пропусков в белковых последовательностях и может служить основой для дообучения под задачи, принимающие белковую последовательность на вход. Более крупные варианты семейства обычно точнее, но требуют больше памяти и времени на обучение. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT.

Synthyra/ESMFold2-Experimental-Fast-Cutoff2025 — экспериментальный чекпойнт ESMFold2, опубликованный Synthyra как пакет для runtime FastPLMs в Transformers; в основе лежат веса biohub/ESMFold2-Experimental-Fast-Cutoff2025. Модель предназначена для предсказания структуры белка по аминокислотной последовательности, включая типизированные комплексы белковых цепей и молекул без MSA-кондиционирования. Также доступны извлечение остаточных представлений и интерфейсы классификации, но их классификационные головы инициализируются заново и требуют дообучения. Архитектура — плотная ESMFold2ExperimentalModel с 24 блоками; опубликованы веса safetensors, библиотека загрузки — Transformers. Модель принимает последовательности и типизированные молекулярные спецификации, а также подготовленные тензоры признаков в низкоуровневом интерфейсе. Представления белковых остатков имеют размерность 256; одиночные цепи можно преобразовать в координаты структуры и оценки уверенности, а результат записать в mmCIF. Для инференса по одной последовательности предусмотрены параметры ускорения, включая оконное внимание, которое может менять численный результат. Чекпойнт не поддерживает MSA и отклоняет MSA-признаки, а также pocket- и distogram-кондиционирование; для MSA-кондиционированного инференса README рекомендует полный ESMFold2. Предсказанные координаты и оценки уверенности сами по себе не подтверждают биохимическую активность. Лицензия — MIT.

Synthyra/ESMFold2-Fast — опубликованная Synthyra версия чекпойнта biohub/ESMFold2-Fast для запуска через FastPLMs и Hugging Face Transformers. Это плотная модель семейства ESMFold2; в варианте Fast используются 24 блока, а модель оптимизирована для сворачивания белка по одной аминокислотной последовательности без MSA-кондиционирования. Она также принимает типизированные входы для комплексов из нескольких цепей и молекул, если для каждой белковой цепи задано msa=None. Модель предназначена для предсказания трёхмерной структуры и уверенности предсказания белков, а также для извлечения остаточных представлений размерности 256. Путь эмбеддингов поддерживает только одиночные цепи. В репозитории есть интерфейсы классификации последовательностей и токенов, однако их классификационные головы инициализируются заново и требуют дообучения перед использованием для предсказаний. Модель загружается через Transformers; для подготовки структур требуется ресурс ccd.pkl из biohub/ESMFold2. Вариант Fast не поддерживает белковые MSA, а также отклоняет pocket- и distogram-кондиционирование. Режим оконного atom attention требует CUDA и может менять численные результаты; явная точность FP8 обозначена как экспериментальная и требует подходящего CUDA-пути с Transformer Engine. Предсказанные координаты и оценки уверенности сами по себе не подтверждают биохимическую активность. Лицензия репозитория — MIT.

Evo2-40B-8K — порт базовой модели Evo 2 40B от Arc Institute в формат Hugging Face, подготовленный Taykhoom. Это плотная авторегрессионная модель семейства StripedHyena 2 с чередованием блоков Hyena и многоголового внимания. Модель содержит около 38 млрд параметров по README; метаданные указывают 53,7 млрд. Контекст составляет 8K токенов, а предобучение выполнялось на побайтовом предсказании следующего токена на геномных последовательностях из набора OpenGenome2. Модель предназначена для генерации продолжений последовательностей ДНК и получения представлений скрытых состояний для анализа геномных данных. Порт поддерживает загрузку через интерфейс Hugging Face, извлечение скрытых состояний и весов внимания, а также переключение backend внимания. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Для инференса FP8-проекций требуется NVIDIA Transformer Engine и GPU класса Hopper, например H100 или H200. Загрузка весов bf16 с активациями требует нескольких GPU H100 и Accelerate. README подтверждает точное совпадение скрытых состояний и логитов с контрольной конфигурацией исходной модели, но не утверждает побитового совпадения при других backend и режимах вычислений.

Taykhoom/Evo2-7B-262K — это порт в формате Hugging Face модели Evo 2 7B от Arc Institute. Модель использует архитектуру StripedHyena 2 с чередованием каскадных блоков Hyena и многоголового внимания; в метаданных указано 8,6 млрд параметров, а контекст составляет 262 144 токена. Она обучена предсказывать следующий байтовый токен на последовательностях из набора OpenGenome2, охватывающего биологические последовательности разных форм жизни. Модель предназначена для генерации продолжений последовательностей ДНК и извлечения представлений скрытых слоёв для анализа биологических последовательностей. Порт поддерживает загрузку через API Hugging Face, извлечение скрытых состояний и весов внимания, а также выбор backend внимания. В README подтверждена точность преобразования весов относительно эталонной конфигурации bf16 SDPA; это не гарантирует битовую идентичность при других backend или настройках. Для FP8-проекций требуются NVIDIA Transformer Engine и GPU класса Hopper; bf16 рекомендуется, float16 не поддерживается из-за численной нестабильности фильтров. Лицензия — Apache-2.0.

GENA-LM BigBird Base Sparse T2T — открытая модель AIRI Institute для работы с длинными последовательностями человеческой ДНК. Это трансформерная masked language model на архитектуре BigBird с разреженным вниманием; модель содержит 137,8 млн параметров и принимает до 4096 BPE-токенов, что соответствует примерно 36 000 нуклеотидам. Токенизатор обучен на ДНК, а предобучение выполнено на сборке человеческого генома T2T с аугментацией SNP-вариантами из gnomAD. Основной сценарий — восстановление замаскированных участков ДНК и получение контекстных представлений последовательностей для последующей адаптации к задачам геномной классификации. По сравнению с DNABERT модель использует BPE вместо k-меров и поддерживает более длинный контекст. Для разреженного внимания требуется DeepSpeed; README указывает поддержку GPU с compute capability не ниже 7.0. Лицензия в предоставленных данных не указана.

GLACIER-100k-MiniMol — мультимодальная модель для получения представлений молекул и предсказания их свойств. Она объединяет молекулярные графы, строки SMILES и физико-химические дескрипторы; архитектура использует графовый, текстовый и табличный энкодеры, а также модуль объединения представлений с учётом геометрии Финслера. Модель описана как student-teacher foundation model, обученная для молекулярного вывода и исследования химических структур. Основной сценарий применения — извлечение эмбеддингов молекул для последующего предсказания свойств и анализа химических соединений. Репозиторий содержит пользовательскую архитектуру и средства загрузки, поэтому для работы требуется скачать файлы модели. Формат весов — PyTorch. Лицензия — MIT. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных материалах не указаны.

GROVER — предварительно обученная языковая модель генома, разработанная PoetschLab. Она использует архитектуру BERT и предсказывает замаскированные токены в последовательностях ДНК, учитывая их контекст; модель предназначена для анализа геномных последовательностей. Чекпойнт содержит 113,7 млн параметров, работает в PyTorch и принимает контекст длиной до 512 токенов. При токенизации BPE представление последовательности может заметно меняться на участках короче 50 нуклеотидов; на более длинных участках также следует учитывать края последовательности. Авторы рекомендуют добавлять по 100 нуклеотидов с обоих концов, чтобы повысить соответствие исходной токенизации. Модель распространяется под лицензией, которая в предоставленных данных не указана.

philipp-zettl/gte-micro-v4-mtg — текстовая модель эмбеддингов на базе Sentence Transformers, дообученная Philipp Zettl на датасете карт Magic: The Gathering mtg_cards-2025-04-04. Она кодирует предложения и абзацы в плотные векторы размерностью 384; архитектура включает BERT с усреднением токеновых представлений. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов, а сходство векторов оценивается косинусной мерой. Модель подходит для семантического поиска и сравнения текстов о картах MTG, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на STS-dev и STS-test, а также описание обучающей и оценочной выборок. Показатели на общих наборах семантического сходства не гарантируют качество на других областях; специализированное обучение на карточках MTG ограничивает применимость за пределами этой тематики. Лицензия в предоставленных данных не указана.

Exscientia IgBert_unpaired — BERT-модель для белковых и антительных последовательностей, разработанная Exscientia. Она дообучена на непарных последовательностях антител из Observed Antibody Space на основе ProtBert-BFD с целью masked language modeling. В метаданных указаны 503,3 млн параметров, контекст до 40 000 токенов и формат safetensors. Модель предназначена для заполнения маскированных аминокислот и получения векторных представлений последовательностей антител. Такие представления можно использовать в последующих задачах классификации или другой специализированной настройке. Для загрузки и токенизации README рекомендует библиотеку Transformers; токенизатор добавляет специальные токены начала и конца последовательности и выполняет дополнение до длины в пакете. Лицензия — MIT. Модель обучалась на непарных антительных последовательностях, поэтому её специализация — антительные и белковые данные; README не приводит результатов сравнительной оценки качества. Для задач на уровне последовательности может потребоваться отдельная настройка или pooling-голова.

Aratako разработал эту японскую модель вознаграждения на основе дообученной sbintuitions/sarashina2.1-1b. Она оценивает текст японского романа по оценкам пользователей: регрессионный балл служит косвенной оценкой качества текста и может применяться, например, в обучении генеративных моделей романов с подкреплением. Модель построена на архитектуре Llama и содержит 1,2 млрд параметров; принимает текст, а выдаёт числовую оценку через классификационную голову. Контекст — до 8192 токенов. На тестовой выборке средняя абсолютная ошибка составила 0,7734, а коэффициенты корреляции Пирсона и Спирмена — 0,6549 и 0,6483. По данным README, баллы обычно лежат в диапазоне 0–10, но возможны значения за его пределами. Оценка может зависеть от жанра, стиля и других смещений, поэтому её не следует считать объективной мерой качества. Модель унаследовала Sarashina Model NonCommercial License Agreement; коммерческое использование ограничено условиями этой лицензии.

Модель cristian-untaru/lora-biomedbert-medical-triage — классификатор медицинских текстов для академического прототипа предварительной сортировки симптомов SortMed, разработанного Кристианом Унтару на факультете информатики Западного университета Тимишоары. Это дообученная BioMedBERT с архитектурой BERT для классификации последовательностей: по короткому описанию симптомов на английском языке она присваивает одну из трёх категорий срочности — self_monitor, consult_gp или urgent. Веса LoRA-адаптера и классификационная голова объединены в модель, доступную для загрузки через Transformers; число параметров — 136,7 млн, контекст — до 512 токенов. Модель предназначена для экспериментальной классификации описаний симптомов, сравнения методов дообучения и исследований медицинского NLP. На тестовой выборке указаны accuracy 0,8208, macro precision 0,8385 и macro recall 0,8205. Обучение проводилось на небольшом наборе данных SymCAT с метками, созданными по правилам, а не подтверждёнными медицинскими специалистами. Модель не ставит диагноз, не учитывает клинический контекст и не предназначена для принятия экстренных решений; применима только к английскому тексту и требует клинической проверки перед любым использованием в реальных сценариях. Лицензия — MIT.

ianpan/mammoscreen — ансамблевая модель классификации маммографических снимков для скрининговой оценки риска рака молочной железы и плотности ткани. Она разработана на основе трёх свёрточных нейросетей с архитектурой EfficientNetV2-S; базовая модель — timm/tf_efficientnetv2_s.in21k_ft_in1k. Для трёх сетей используются разрешения 2048×1024, 1920×1280 и 1536×1536, а их результаты усредняются вместе с прогнозами по проекциям CC и MLO. Модель также принимает отдельный снимок, но ожидается снижение качества. Модель предварительно обучали на CBIS-DDSM, а затем дообучали на данных конкурса RSNA Screening Mammography Breast Cancer Detection. Она выдаёт оценку для рака и один из четырёх классов плотности ткани; автор сообщает средний AUROC 0,9451 на трёх разбиениях данных. Модель обучалась на обрезанных изображениях, поэтому перед подачей рекомендуется обрезать снимки. Это инструмент для анализа маммографических изображений, а не самостоятельная замена клинической диагностики. Репозиторий распространяется по лицензии Apache-2.0.

MangaLineExtraction-hf — версия модели MangaLineExtraction_PyTorch, совместимая с библиотекой Transformers. Разработана Chengze Li, Xueting Liu и Tien-Tsin Wong, преобразована Plat и опубликована в формате Safetensors. Модель предназначена для извлечения линейного рисунка из изображений манги: на вход подаётся изображение, на выходе получается его преобразованная версия с выделенными линиями. В метаданных указаны архитектура MLEForAnimeLineExtraction и задача image-to-image. Модель распространяется по лицензии MIT. В карточке не приведены сведения о качестве на разных типах изображений и ограничениях применения.

MESIE-Spectral-v1 — компактная модель ItsNotAI LABS для контроля качества акустических преобразователей на производственной линии. Это плотный Transformer с многоголовым вниманием; карточка сообщает о 917,5 тыс. параметров, а README отдельно приводит 794 500 обучаемых параметров и 640 000 элементов фиксированного позиционного кодирования. Модель принимает данные аудиотеста и предназначена для классификации при проверке преобразователей, включая задачи калибровки по частотной характеристике, THD и SNR. README описывает обучение AdamW в течение 10 эпох на профильных датасетах и приводит validation loss MSE 0,60704, эмпирическую точность/precision 0,9939 и задержку вывода 1,122 мс. Эти показатели заявлены авторами, но в карточке не приведены протокол оценки и подробное описание входного представления. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии Apache-2.0.

OpenGVLab/Mini-InternVL2-2B-DA-DriveLM — мультимодальная диалоговая модель OpenGVLab для анализа изображений в контексте автономного вождения. Она создана на основе OpenGVLab/InternVL2-2B и адаптирована в рамках единого подхода Mini-InternVL для специализированных областей; версия DriveLM дообучена на данных DriveLM. Модель принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе в сценариях визуального вопросно-ответного взаимодействия и диалога об изображениях. Карточка указывает архитектуру InternVLChatModel и поддержку диалогового режима. Общие обучающие данные семейства включают наборы для вопросов по изображениям, диаграммам и документам, а эта версия предназначена для задач автономного вождения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Описание не приводит количественных результатов оценки именно этой версии, поэтому её качество в конкретных дорожных сценариях по карточке определить нельзя.

Карточка модели BornSaint/minimax-music3-latent-refiner-v0.10 на Hugging Face совпадает с карточкой terminusresearch/minimax-music3-latent-refiner-v0.10, поэтому описание составлено по ней. MiniMax Music 3 Latent Refiner v0.10 — модель восстановления музыки, разработанная Terminus Research как дообучение MiniMaxAI/MiniMax-Music3. Она принимает повреждённое аудио и восстанавливает более чистую версию, стараясь сохранить исполнение, тайминг, вокал и аранжировку. Это аудиомодель на основе трансформера, работающая в непрерывном DAV латентном пространстве MiniMax Music 3; размер выбранного чекпойнта — 137 253 888 параметров. Для обработки используются признаки MERT, представление аудио CLAP и DAV-латенты исходного сигнала. Модель рассчитана на восстановление музыки с характерными для обучения искажениями, включая снижение полосы частот, шум, уменьшение битовой глубины и мягкое клиппирование. Базовый режим использует перекрывающиеся окна длительностью 30 секунд; модель не является генератором музыки по тексту и не предназначена для разделения источников, ремиксов, каверов или произвольного редактирования. Для работы необходимы соответствующие DAV-компоненты MiniMax Music 3 и MERT; MERT распространяется по лицензии CC-BY-NC-4.0. В метаданных указана лицензия репозитория other, поэтому условия использования весов следует сверять с файлами лицензии репозитория.

MolmoMotion-4B-H3-F30 — разработанная Ai2 (Allen Institute for AI) плотная vision-language-модель семейства Molmo2 с 4 млрд параметров. Она принимает короткую историю RGB-кадров, заданные пользователем 2D-точки с их 3D-историей и текстовое описание действия, а затем прогнозирует будущие траектории этих точек в 3D в системе координат камеры, в метрах. Это авторегрессионный вариант с историей из трёх кадров и горизонтом прогноза в 30 кадров; при 15 кадрах в секунду это примерно две секунды движения. Модель предназначена для исследований прогнозирования движения и траекторий, а также для дообучения под прикладные сценарии, например роботизированный захват и размещение предметов. Лицензия репозитория — Apache-2.0. Прогнозы являются оценками модели и требуют проверки перед использованием для управления исполнительными системами. Обучающие данные MolmoMotion-1M включают подписи и разметку траекторий по видео; исходные видео подчиняются лицензиям и ограничениям их владельцев.

NCS-v1-2d-base — базовая модель для анализа сейсмических данных, разработанная Норвежским вычислительным центром совместно с Equinor ASA и AkerBP ASA. Она обучена на 829 полнообъёмных сейсмических кубах с континентального шельфа Норвегии из открытой базы DISKOS и предназначена для извлечения признаков из отдельных двумерных сейсмических срезов — inline- и crossline-секций. Модель использует архитектуру ViT-MAE с двумерными синусно-косинусными позиционными кодировками; размер составляет 113,2 млн параметров. Полученные представления можно применять как основу для дообучения классификаторов сейсмических фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических изображений и отслеживания горизонтов и событий. Лицензия — Apache-2.0. Модель рассчитана на одноканальные двумерные сейсмические изображения, предварительно стандартизованные и ограниченные по амплитуде согласно описанному в карточке протоколу. Оценка представлений выполнена на четырёх геологических бенчмарках с малым числом размеченных примеров; карточка не приводит результатов для всех перечисленных сценариев применения.

Это сверточная спайковая нейронная сеть NeuroCUDA для классификации изображений событийной камеры на датасете N-MNIST. Модель разработана в рамках проекта NeuroCUDA и предназначена для распознавания рукописных цифр по событийным данным. Архитектура — трехслойная CNN с двумя входными каналами и размером входа 34×34; в модели 147 466 параметров. Она использует 16 временных шагов. Сеть получена конвертацией ANN в спайковую модель по схеме CS-QCFS с последующим дообучением IF + BPTT. В README указана точность 99,88% ± 0,02% и разреженность активности около 91,7%; результаты могут меняться на разных аппаратных платформах. Модель распространяется в формате PyTorch по лицензии MIT. Заявлена проверка на GPU, CPU и симуляторе Loihi 2; поддерживается экспорт NIR для развертывания на Loihi 2, SpiNNaker и FPGA.