II.8Инженерия данных и аналитика

HyenaDNA tiny-1k — компактная геномная языковая модель семейства HyenaDNA, разработанная авторами проекта LongSafari. Это причинная плотная модель с архитектурой HyenaDNAForCausalLM и примерно 460,3 тыс. параметров; репозиторий содержит веса в формате safetensors. Она предсказывает следующие нуклеотиды в последовательности ДНК, токенизированной на уровне отдельных нуклеотидов. Вариант tiny-1k рассчитан на последовательности длиной до 1 тыс. токенов. Модель подходит для генерации продолжения ДНК-последовательностей и как основа для дообучения и классификации геномных последовательностей, например для анализа регуляторных элементов. Базовая HyenaDNA предварительно обучена на человеческом референсном геноме HG38; архитектура использует операторы Hyena вместо механизма внимания и поддерживает длинный контекст с субквадратичной вычислительной сложностью. Лицензия — BSD 3-Clause.

LeWM TwoRooms latent-to-image decoder — декодер на PyTorch, разработанный fracapuano для восстановления наблюдений TwoRooms по 192-мерному проецированному CLS-эмбеддингу замороженного энкодера quentinll/lewm-tworooms. Он преобразует векторное представление одного кадра в RGB-изображение размером 224 × 224 пикселя. Модель предназначена для декодирования латентных представлений и визуализации наблюдений в экспериментах с TwoRooms и world modeling. Архитектура включает обучаемые patch-запросы и три блока повторного cross-attention, ширину 256 и восемь голов внимания; в чекпойнте 2 667 264 обучаемых параметра. Модель обучалась с бинарной кросс-энтропией по RGB-каналам на датасете fracapuano/lewm-tworooms. На отложенной тестовой выборке указаны MSE 0,00002485 и PSNR 46,05 дБ. Для работы декодеру требуется совместимый эмбеддинг от исходного энкодера; это специализированный декодер TwoRooms, а не универсальная модель генерации изображений. README не сообщает лицензию репозитория, поэтому условия использования по имеющимся сведениям определить нельзя.

MedGemma AE Detection — модель NEWMES AI Team, созданная дообучением MedGemma 4B для классификации видимых нежелательных явлений по фотографиям кожи и лица. Она относит изображение к одному из 21 классов: нормальное состояние или один из семи типов явлений с оценкой тяжести по шкале CTCAE от 1 до 3. Поддерживаются макулопапулёзная и акнеформная сыпь, периорбитальный отёк, продромальные проявления синдрома Стивенса—Джонсона, стоматит, зуд и алопеция. Модель предназначена для исследовательских демонстраций и экспериментов по мониторингу нежелательных явлений в клинических исследованиях. В README сообщается о точности 85,7% на тесте из 42 синтетических изображений; большинство ошибок — оценка степени тяжести на один уровень выше или ниже либо смешение нормы с явлением 1-й степени. Модель основана на newmes/medgemma-4b-antihallu, использует архитектуру Gemma 3 и принимает изображения с текстовым запросом, выдавая текстовый ответ. Указана лицензия other; действуют условия использования HAI-DEF и MedGemma.

Карточка модели pejrich/Mini-BS-RoFormer-V2-46.8M на Hugging Face совпадает с карточкой HiDolen/Mini-BS-RoFormer-V2-46.8M, поэтому описание составлено по ней. HiDolen разработал Mini-BS-RoFormer-V2-46.8M — модель разделения музыкального аудио на отдельные источники на основе архитектуры BS-RoFormer. Она принимает аудиозапись и выделяет четыре дорожки: бас, ударные, прочие инструменты и вокал; бас, ударные и прочие инструменты можно объединить в инструментальную дорожку. В карточке указано 46,8 млн параметров и точность весов BF16; метаданные каталога указывают 15,9 млн параметров и формат safetensors, поэтому сведения о размере модели расходятся. Модель обучалась на MUSDB18-HQ. На валидационной части датасета автор сообщает общий SDR 10,03, а для баса и ударных — 9,68 и 10,58. В версии V2 применены временное прореживание с шагом 4, мел-полосное разбиение на 80 диапазонов и предсказание маски с дополнительным gate; автор также отмечает снижение вычислительных затрат. Для инференса README приводит пример использования Transformers 4.55.4 и зависимостей soundfile, einops и librosa. Модель предназначена для разделения музыкальных записей, а не для общего анализа аудио. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование.

MolMetaLM-small — компактная плотная языковая модель семейства Llama, опубликованная пользователем wudejian789 на Hugging Face. В репозитории указано 25,6 млн параметров, контекст до 4096 токенов и формат весов safetensors. Модель предназначена для получения молекулярных представлений из строк SMILES и генерации текста. Метаданные связывают её с молекулярным языковым моделированием и физико-химическими знаниями; пример использования показывает загрузку через Transformers и получение молекулярных представлений. Поддерживаемый язык естественного текста не установлен. Лицензия и подробная оценка качества в предоставленных данных не указаны. README отсылает за дополнительными сведениями, поэтому практические возможности модели и условия её применения описаны ограниченно.

mRNABERT — предобученная языковая модель YYLY66 для анализа последовательностей мРНК, представленная авторами работы «mRNABERT: advancing mRNA sequence design with a universal language model and comprehensive dataset». Это плотная архитектура BERT с 113,3 млн параметров, реализованная для Transformers и PyTorch; контекст — до 512 токенов. Модель обучена на более чем 18 млн очищенных последовательностей мРНК и использует контрастивное обучение для интеграции семантических признаков аминокислот. Модель предназначена для извлечения признаков из последовательностей мРНК и дообучения под прикладные задачи. В метаданных указаны задачи fill-mask и text-classification; основная задача — восстановление замаскированных элементов последовательности. Перед подачей данные нужно предварительно обработать: регионы UTR разделять по одной букве, а CDS — по три символа. Модель специализируется на биологических последовательностях и не предназначена для обычного текста. Лицензия — Apache-2.0.

InstaDeepAI/NTv3_650M_pre_8kb — предобученная модель семейства NTv3 для работы с геномными последовательностями. Она предназначена для исследовательского изучения и заполнения замаскированных фрагментов ДНК; авторы уточняют, что модель обучена только на последовательностях длиной до 8 кбп и не является рекомендуемым чекпойнтом NTv3 для получения результатов. Архитектура — U-Net-подобная: сверточная башня, стек Transformer, обратная сверточная башня и языковая голова. Токенизатор посимвольный, с алфавитом A, T, C, G и N; карточка указывает размер скрытого слоя 1536 и словарь из 11 токенов. Модель принимает последовательности нуклеотидов с маскированными позициями и предсказывает пропущенные токены. Длина входа должна быть кратна 128. Веса первоначально обучались в JAX со смешанной точностью, затем были перенесены в Torch; по умолчанию загрузка выполняется в fp32, а bf16 может вызывать небольшие численные расхождения. Для загрузки требуется Transformers версии не ниже 4.55.0 и пользовательский код репозитория. Лицензия указана как other, поэтому условия использования следует уточнить по карточке и файлам репозитория.

Это политика размещения визуальных наблюдений, обученная методом policy gradient для сегментации сцен на ADE20K. Модель разработана в проекте CanViT-PyTorch-RL и оценивает кандидатов на точку наблюдения: две масштаба и сетку центров 16×16; оценки используются как логиты политики. Политика обучалась на замороженном backbone CanViT для canvas grid 64. При применении сначала выполняется полный обзор сцены, затем на каждом шаге выбирается кандидат с наибольшим логитом. В README приведены метрики валидации по cross-entropy и mIoU для нескольких шагов наблюдения; модель предназначена для протокольно согласованных эпизодов оценки и размещения glimpses при сегментации. Она не является универсальной чат-моделью или самостоятельным генератором изображений. Чекпойнт получен как один из восьми запусков серии policy-gradient с entropy-floor, seed 2, на шаге 8000; базовая модель — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. В репозитории указаны веса safetensors и библиотека CanViT-PyTorch-RL. Лицензия — MIT.

Модель canvit/pgpolicy-ade20k-c64-t5-floorband-2026-07-07-s5 — политика размещения последовательных визуальных наблюдений для сегментации сцен ADE20K. Она разработана в рамках CanViT-PyTorch-RL и использует замороженную основу CanViT для оценки дискретных точек обзора: две шкалы и центры сетки 16×16. Политика обучена методом policy gradient на данных ADE20K; для выбора наблюдений после первого шага применяются логиты кандидатов и правило argmax, а начальный шаг использует полный обзор сцены. В README приведены метрики валидации для нескольких шагов наблюдения, включая mIoU 43,73% и CE 0,6886 на шаге t2. Модель предназначена для исследовательских и экспериментальных сценариев последовательной сегментации с ограниченным числом визуальных наблюдений. Основа — canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02. Лицензия — MIT.

Политика выбора точек обзора для сегментации изображений ADE20K. Разработана в рамках CanViT-PyTorch-RL и обучена методом policy gradient для выбора положения фрагментов изображения на дискретной сетке: две шкалы и центры 16×16. Она оценивает кандидатов и выдаёт логиты политики; при развёртывании сначала использует полный кадр, затем выбирает следующий обзор по максимальному логиту. Политика предназначена для последовательной сегментации сцены с несколькими ограниченными по положению «взглядами» и использует замороженный backbone CanViT.

PHerc.1667-iteration-3 — модель сегментации чернил на свитке Геркуланума, обученная командой scrollprize для задачи Vesuvius Challenge. Она обрабатывает объёмные изображения свитка в виде окон размером 62 × 256 × 256 вокселей и выделяет вероятные области чернил; для обработки целого сегмента требуется скользящее окно с усреднением перекрывающихся предсказаний. Архитектура сочетает 3D ResNet-50, инициализированную весами Kinetics-700, и 2D U-Net-декодер; выход представляет собой карту вероятностей сегментации на разрешении 64 × 64. Модель обучена на 15 286 плитках сегмента l_2 с разметкой l_2_inklabels3.png и входит в серию абляций разметки. В README показаны результаты также для отложенного сегмента l_5. Веса представлены в формате safetensors и совпадают с исходным обучающим чекпойнтом; лицензия — MIT. Модель специализирована для выявления чернил в томографических данных свитков и не предназначена для общего распознавания изображений или извлечения текста.

PlantHelixSeek — базовая языковая модель ДНК растений, разработанная Zhangtao Lab. Она предобучена методом masked language modeling на уровне отдельных нуклеотидов и предназначена для анализа последовательностей растений и дообучения под геномные задачи. Архитектура HelixSeek сочетает слои Transformer, линейное внимание HelixSeek-Delta и Multi-head Latent Attention, а также разреженный MoE-блок с восемью экспертами. В метаданных указаны 163,6 млн параметров, контекст до 8192 токенов и поддержка английского языка; README приводит другое число параметров — 470 млн. Модель принимает последовательности ДНК как текст и предсказывает замаскированные нуклеотиды; среди применений её производных указаны классификация последовательностей и токенов, предсказание структуры генов и регуляторных элементов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Для конкретных прикладных задач может потребоваться соответствующий дообученный чекпойнт.

Preferential-250k — языковая модель антител, разработанная Briney Lab на основе архитектуры ESM-2. Она предварительно обучена на парных последовательностях антител из наборов Jaffe et al. и Hurtado et al.; модель содержит 471,9 млн параметров и рассчитана на контекст до 322 токенов. Вход представляет собой последовательности тяжёлой и лёгкой цепей, записанные подряд в формате HEAVY_CHAINLIGHT_CHAIN. Основная задача модели — предсказание замаскированных токенов в последовательностях антител. Её также можно дообучить с классификационной головой для задач вроде определения специфичности и классификации пар антител. Модель распространяется в формате safetensors и под лицензией MIT.

Synthyra/Profluent-E1-600M — публикация чекпойнта Profluent-Bio/E1-600m с runtime FastPLMs для использования через Hugging Face Transformers. Это плотная модель семейства E1 примерно на 639 млн параметров, обученная для работы с белковыми последовательностями. Она принимает исходные аминокислотные последовательности через специальный адаптер E1; токенизатор не используется. Основная задача — восстановление замаскированных участков последовательности. Представления модели также можно применять в последующих биологических задачах классификации.

Это обученная политика Viewpoint-Q из проекта CanViT-PyTorch-RL, разработанная для выбора мест и масштабов последовательных визуальных наблюдений при сегментации изображений ADE20K. Она оценивает Q-значения для дискретной сетки кандидатов: двух масштабов и центров 16×16; сеть использует dueling head, а визуальный backbone CanViT заморожен. При развёртывании сначала выполняется обзор всего изображения, затем выбираются следующие наблюдения по максимальному Q-значению. Для оценки приведены метрики валидации ADE20K по cross-entropy и mIoU; указанные сводные результаты относятся к серии из восьми seed, а этот репозиторий содержит один seed. Модель опубликована с лицензией MIT и использует формат safetensors. Для работы нужны библиотеки CanViT-PyTorch-RL и CanViT; точный сценарий оценки использует протокольные rollout-функции проекта.

Viewpoint-Q policy — ADE20K, c64, T=5 — это обученная CanViT-PyTorch-RL политика размещения последовательных областей внимания для семантической сегментации сцен. Она оценивает Q-функцией дискретные точки обзора: два масштаба и сетку центров 16×16; используется замороженная базовая CanViT и дуэльная Q-голова, вычисляющая Q как сумму V и центрированного A. При запуске модель сначала получает полный обзор сцены, затем выбирает следующие точки по максимальному Q. Модель предназначена для выбора последовательности визуальных фрагментов изображения ADE20K при сегментации. В README приведены метрики валидации для отдельных шагов, включая mIoU 43,97% на t2, а также агрегированный результат набора из восьми seed; эти агрегированные показатели не следует приписывать данному отдельному чекпойнту. Базовая модель — CanViT-B/16, предварительно обученная на ImageNet-21K и DV3B16. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

siyan824/reloc3r-224 — модель Reloc3r для визуальной локализации по изображениям. Она предназначена для оценки относительного положения камеры и связана с работой «Reloc3r: Large-Scale Training of Relative Camera Pose Regression for Generalizable, Fast, and Accurate Visual Localization», представленной на CVPR 2025. Репозиторий содержит веса в формате safetensors. Модель подходит для задач визуальной локализации, где нужно оценить взаимное положение камеры по визуальным данным. README не содержит описания архитектуры, размера, поддерживаемых сценариев или условий использования; метаданные не указывают лицензию.

RETFound_MAE_OCT_CNV_DME_DRU — модель классификации изображений сетчатки глаза, разработанная на основе open-eye/RETFound_MAE и дообученная на наборе Kermany с изображениями оптической когерентной томографии (OCT). Она относит снимок к одному из четырёх классов: друзы, хориоидальная неоваскуляризация (CNV), диабетический макулярный отёк (DME) или норма. Модель предназначена для автоматической классификации OCT-снимков в исследовательских и вспомогательных диагностических сценариях. В карточке указана точность 85%; условия оценки и метрики по отдельным классам не приведены. Модель не заменяет заключение врача. Репозиторий использует формат PyTorch и библиотеку timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RIBOSPAN-1K-15 — чекпойнт семейства фундаментальных моделей RIBOSPAN для работы с последовательностями РНК. Модель разработана SII-GAIR-NLP и представляет собой плотный трансформер RiboSpanForMaskedLM с 1,61 млрд параметров и контекстом до 1 024 токенов. Вариант обучен с маскированием 15% токенов и предназначен для задачи fill-mask: предсказания замаскированных фрагментов последовательности. Модель подходит для анализа и исследования РНК-последовательностей, включая восстановление замаскированных участков и получение контекстных предсказаний для геномных и транскриптомных данных. Использует веса PyTorch и является дообучением SII-GAIR-NLP/RIBOSPAN-FM. Лицензия указана как other; конкретные условия использования следует сверять с карточкой модели и лицензией базовой модели.

SegmentNT — модель сегментации геномных последовательностей, разработанная InstaDeep. Она определяет расположение 14 типов геномных элементов человека с точностью до отдельного нуклеотида: генов и их частей, сайтов сплайсинга, сигналов polyA, промоторов, энхансеров и участков связывания CTCF. Модель использует энкодер nucleotide-transformer-v2-500m-multi-species без языковой головы и одномерную U-Net-голову сегментации. В README указано 562 млн параметров; входные последовательности могут достигать 30 тыс. нуклеотидов. Данные обучения охватывают геном человека, а обучение и проверка проводились с выделенными хромосомами для валидации и тестирования. SegmentNT предназначена для аннотирования геномных последовательностей и анализа расположения геномных и регуляторных элементов. Для использования README указывает на необходимость установить Transformers из исходного кода до следующего выпуска. Модель распространяется по лицензии CC-BY-NC-SA-4.0.

SLM125mLIVE base — базовая языковая модель с 125,8 млн параметров на архитектуре Llama, разработанная nagbhaskar55 и обученная с нуля. Она предназначена для продолжения текста и экспериментов с небольшими языковыми моделями. Обучение проводилось на корпусах решений судов США, документов SEC и образовательных веб-текстов; контекст ограничен 1 024 токенами. Модель не проходила дообучение для инструкций или выравнивание и не предназначена для ответов в формате ассистента. Модель может служить исходной точкой для экспериментов и дообучения на юридических или финансовых текстах. Проверка CaseHOLD показала результат ниже случайного выбора, поэтому модель не демонстрирует надёжного понимания юридических задач без дообучения. Она может генерировать правдоподобные, но неверные сведения, включая названия дел, ссылки на законы и финансовые показатели. Лицензия указана как other; перед использованием следует проверить условия лицензий исходных датасетов.

Это GGUF-представление SNAC 24 kHz — компактного многомасштабного нейронного аудиокодека с остаточной векторной квантизацией (RVQ), созданного Hubert Siuzdak. Репозиторий cstr подготовил конверсию для использования с CrispStrobe/CrispASR; модель предназначена для декодирования аудиотокенов, которые выдаёт совместимая модель-«говорящий», например Orpheus-TTS. Сама по себе она не преобразует произвольный текст в речь: для синтеза её нужно запускать вместе с такой моделью. Кодек рассчитан на монофонический звук с частотой 24 кГц и использует три кодбука размером 4096. В репозитории представлен файл GGUF в формате F32 размером около 25 МБ; README указывает на применение в C++-рантайме libcrispasr без Python во время инференса. Модель связана с мультиязычным сценарием, но конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Лицензия — MIT, как у upstream-модели.

laion/tt-x15-megatron-51-30B — экспериментальный контрольный чекпойнт TaskTrove X15, созданный обучающей командой эксперимента на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Это диалоговая MoE-модель для генерации текста и кода; чекпойнт получен дообучением GRPO на DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2. В метаданных указаны 2,6 млрд параметров и контекст до 262 144 токенов. Эксперимент проверял, предотвращают ли выбранные параметры обучения поздний коллапс модели. Проверка дала отрицательный результат: обучение было остановлено после коллапса, а этот чекпойнт сохранён как отрицательный контроль, а не как результат для штатного применения. Модель может служить для изучения поведения обучения и генерации кода, но качество её ответов после коллапса не подтверждено для практических задач. Доступна по лицензии Apache-2.0.

VC-1 Large — визуальная модель представлений на основе Vision Transformer (ViT-Large), разработанная исследователями Meta AI (FAIR). Она предварительно обучена методом Masked Auto-Encoding на более чем 4 000 часах эгоцентрических видео из нескольких источников и изображениях ImageNet. Модель принимает изображения размером 224×224 пикселя и выдаёт вектор признаков размерности 1024. Модель предназначена для embodied AI и робототехнических сценариев: её визуальные эмбеддинги можно использовать как признаки для последующих задач манипуляции объектами, навигации в помещениях и распознавания объектов. Архитектура ViT-Large содержит 24 слоя, 16 голов внимания и патчи 16×16 пикселей. Оценка проводилась на наборах задач CortexBench, включая манипуляцию, навигацию и управление в симуляторах. Авторы отмечают, что результаты на этих тестах могут не переноситься на реальные роботы и другие сценарии; модель вычислительно затратна и может быть неудобна для устройств с ограниченными ресурсами. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Модель griffio/vit-large-patch16-224-dungeon-geo-morphs-009 — дообученная версия Google ViT-Large/16 для классификации изображений карт подземелий по геоморфологическим вариантам с 0–3 входами. Она построена на архитектуре ViTForImageClassification и содержит около 402,7 млн параметров. Модель предназначена для автоматической категоризации изображений таких карт; в README указаны точность 1,0 и loss 0,0429 на оценочном наборе. Модель принимает изображения и возвращает классы. Обучение выполнено на наборе dungeon-geo-morphs; лицензия — Apache-2.0. Карточка не описывает состав классов, размер и происхождение обучающей и оценочной выборок, поэтому приведённые метрики не позволяют оценить переносимость на другие типы карт.

AbLang2 — белковая языковая модель только с энкодером, предназначенная для работы с последовательностями антител. Её разработали Tobias H. Olsen, Iain H. Moal и Charlotte M. Deane; этот чекпойнт — неофициальная реализация MultiMolecule, для которой команда сообщает о совпадении промежуточных представлений с оригинальной реализацией. Оригинальный проект опубликован в репозитории oxpig/AbLang2. Модель содержит около 44,3 млн параметров, 12 слоёв, скрытый размер 480 и 20 голов внимания. В ней используются rotary position embeddings и блоки SwiGLU. Обучение проводилось на 35,6 млн непарных последовательностей тяжёлых и лёгких цепей и 1,26 млн парных последовательностей антител из Observed Antibody Space; целевая задача — предсказание замаскированных остатков с уменьшением смещения к герминальным последовательностям. Длина последовательности чекпойнта при обучении — 256 токенов. AbLang2 подходит для предсказания замаскированных аминокислотных остатков и извлечения признаков последовательностей антител. Для классификации или регрессии на уровне последовательности либо остатков модель нужно дообучить на соответствующей задаче. Для использования требуется библиотека multimolecule. Лицензия — AGPL-3.0.

Bubenpo/AnguinusSculpturae — набор обученных весов MAMA-SYNTH для синтеза постконтрастных изображений молочной железы по соответствующим доконтрастным срезам DCE-MRI. Модель представлена как 14 сетей ResidualEncoderUNet, работающих посрезово на двумерном холсте 512×512; конфигурация объединяет модели перевода изображений и сегментации, усредняет предсказания по фолдам и плавно сшивает области изображения. Веса занимают около 5,6 ГБ, каждая сеть содержит примерно 106 млн параметров. Модель предназначена для исследовательского синтеза контрастных изображений молочной железы в рамках задачи MAMA-SYNTH. Для областей вне ткани сохраняется исходный доконтрастный сигнал, а участок поражения дополнительно усиливается по маске сегментации. Веса обучены на данных соревнования по breast MRI; для запуска требуется код из отдельного проекта nnUNet-Mama-Synth, форка nnU-Net v2. Лицензия CC BY-NC-SA 4.0 разрешает использование на условиях атрибуции, распространения производных на тех же условиях и без коммерческого применения. Это исследовательский артефакт, не медицинское изделие и не предназначен для клинического применения. Он рассчитан на отдельные 2D доконтрастные срезы 512×512; работа с другими анатомическими областями, 3D-объёмами, иными параметрами сканирования или входами без z-нормализации не проверена. Шаг усиления поражения предполагает наличие очага и может ошибочно осветлить участок на срезе без поражения.

Ankh-Large — крупная белковая языковая модель семейства Ankh, разработанная группой Ahmed Elnaggar. Она предназначена для анализа аминокислотных последовательностей: получения векторных представлений белков и последующего дообучения для задач предсказания структуры и функций, а также изучения вариантов белков. Модель построена на архитектуре T5 и имеет около 1,6 млрд параметров по метаданным Hugging Face; в карточке она загружается как модель преобразования последовательностей. Ankh разработана как специализированная модель для белковых последовательностей, а не для естественного языка. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и ограничивает коммерческое использование. Карточка Hugging Face содержит мало подробностей о конкретных ограничениях и оценках качества этой версии.

gabrielbianchin/base_esm2_t33_long — базовая версия ESM2 T33, заявленная как основа для квантизованной модели gabrielbianchin/esm2_t33_long_int4. Это плотная модель класса EsmForMaskedLM с 865,1 млн параметров, предназначенная для предсказания замаскированных токенов в последовательностях белков. Модель принимает текстовое представление последовательности и выдаёт распределения токенов для заполнения масок; заявленная длина контекста — 2050 токенов. Карточка не сообщает о дообучении на конкретной задаче, поддерживаемых языках или специализированных прикладных областях. В репозитории указаны веса SafeTensors. Лицензия в доступных сведениях не приведена.

Synthyra/Boltz2 — упаковка чекпойнта boltz-community/boltz-2 для использования через FastPLMs и Hugging Face Transformers. Модель предназначена для извлечения признаковых представлений белков и предсказания их трехмерной структуры: высокоуровневый помощник принимает аминокислотную последовательность, запускает inference-ядро Boltz2 и возвращает координаты и показатели уверенности. Также можно передавать подготовленные признаки. Архитектура представлена классом Boltz2Model; веса доступны в формате PyTorch safetensors, загрузка выполняется через AutoConfig и AutoModel. В README указано, что чекпойнт предварительно поддерживается в FastPLMs 1.0: конфигурация, состояние inference-ядра, подготовка признаков и воспроизводимый запуск проверяются, однако численная эквивалентность сквозного BF16-инференса пока не подтверждена. Поэтому авторы не заявляют официальную эквивалентность инференса и биологическую валидность результатов. Для загрузки указан trust_remote_code=True; доступен только eager-бэкенд внимания. Лицензия — MIT, веса разрешено распространять.