II.8Инженерия данных и аналитика

Это конверсия SigLIP 2 от zeromodels в формат Keras 3 на основе google/siglip2-base-patch16-256. Модель предназначена для классификации изображений по текстовым подсказкам без отдельного обучения на заданных классах: на вход подаются изображения и текстовые описания классов, а на выходе — оценки соответствия изображения каждому описанию. SigLIP 2 использует визуально-языковой энкодер с sigmoid loss; при предобучении применялись генерация описаний, самодистилляция и masked prediction. Текстовая часть использует многоязычный словарь Gemma размером 256 тысяч токенов. Реализация Keras 3 работает с TensorFlow, Torch и JAX; для выбора размера изображения и токенизатора рекомендуется соответствующий Processor. Лицензия — Apache 2.0.

microsoft/speecht5_asr — модель SpeechT5 от Microsoft, дообученная для автоматического распознавания речи на наборе LibriSpeech. Она преобразует монофоническую речь с частотой дискретизации 16 кГц в текст и предназначена для задач speech-to-text. SpeechT5 использует архитектуру кодировщика-декодировщика с общей сетью и специализированными компонентами для обработки речи и текста. Это часть унифицированной мультимодальной системы, предварительно обученной на речевых и текстовых данных; данный вариант настроен именно на распознавание речи. Для работы используются PyTorch и Transformers. Модель рассчитана на распознавание английской речи из LibriSpeech; README приводит входной формат моно, 16 кГц. Другие языки и условия записи в карточке не описаны. Лицензия — MIT.

Карточка модели refactai/starcoderbase-1b на Hugging Face совпадает с карточкой bigcode/starcoderbase-1b, поэтому описание составлено по ней. StarCoderBase-1B — авторегрессионная языковая модель для генерации программного кода, разработанная проектом BigCode. Это версия семейства StarCoderBase с 1 млрд параметров, основанная на архитектуре GPT-2 с Multi-Query Attention. Модель обучалась на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования, с целью Fill-in-the-Middle на 1 трлн токенов. Контекстное окно составляет 8192 токена. Модель предназначена для продолжения кода по заданному фрагменту и заполнения пропусков между частями кода. Она не является моделью, настроенной на выполнение инструкций: запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем подсказки с контекстом кода. Генерации могут содержать ошибки, быть неэффективными или уязвимыми. Код может дословно воспроизводить фрагменты из обучающих данных, поэтому следует проверять его происхождение и соблюдать применимые условия лицензии. Лицензия модели — BigCode OpenRAIL-M.

Ternary Bonsai 2 27B Abliterated PQ2_0 MTP — это производная от prism-ml/Ternary-Bonsai-2-27B-gguf модель на основе семейства Qwen, опубликованная BoldingBuilds в формате GGUF. Веса упакованы с тернарным квантованием PQ2_0 примерно до 2,13 бит на вес; модель изменена методом abliteration, который убирает поведение отказа. Вариант MTP дополнен головой multi-token prediction для спекулятивного декодирования. Модель предназначена для локальной генерации текста и диалогов, в том числе ответов на запросы, от которых исходная модель отказывается. При подходящих нагрузках MTP ускоряет генерацию, например для кода, JSON и рассуждений; на свободной прозе ускорения нет и возможна небольшая просадка. Для MTP-файла требуется исправленная сборка llama.cpp; файл без MTP работает без этого патча. README сообщает о сохранении качества на MMLU относительно исходной тернарной версии, но приводит снижение pass@1 на HumanEval с 0,890 до 0,872, статистически незначимое в описанном измерении. У варианта v1 также отмечена проблема режима рассуждений: ответы на часть запросов не завершаются; измерения качества и отказов проводились с выключенным режимом thinking. Лицензия — Apache-2.0. Модель не имеет встроенного поведения отказа и требует отдельного защитного слоя перед пользовательским применением.

shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

laion/tt-x4_temperature-t1p0-45-30B — исследовательский контрольный снимок, опубликованный LAION как шаг 45 эксперимента TaskTrove X4 с температурой генерации 1,0. Это дообучение Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; обучение было ориентировано на многофайловые задачи программирования, а контрольный снимок выбран по скользящему среднему награды. Архитектура — MoE на базе Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Карточка описывает завершённый двухэпоховый эксперимент и сообщает метрики выбранного снимка: среднюю награду 0,2305 и pass@8 0,375. Эти результаты относятся к конкретной экспериментальной настройке и не гарантируют аналогичного качества на других задачах. Модель распространяется по лицензии Apache-2.0.

MCG-NJU/videomae-small-finetuned-kinetics — компактная модель классификации видео на основе VideoMAE, разработанная командой MCG-NJU и дообученная на размеченном наборе Kinetics-400 после 1600 эпох предварительного самообучения. Она использует архитектуру Transformer, близкую к Vision Transformer: видео разбивается на пространственные патчи размером 16×16, а представление токена CLS используется для классификации. Модель содержит 28,3 млн параметров и присваивает видео одну из 400 меток Kinetics-400. Модель подходит для распознавания действий и других категорий, представленных в Kinetics-400, например для автоматической разметки видеоклипов и анализа видеоконтента. В описанной оценке она достигает точности top-1 79,0% и top-5 93,8% на тестовой выборке Kinetics-400. Карточка не приводит поддерживаемые языки, поскольку модель классифицирует видео, а не текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это визуальный энкодер SigLIP из библиотеки timm: модель vit_base_patch16_siglip_384.webli содержит только часть, которая кодирует изображения, и использует исходный механизм attention pooling. Она предназначена для извлечения признаковых векторов изображений, которые можно использовать для поиска по визуальному содержимому, кластеризации и других задач на основе эмбеддингов. Модель работает с изображениями и выдаёт векторные признаки. В метаданных указаны библиотека timm, форматы PyTorch и Safetensors и лицензия Apache-2.0. Размер входа 384 пикселя указан в названии модели.

Это модель зрения и языка timm/vit_large_patch14_clip_224.metaclip_2pt5b, основанная на архитектуре CLIP ViT-L/14 с активацией QuickGELU и обученная на датасете MetaCLIP-2.5B. Она доступна для использования через библиотеки open_clip и timm и предназначена для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Модель сопоставляет изображения и текстовые метки в общем пространстве представлений, что позволяет выбирать наиболее подходящее описание из предложенного набора. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

pyannote/voice-activity-detection — открытая модель для обнаружения участков речи в аудиозаписях, разработанная командой pyannote.audio. Она предназначена для voice activity detection и может использоваться как этап предварительной обработки в автоматическом распознавании речи, сегментации аудио и задачах speaker diarization. Модель реализована как pipeline на базе pyannote.audio 2.1 и работает с аудио; сведения о размере, конкретной архитектуре, поддерживаемых языках и максимальной длине контекста в карточке не указаны. Результатом является временная шкала интервалов, в которых присутствует активная речь. В качестве связанных наборов данных указаны AMI, DIHARD и VoxConverse. Для использования требуется принять условия доступа к зависимой модели pyannote/segmentation и настроить токен Hugging Face. Модель распространяется по лицензии MIT. README не содержит количественных метрик качества и подробного описания ограничений, поэтому пригодность для конкретного типа аудио и требуемый уровень точности необходимо проверять отдельно.

Карточка модели UrizenB/wav2vec2-large-spanish на Hugging Face совпадает с карточкой jonatasgrosman/wav2vec2-large-xlsr-53-spanish, поэтому описание составлено по ней. jonatasgrosman/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, разработанная Jonatas Grosman. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и предназначена для преобразования аудиозаписей на испанском языке в текст. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для входной речи требуется частота дискретизации 16 кГц. Модель поддерживает распознавание речи без языковой модели и подходит для транскрибирования записей и оценки качества ASR на испаноязычных речевых наборах данных, включая Common Voice. В карточке приведена лицензия Apache-2.0. Результаты могут зависеть от акустических условий и отличий речи от обучающих данных; языковая модель в базовом сценарии не используется.

Baybars/wav2vec2-xls-r-1b-turkish — модель автоматического распознавания речи на турецком языке, дообученная на датасете COMMON_VOICE - TR. Она использует архитектуру wav2vec2 с классификационной головой CTC и содержит 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указана задача automatic-speech-recognition. На оценочной выборке указаны WER 0,4647 и CER 0,1318. Эти результаты описывают только приведённую оценку и не гарантируют качество на других данных. В README подробности о сценариях применения, обучающей выборке и ограничениях не приведены. Лицензия в доступных данных не указана.

Модель anton-l/xtreme_s_xlsr_300m_mls — дообученная на датасете GOOGLE/XTREME_S - MLS версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; архитектура основана на Wav2Vec2ForCTC, а число параметров составляет около 402,7 млн. В README приведены результаты на оценочной выборке: WER 0,3033 и CER 0,0951. Модель предназначена для сценариев распознавания речи, где требуется получить текстовую транскрипцию аудио. Язык или языки распознавания и длина контекста в доступных сведениях не уточнены. Модель распространяется по лицензии Apache-2.0.

BERT-base-cased-qa-evaluator — модель на основе BERT с 135,5 млн параметров и классификационной головой для оценки пары «вопрос—ответ». Она принимает вопрос и ответ как два текстовых сегмента и определяет, насколько они семантически связаны; контекст составляет до 512 токенов. Модель предназначена прежде всего для автоматической оценки качества вопросов, созданных генератором t5-base-question-generator, а также для отбора пар «вопрос—ответ», подходящих по смыслу. При обучении использовались данные SQuAD, RACE, CoQA и MSMARCO. Доступны версии в форматах PyTorch, TensorFlow и Flax. Оценка отражает семантическую связь между вопросом и ответом, но не проверяет фактическую истинность ответа. Лицензия в предоставленных материалах не указана.

Это компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google. Вариант L-8-H-512-A-8 содержит 8 слоёв, скрытый размер 512 и 8 голов внимания; модель имеет около 49,2 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена без учёта регистра с токенизацией WordPiece и доступна в форматах PyTorch и Flax. Модель предназначена для задач понимания английского текста и может дообучаться для классификации, анализа тональности, определения семантического сходства и других задач обработки языка. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также указывают на эффективность применения в дистилляции, когда метки для дообучения создаёт более крупная модель-учитель. Лицензия — Apache-2.0.

Это визуальная часть модели CLIP на базе архитектуры ConvNeXt Large с MLP-головой, предоставленная библиотекой timm. Веса обучены на данных LAION-2B и дополнительно настроены; обозначение soup указывает на объединение нескольких чекпойнтов. Репозиторий содержит только image encoder, поэтому модель принимает изображения и извлекает их признаки, а не формирует текстовые ответы. Модель предназначена для получения векторных представлений изображений, которые можно использовать для поиска по изображениям, сравнения визуального сходства и построения других систем анализа изображений. В метаданных указаны форматы PyTorch и safetensors, лицензия Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в предоставленных сведениях не описаны.

CT-Punc — модель восстановления пунктуации из экосистемы FunASR, предназначенная для автоматической расстановки знаков препинания в тексте без пунктуации, в том числе в результате распознавания речи. Её можно применять как отдельный этап обработки текста или включать в конвейер ASR. Модель поддерживает китайский и английский языки и рассчитана на низкую задержку, в том числе в потоковых сценариях. Репозиторий содержит веса PyTorch и использует библиотеку FunASR. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

tasksource/deberta-small-long-nli — англоязычная модель Tasksource, созданная дообучением DeBERTa-v3-small на задачах естественного языкового вывода. Архитектура DeBERTa V2 для классификации последовательностей содержит около 155 млн параметров и поддерживает контекст до 1680 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Модель предназначена для классификации по произвольным меткам через zero-shot-подход на основе NLI, определения логического следования между текстами и дообучения для классификаторов и других задач понимания текста. Среди обучающих данных — наборы NLI, логического рассуждения, проверки фактов и предпочтений; для длинных задач NLI увеличивали долю примеров при обучении. Карточка приводит результаты проверок на нескольких задачах, но не гарантирует качество для конкретного применения. Основной язык модели — английский. Она принимает текстовые последовательности и выдаёт оценки классов или отношений следования. Контекст длиннее, чем у стандартной версии DeBERTa-v3-small, но ограничен 1680 токенами. Результаты zero-shot классификации зависят от формулировки текста и меток; языки, кроме английского, в карточке не заявлены.

Это модель обнаружения объектов на изображениях, созданная дообучением DETR с ResNet-50 от nsugianto. Она предназначена для поиска объектов и определения их рамок; в названии указаны наборы LS-TableDet и LSDocElementDet, однако README не описывает классы объектов и конкретные сценарии применения. Модель содержит 6,3 млн параметров, использует архитектуру DETR и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

Это англоязычная модель классификации тональности предложений, опубликованная в репозитории Optimum как конверсия чекпойнта DistilBERT-base-uncased-finetuned-sst-2-english. В основе лежит DistilBERT-base-uncased, дообученный на наборе SST-2 для бинарной классификации тональности; модель принимает текст и выдаёт классовые оценки. Контекст составляет до 512 токенов. На dev-наборе SST-2 модель показала точность 91,3%. Она подходит для определения положительной или отрицательной тональности англоязычных отзывов и коротких текстов. Репозиторий содержит формат ONNX, лицензия — Apache-2.0. В README отмечен риск смещённых предсказаний для недостаточно представленных групп и примерах, где упоминание страны заметно меняет оценку без явного основания в тексте. Перед использованием в конкретном сценарии следует проверить качество и возможные смещения на подходящих данных.

eva02_large_patch14_clip_336.merged2b — веса модели EVA-02 CLIP, опубликованные timm для использования с OpenCLIP. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах: она сопоставляет изображение и варианты текста, а затем оценивает их сходство. По названию репозитория модель использует визуальный энкодер EVA-02 с патчами 14×14 и входным разрешением 336 пикселей, объединённый с текстовым энкодером CLIP. Метаданные указывают задачу zero-shot image classification и форматы PyTorch и safetensors. Лицензия — MIT.

Fwizzer-R1-3B-EN-v2 — компактная языковая модель, разработанная fwizzer1 на основе Ministral-3-3B-Instruct-2512 от Mistral AI. Модель дообучена методом LoRA на наборе данных fwizzer1/en-deepthink-mega, включающем 17 281 проверенную пару с рассуждениями. Основная специализация — англоязычные задачи рассуждения, математика, логический вывод и генерация кода; в карточке также заявлена поддержка русского языка. Модель имеет 3,29 млрд параметров и предназначена для текстовой генерации. Заявлено контекстное окно до 32 768 токенов, при этом рекомендуемая длина контекста составляет 8192 токена. Она рассчитана на локальный запуск на потребительских GPU, ноутбуках и одноплатных компьютерах; для GGUF-квантизаций указано потребление примерно от 2,5 до 4,2 ГБ VRAM или RAM в зависимости от варианта. Поддерживаются сценарии работы через llama.cpp, LM Studio, Ollama, vLLM и другие совместимые инструменты. Сильными сторонами являются малый размер, ориентация на пошаговое решение задач и заявленные результаты на GSM8K — 84,1%, MATH — 56,3% и HumanEval — Pass@1 65,2%. Ограничения включают компактный масштаб модели по сравнению с крупными LLM и встроенный системный промпт, задающий формат рассуждений в тегах <think> и </think>; его влияние и качество ответов могут зависеть от конкретного клиента и настроек запуска. Модель распространяется по лицензии Apache 2.0.

MAISAAI/gemma-2b-coder — языковая модель для генерации кода, созданная дообучением Gemma 2B на 20 тысячах инструкций из набора CodeAlpaca с помощью QLoRA и PEFT. Модель использует плотную decoder-only архитектуру Gemma, содержит 2,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации кода по запросам на естественном языке и ответов на вопросы о программировании. Компактный размер позволяет запускать её на персональном компьютере или собственной облачной инфраструктуре. README указывает английский как язык исходного семейства Gemma; качество именно этой версии отдельно не оценено, а результаты проверки обозначены как находящиеся в работе. Лицензия в предоставленных данных не указана.

Это неквантованная версия модели Gemma-4-12B-Coder, преобразованная сообществом mlx-community в формат MLX для локального запуска на компьютерах Apple Silicon с библиотекой mlx-lm. Модель основана на дообученной yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1; архитектура — плотная Gemma 4 Unified с 12 млрд параметров. Модель предназначена для диалоговой генерации кода и решения задач программирования. Карточка базовой модели указывает на алгоритмические задачи на Python и генерацию кода, проверенного тестами. Добавленный Jinja-шаблон чата помогает форматировать диалоги для инференса через mlx-lm. Версия в этом репозитории не квантована и ориентирована на локальный инференс на Apple Silicon. Лицензия — Apache-2.0. Доступные сведения не описывают длину контекста, поддержку конкретных языков программирования помимо Python в назначении базовой модели, а также количественные результаты оценки качества.

Это неофициальная обёртка для Transformers модели GigaAM-v2-CTC, разработанной SberDevices. Она предоставляет интерфейс библиотеки Transformers для распознавания русской речи и совместима с привычными средствами загрузки моделей, извлечения признаков и токенизации в этой библиотеке. Модель принимает аудио и преобразует речь в текст, поэтому подходит для автоматической расшифровки русскоязычных записей. В репозитории указаны веса в форматах PyTorch и Safetensors, а для работы приведены версии PyTorch, Torchaudio, Transformers и Accelerate. Лицензия — MIT. Это сторонняя обёртка исходной модели; README не сообщает её размер, длину контекста или результаты оценки качества.

glm46-code-feedback-maxeps-131k — дообученная модель на базе Qwen/Qwen3-8B, созданная с использованием набора данных open-athena/glm46-code-feedback-maxeps-131k. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Контекст модели составляет до 40 960 токенов. Модель может применяться для диалога и генерации кода; по названию набора данных можно предположить настройку на обратную связь по коду, но README не описывает конкретные возможности или результаты обучения. Доступна в формате Safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Это плотная языковая модель Qwen3 с 29,7 млрд параметров, дообученная командой laion на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Она предназначена для генерации текста в диалоговом режиме, в частности для ответов на технические вопросы и задач, связанных с содержимым Stack Exchange и Stack Overflow. Модель использует архитектуру Qwen3ForCausalLM, распространяется в формате safetensors и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст. Карточка не приводит оценки качества или подробностей обучения и применения. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели и её базовой модели Qwen/Qwen3-32B.

Карточка модели frovolts/grounding-dino-tiny на Hugging Face совпадает с карточкой IDEA-Research/grounding-dino-tiny, поэтому описание составлено по ней. Grounding DINO Tiny — компактный вариант модели Grounding DINO, разработанной Shilong Liu и соавторами. Она объединяет визуальный детектор объектов с текстовым энкодером и предназначена для обнаружения объектов по текстовым описаниям без отдельного обучения на размеченных примерах для каждого класса. Модель принимает изображение и текстовый запрос и возвращает найденные объекты с рамками и оценками соответствия запросу. Модель подходит для поиска объектов с открытым набором категорий и zero-shot-детекции; в статье для Grounding DINO сообщается результат 52,5 AP на COCO в режиме zero-shot. Репозиторий содержит веса PyTorch и Safetensors, лицензия — Apache-2.0. В карточке указана библиотека Transformers.

Карточка модели lrsbrgrn/HalluGuard-Qwen3-4B-GGUF на Hugging Face совпадает с карточкой lrsbrgrn/HalluGuard-Qwen3-4B, поэтому описание составлено по ней. HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

IndoBERT Large Model (phase1, uncased) — предварительно обученная языковая модель на архитектуре BERT, созданная командой IndoBenchmark для индонезийского языка. Модель обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction; в README для этой версии указано 335,2 млн параметров, тогда как метаданные репозитория указывают 433,9 млн. Контекст составляет до 512 токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать как основу для прикладных NLP-систем на индонезийском языке. Она поддерживается библиотеками Transformers в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT. Это базовая предварительно обученная модель, а не готовый чат-бот или специализированный классификатор.