II.8Инженерия данных и аналитика

Cobalt-Safety-Guard — модель на архитектуре BERT, представленная пользователем yding03 и предназначенная для извлечения признаков из текста. В README также заявлено, что модель прошла постобучение с акцентом на безопасность и настройку отказов, однако базовая модель и подробности обучения не приведены. Карточка сообщает о результатах в задачах рассуждения, но метаданные указывают только задачу feature-extraction. Поэтому по доступным сведениям модель можно описать как инструмент для получения текстовых представлений, а не как подтверждённую разговорную систему модерации. Модель распространяется в формате PyTorch через Transformers по лицензии Apache-2.0.

Это контрольная точка обучения с подкреплением для генерации кода, созданная исследовательской командой agurung на основе Qwen3-4B-Instruct-2507. Модель дообучали алгоритмом GRPO непосредственно от базовой модели, без этапа SFT; использовалась награда за прохождение тестов сгенерированной программой. Веса сохранены на шаге 72 обучения, контрольная точка показала лучший в этом запуске результат по pass@8. Модель предназначена для генерации программ в ответ на задачи, особенно для задач из набора cobalt-train, отобранных как сложные для исходной модели. Она принимает текстовые запросы и генерирует текст с кодом; максимальная длина контекста составляет 262 144 токена, а для генерации в обучении задавался предел 4096 новых токенов. Это экспериментальный чекпойнт конкретного запуска, поэтому метрики на указанном наборе задач не гарантируют качество на других задачах. Лицензия в предоставленных данных не описана.

facebook/convnext-base-384 — свёрточная модель компьютерного зрения семейства ConvNeXT, представленная авторами статьи «A ConvNet for the 2020s» и обученная на ImageNet-1k. Это базовая по размеру версия, обученная классифицировать изображения с разрешением 384×384 пикселя по 1 000 классам ImageNet. Модель предназначена для классификации изображений: например, для присвоения меток объектам на фотографиях или для создания основы под специализированные классификаторы. Архитектура использует чистые свёрточные слои и заимствует идеи из Vision Transformers и Swin Transformer. Доступны веса в форматах PyTorch и TensorFlow. Модель работает с изображениями и выдаёт классы ImageNet. Она не предназначена для генерации изображений или текста. Лицензия Apache-2.0.

hackshare/curtain-privacy — модель для локального обнаружения и редактирования персональных данных, разработанная авторами проекта Curtain Privacy. Она объединяет классификатор токенов на базе BERT с детерминированными распознавателями и слоем обратимых заменителей для диалогов. Модель предназначена для работы в браузере, Node.js, iOS и Android через ONNX и transformers.js. В репозитории доступны варианты curtain-small и curtain-tiny: основной вариант использует 12-слойный мультиязычный MiniLM и SentencePiece, компактный — 6-слойный MiniLM и WordPiece. Метаданные указывают 72 млн параметров и контекст до 512 токенов. Заявлена поддержка 24 языков с латинской письменностью; перечисленные коды карточки охватывают 22 языка. Лицензия — MIT. Модель подходит для выявления и маскирования PII непосредственно на устройстве, что помогает обрабатывать текст без обязательной отправки на сервер. Качество зависит от языка, формата и контекста данных; классификатор и набор детерминированных распознавателей не гарантируют обнаружение всех чувствительных сведений. README также рекомендует закреплять ревизию и проверять контрольную сумму распространяемых файлов.

Darwin-2B-Opus — модель для генерации текста и диалогов, разработанная FINAL-Bench / VIDRAFT_LAB на основе Qwen/Qwen3.5-2B. В неё встроен стиль рассуждений, полученный дистилляцией ответов Claude Opus 4.5/4.6 и Sonnet 4.6; обучение проводилось методом SFT с LoRA, после чего адаптер объединили с базовыми весами. Модель содержит около 1,7 млрд параметров по метаданным; в README указано 2,3 млрд. Архитектура — плотная Qwen3.5 для причинной генерации текста. Метаданные указывают контекст до 262 144 токенов, однако обучение проводилось с длиной последовательности 4 096 токенов. Модель предназначена для диалогов, рассуждений, математических задач и написания кода на английском и корейском языках; README также описывает примеры на обоих языках. Карточка приводит результат 37,37% на GPQA Diamond и предупреждает об ограниченных энциклопедических знаниях из-за небольшого размера. Лицензия модели — Apache 2.0; лицензии обучающих наборов могут различаться.

globis-university разработал крупную японскоязычную модель DeBERTa V3 для классификации токенов. Модель содержит 451,8 млн параметров, использует архитектуру DeBERTa V2 для классификации токенов и доступна в формате PyTorch через Transformers. Контекст ограничен 512 токенами. Модель обучена на японских текстовых ресурсах, включая Wikipedia, WikiBooks, OSCAR, CC-100, C4 и корпус Aozora Bunko. Токенизатору не нужен морфологический анализатор при инференсе; он в определённой степени сохраняет границы слов. Вариант large использует BPE, а версии xsmall и base — unigram. Это делает модель подходящей как основа для японской разметки последовательностей и других задач классификации токенов. Лицензия — CC BY-SA 4.0. Модель ориентирована на японский язык; характеристики её точности для конкретных задач разметки токенов в предоставленной карточке не приведены.

DeBERTina-base — португалоязычная encoder-модель семейства DeBERTa-v3, разработанная Thacio Garcia Scandaroli. Она предварительно обучена в стиле ELECTRA: генератор заменяет часть токенов, а дискриминатор учится определять подменённые токены; в обучении также используется gradient-disentangled embedding sharing. Модель предназначена для дообучения на задачах понимания естественного языка, в частности классификации последовательностей. Репозиторий содержит веса PyTorch и SafeTensors; модель насчитывает около 137,8 млн параметров и поддерживает контекст до 512 токенов. Обучение проводилось на португалоязычном корпусе C4 с токенизатором SentencePiece. Для классификации README показывает загрузку через Transformers AutoModelForSequenceClassification с числом классов, заданным при дообучении. Лицензия MIT. Модель ориентирована на португальский язык; качество на конкретных задачах зависит от дообучения и доступных меток.

Это потоковая модель диаризации речи Sortformer, преобразованная сообществом mlx-community из модели NVIDIA diar_streaming_sortformer_4spk-v2.1 в формат MLX с помощью mlx-audio 0.3.2. В основе архитектура FastConformer из 17 слоёв, энкодер Transformer из 18 слоёв и модули Sortformer; модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого кадра. Она рассчитана на потоки и записи с числом говорящих до четырёх, используя кэш говорящих и контекст для обработки длинных потоков и границ аудиофрагментов. Модель подходит для разметки того, кто и когда говорит в аудиозаписи или потоке, а также для определения активности речи. README описывает веса в формате MLX, распространяемые как safetensors; для работы используется библиотека mlx-audio. Это конверсия исходной модели NVIDIA, а не самостоятельное дообучение. README отсылает к карточке исходной модели за дополнительными сведениями; лицензия и языковая специализация в предоставленных данных не описаны.

zeromodels/electra_base_discriminator — конверсия базового энкодера ELECTRA от Google в формате Keras 3 для zeromodels. Это двунаправленный Transformer-энкодер в стиле BERT, предварительно обученный различать исходные и заменённые токены; репозиторий содержит backbone для последующей настройки, а не генератор ELECTRA. Реализация работает с TensorFlow, PyTorch и JAX и использует WordPiece-токенизатор. Модель предназначена для извлечения текстовых представлений и подготовки энкодера к downstream-задачам. С добавлением или дообучением подходящей головы её можно применять для классификации последовательностей и токенов, например NER и разметки частей речи; карточка также указывает на использование дискриминаторных чекпойнтов для вопросов и ответов. Головы задач, отсутствующие в чекпойнте, инициализируются случайно и требуют настройки. Базовая модель ориентирована на английский язык. Лицензия — Apache 2.0.

Это базовая регистрозависимая модель ELECTRA для турецкого языка, опубликованная командой MDZ Digital Library при Баварской государственной библиотеке. Модель с архитектурой ElectraForPreTraining обучена распознавать исходные токены и заменённые токены, созданные другой нейросетью; она служит предварительно обученной основой для дальнейшей настройки под задачи обработки языка. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch, TensorFlow и Safetensors. Обучение проводилось на турецком корпусе объёмом 35 ГБ, включающем OSCAR, Википедию, OPUS и специальный корпус. Её можно адаптировать для разметки частей речи, распознавания именованных сущностей и других задач понимания турецкого текста. Лицензия — MIT. Это дискриминатор ELECTRA для предобучения и донастройки, а не готовая генеративная модель; качество на конкретной прикладной задаче зависит от дополнительного обучения и оценки.

Fox-1-1.6B — базовая авторегрессионная языковая модель на архитектуре decoder-only Transformer семейства Llama, разработанная TensorOpera AI. Она содержит около 1,7 млрд параметров и обучена на 3 трлн токенов текста и кода с трёхэтапной учебной программой; контекст составляет 8192 токена. В модели применены Grouped Query Attention с 4 группами ключей и значений и 16 головами внимания для ускорения вывода. Модель предназначена для генерации текста и кода, а также как отправная точка для дальнейшего дообучения под прикладные сценарии. В карточке приведены результаты оценок на тестах рассуждения, знаний и следования инструкциям. Это базовая, а не инструкционно настроенная модель, поэтому для большинства пользовательских задач потребуется дополнительное дообучение или другая настройка. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0.

FrALBERT Base — базовая франкоязычная модель семейства ALBERT, разработанная Qwant и предварительно обученная на французской Википедии с помощью задач masked language modeling и Sentence Ordering Prediction. Это двунаправленный Transformer с разделением весов между повторяющимися слоями: в README указаны 12 слоёв, размер скрытого состояния 768 и 12 голов внимания; метаданные указывают 137,8 млн параметров и контекст до 512 токенов. Модель без учёта регистра, использует токенизацию SentencePiece с размером словаря 32 000. Модель предназначена прежде всего для дообучения и извлечения признаков в задачах классификации последовательностей и токенов, ответов на вопросы и заполнения масок во французском тексте. Её можно использовать для предсказания скрытых слов; для генерации связного текста она не предназначена. Разделение весов уменьшает требования к памяти по сравнению с архитектурой без такого разделения, но не устраняет вычислительные затраты повторных проходов по слоям. Опубликована под лицензией Apache-2.0.

Genstruct-10.7B — языковая модель NousResearch, предназначенная для генерации инструкций на основе исходного текста. Её можно использовать как основу для дальнейшего дообучения или как замену Genstruct-7B. Модель создана методом Depth-Up Scaling из Genstruct-7B с помощью mergekit; архитектура — плотная MistralForCausalLM, размер — около 10,6 млрд параметров, формат весов — safetensors. Указанный контекст — 32 768 токенов. Модель принимает текстовые фрагменты и генерирует grounded-инструкции, включая вопросы по предоставленному контексту и сценарии, требующие подробного рассуждения. Это позволяет создавать частично синтетические наборы данных для обучения по инструкциям из обычных текстовых корпусов. Карточка содержит примеры для разных тем, в том числе права и медицины, но не заявляет специализацию в этих областях. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

Gliese-Qwen3.5-9B-Abliterated-Caption — мультимодальная vision-language модель от prithivMLmods, построенная на базе Qwen/Qwen3.5-9B. Она предназначена прежде всего для обобщённого и нефильтрованного описания изображений: генерации подробных подписей, анализа сцен, объектов, людей и окружения. Модель ориентирована на создание датасетов подписей, разметку изображений, мультимодальные исследования и локальные inference-пайплайны. Модель содержит около 9 млрд параметров и поддерживает обработку текста и изображений. В карточке заявлены английский и китайский языки, архитектура для image-text-to-text и интеграция с Transformers, vLLM и text-generation-inference. Она оптимизирована для длинных, структурированных и семантически насыщенных описаний, а также поставляется в форматах GGUF, включая BF16, F16, F32 и Q8_0. Размер контекстного окна не указан. Ключевая особенность — применение анализа направлений отказа и abliteration-тренировки для снижения внутренних отказов модели и получения более свободных описаний. Это может быть полезно для исследовательских и экспериментальных задач, но одновременно повышает риск нежелательного или небезопасного контента: встроенные ограничения снижены, поэтому результаты требуют дополнительной проверки и фильтрации. Модель распространяется по лицензии Apache-2.0; авторы указывают, что она предназначена для исследований и обучения, а ответственность за законное и безопасное использование лежит на пользователе.

Gorilla OpenFunctions v2 — языковая модель для генерации вызовов функций и API по инструкциям на естественном языке и описаниям доступных API, разработанная командой Gorilla из Калифорнийского университета в Беркли. Она построена на архитектуре Llama и базируется на DeepSeek Coder; в метаданных указаны 6,5 млрд параметров и контекст 4096 токенов. Модель выбирает подходящую функцию среди нескольких, формирует параллельные вызовы с разными параметрами и определяет, когда нужно ответить обычным текстом, а когда вызвать функцию. Поддерживаются типы параметров Python, Java и JavaScript, а также REST API. Это делает модель пригодной для чат-ботов и приложений, которым нужно связывать запросы пользователя с программными интерфейсами. В карточке приведён результат 83,67% по метрике Berkeley Function Calling Leaderboard. Модель распространяется под лицензией Apache-2.0. Она ориентирована на структурированную генерацию вызовов, поэтому качество зависит от точности описаний функций и формата запроса; README не сообщает подробностей о multilingual-поддержке.

Это конвертированная и квантизированная в формате GGUF сборка Qwen3-4B-Instruct, подготовленная командой Hugston как proof-of-concept. Модель предназначена для диалоговых и инструктивных задач, в том числе генерации и продолжения кода; карточка сообщает о проверках на общих и кодовых заданиях. В README описан запуск через HugstonOne и эксперимент с контекстом около 262 000 токенов и генерацией большого объёма кода. В этом опыте результат содержал ошибки, а для длинных задач требовалось несколько попыток, поэтому приведённые показатели не следует считать гарантией качества. Метаданные каталога относят модель к text-classification, тогда как README описывает генеративное применение. Лицензия в предоставленных данных не указана.

IdolSankaku EVA02-Large Tagger v1 — модель DeepGHS для автоматической разметки изображений. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на датасете изображений реального мира с разметкой, выполненной людьми. Архитектура основана на EVA02-Large и доступна для использования через timm или ONNX, включая пакетную обработку изображений. На валидации для версии 1.0 указаны порог 0,4985 и F1 0,6017. ONNX-модель совместима с кодом для WD tagger v3 и требует onnxruntime версии 1.17.0 или выше. Репозиторий распространяется по лицензии Apache-2.0.

INTELLECT-1-step-59200 — промежуточный контрольный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с участниками сообщества и Arcee AI. Модель обучалась с нуля; в этом чекпойнте зафиксирован шаг 59 200. Архитектура — плотная LlamaForCausalLM примерно на 9,7 млрд параметров, формат весов — safetensors. Контекст составляет 8192 токена. Модель предназначена для генерации текста на английском языке и кода. Семейство INTELLECT-1 обучалось на триллионе токенов английского текста и кода, включая веб-материалы, образовательные данные и математические тексты; для обучения применялась распределённая инфраструктура Prime. Это базовая генеративная модель, а не финальная или инструктивная версия. Промежуточный статус чекпойнта означает, что его поведение и качество могут отличаться от финальной версии INTELLECT-1; README указывает на наличие отдельной финальной и instruct-версии. Модель распространяется по лицензии Apache 2.0.

k6 — дообученная модель на 1,3 млрд параметров, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; базовая модель ориентирована на продолжение, автодополнение и заполнение пропусков в коде. Контекст модели составляет 16 384 токена. В карточке указаны результаты оценки: loss 0,1628 и метрики предпочтения ответов, однако набор данных обозначен как None, а сведения о назначении дообучения и сценариях применения отсутствуют. Модель распространяется под лицензией other; конкретные условия этой лицензии в доступных данных не раскрыты.

Kodify-Nano — компактная языковая модель для разработки кода, опубликованная MTSAIR. Она предназначена для помощи при написании кода и взаимодействия с разработчиком в чат-формате, в том числе через плагины для Visual Studio Code и JetBrains; в карточке приведён пример создания Flask-сервера с объяснениями на русском языке. Модель основана на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает русский и английский языки, а её контекст составляет до 32 768 токенов. Модель рассчитана на быстрый запуск при ограниченных ресурсах; карточка описывает запуск через vLLM и Ollama. В метаданных указаны интерфейсы чата и вызова инструментов, однако отдельная оценка качества этих возможностей не приведена. Лицензия — Apache-2.0.

bizreach-inc/light-splade-japanese-56M — японская модель SPLADE для разреженного информационного поиска, опубликованная BizReach. Она кодирует запросы и документы в интерпретируемые разреженные векторы с весами токенов, пригодные для семантического поиска, извлечения документов и ранжирования. Модель основана на компактной архитектуре BERT с 12 слоями и 8 головами внимания, содержит 67,1 млн параметров по метаданным и обрабатывает последовательности длиной до 2048 токенов. Для токенизации используются японский токенизатор BERT, MeCab и WordPiece; модель обучена на японской части mMARCO с алгоритмом SPLADE++. На dev-наборе mMARCO-ja указаны MRR@10 0,4022, NDCG@10 0,45 и Recall@10 0,6411. Модель предназначена прежде всего для японского текста; качество может снижаться на предметных корпусах, отличающихся от mMARCO. Разреженные представления удобны для поиска по термам, но могут не передавать все нюансы семантики плотных векторов; также возможны ограничения словаря и смещения обучающих данных. Репозиторий распространяется по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели ai-nexuz/llama-3.2-1b-instruct-fine-tuned, созданная на базе Meta Llama 3.2 1B Instruct. В README не указано имя разработчика GGUF-сборки; идентификатор репозитория — tinyopsec/llama-3.2-1b-instruct-fine-tuned-GGUF. Базовая модель была дообучена на наборе данных kanhatakeyama/wizardlm8x22b-logical-math-coding-sft. Модель предназначена для генерации текста с акцентом на логическое рассуждение, математику и написание кода. Указан английский язык, текстовая модальность и задача text-generation. Доступны варианты квантования от F16 до Q2_K размером примерно от 2,5 до 0,45 ГБ, что позволяет запускать модель на устройствах с ограниченным объёмом памяти; для F16 требуется около 4 ГБ VRAM, для Q4_K_M — 1,5 ГБ, для Q2_K — 1 ГБ. В примерах использования указан контекст 2048 токенов. Сильными сторонами являются компактный размер, поддержка распространённого формата GGUF и широкий выбор квантованных вариантов для llama.cpp, llama-cpp-python, LM Studio и Ollama. Более агрессивное квантование уменьшает требования к памяти, но может снижать качество по сравнению с F16; возможности модели ограничены размером 1B параметров и специализацией на английских задачах логики, математики и программирования. Модель распространяется по лицензии Apache-2.0.

Карточка модели MathGenie/MathCoder2-Mistral-7B на Hugging Face совпадает с карточкой MathGenie/MathCoder2-Llama-3-8B, поэтому описание составлено по ней. MathCoder2-Llama-3-8B — языковая модель MathGenie для генерации текста с упором на математические рассуждения и код. Она создана продолжением предобучения Meta-Llama-3-8B на наборе MathCode-Pile, содержащем математический код и сопровождающие его рассуждения на естественном языке. Модель с плотной архитектурой Llama насчитывает 7,5 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, объяснения хода рассуждений и работы с математическим кодом на английском языке. В карточке указана лицензия Apache-2.0. Специализация на математике не гарантирует правильность вычислений или сгенерированного кода.

Mermaid-Dolphin-Mixtral-2x7b — разговорная языковая модель от TroyDoesAI, созданная слиянием TroyDoesAI/MermaidMistralDPO и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Она предназначена прежде всего для генерации кода диаграмм Mermaid по описаниям, исходному коду и сценариям; в карточке также приведены примеры графов знаний, блок-схем, раскадровок и планирования сценариев. Модель построена на архитектуре Mixtral MoE и содержит 7,1 млрд параметров. Указанный размер контекста — 32 768 токенов; файлы представлены в формате safetensors. Карточка ориентирует на диалоговое использование и генерацию текстового кода Mermaid. Лицензия — CC BY-SA 4.0. README описывает модель как результат слияния, обученный для построения диаграмм, и отмечает, что её поведение зависит от формулировки запроса. Качество не гарантируется; конкретные поддерживаемые языки и ограничения использования сверх условий лицензии в карточке не описаны.

Mermaid-Llama-3-7B-Pruned — языковая модель на архитектуре Llama 3, опубликованная TroyDoesAI. Это версия с удалёнными слоями: в карточке указано, что из 32 слоёв оставлено 28; метаданные сообщают о 6,6 млрд параметров и контексте до 8192 токенов. Модель предназначена для автодополнения, понимания Python-кода и генерации диаграмм Mermaid по коду или текстовым описаниям, включая схемы потоков и сюжетные карты. Автор описывает обучение на 800 примерах Mermaid-графов и 478 Python-программах, а также приводит параметры обучения LoRA. Модель рассчитана на генерацию текста; основная область применения — преобразование кода и повествований в диаграммы. README предупреждает, что её не следует использовать как обычного чат-бота: ответы в формате диалога могут быть некачественными. Лицензия — CC BY 4.0.

nkto2 — дообученная модель генерации текста на базе DeepSeek Coder 1.3B Base. Она предназначена для продолжения текста и генерации кода; карточка сообщает о дообучении методом KTO, но не раскрывает состав обучающего набора и конкретные сценарии настройки. Модель содержит 1,3 млрд параметров, использует плотную архитектуру семейства Llama и формат safetensors; заявленная длина контекста — 16 384 токена. В README приведены метрики оценки: loss 0,1776 и показатели вознаграждения и логарифмических вероятностей для выбранных и отклонённых ответов. Эти значения не описывают прикладное качество на конкретных задачах. Лицензия обозначена как other, поэтому условия использования следует проверить в репозитории модели.

Epistates/OpenCodeReasoning-Nemotron-1.1-32B-AWQ — 4-битная квантизированная версия модели NVIDIA OpenCodeReasoning-Nemotron-1.1-32B в формате MLX AWQ. Базовая модель — плотный авторегрессионный трансформер Qwen2, дообученный на рассуждениях и генерации кода. В карточке указано 32 млрд параметров и контекст до 65 536 токенов; модель принимает текст и генерирует текст. Модель предназначена для решения задач программирования: она может разбирать условие, рассуждать о подходе и генерировать код, в том числе для задач соревновательного программирования. Обучение проводилось на наборе OpenCodeReasoning, включающем задачи по программированию и синтетические ответы. В карточке заявлена готовность к коммерческому и некоммерческому использованию, однако конкретный идентификатор лицензии в предоставленных данных не приведён. Репозиторий представляет собой квантизированную сборку и указывает на использование MLX; совместимость и производительность зависят от соответствующего программного окружения и оборудования.

OpenReasoning-Nemotron-7B — языковая модель NVIDIA на 7,1 млрд параметров, дообученная методом supervised fine-tuning на базе Qwen2.5-7B. Это плотный декодерный трансформер семейства Qwen2, предназначенный для рассуждений и решения задач по математике, программированию и естественным наукам. Модель принимает текст и генерирует текст; в карточке указано контекстное окно 131 072 токена, а README сообщает об обучении на генерацию ответов длиной до 64 000 токенов. Модель рассчитана на разработчиков и исследователей, работающих со сложными задачами, олимпиадной математикой, кодом и научными вопросами. Её можно запускать в обычном режиме или использовать в многократной генерации с последующим выбором решения через GenSelect; описанная в README настройка GenSelect ориентирована на математику и, по заявлению разработчиков, обобщается на код и научные вопросы. В README приведены результаты на математических, научных и программных бенчмарках, но они не гарантируют такое же качество на произвольных задачах. Модель поддерживает английский язык согласно языковым метаданным. NVIDIA рекомендует для ускорения инференса GPU-системы NVIDIA; в README перечислены NeMo, vLLM и TensorRT-LLM. Лицензия — CC BY 4.0; README позиционирует модель для коммерческого и некоммерческого исследовательского использования.

OPSD-PI Qwen3.5-9B Medium Trailing — Update 4 — это полностью объединённый чекпойнт Qwen3.5-9B от автора LSW142857. Репозиторий содержит модель после четырёх обновлений оптимизатора в экспериментальном OPSD-прогоне на 1024 строках Medium PI с вариантом trailing_user; обучение выполнялось на восьми RTX A6000. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; веса доступны в формате safetensors и загружаются через Transformers. Модель предназначена для генерации текста в диалоговом формате и задач с кодом. Веса включают объединённую инициализацию expert-SFT, обновления OPSD для основной модели и MTP через LoRA, а также обученные тензоры full-MTP. Дополнительные адаптеры или этап объединения при загрузке не требуются. README рекомендует оценивать студента без добавления PI и использовать отложенные задачи, а не обучающие строки. Поскольку чекпойнт зафиксирован всего после четырёх обновлений, его следует считать экспериментальным; результаты могут не отражать качество завершённого обучения. Лицензия в предоставленных данных не указана.

pyannote/overlapped-speech-detection — открытая модель для обнаружения участков аудиозаписи, в которых одновременно говорят два или более человека. Она разработана для экосистемы pyannote.audio; среди авторов и разработчиков указаны Hervé Bredin, Antoine Laurent и участники команды pyannote.audio. Модель предназначена для анализа многоголосой речи и может использоваться как компонент систем автоматической диаризации, распознавания речи и обработки записей встреч, разговоров и других аудиоданных с перекрывающейся речью. Результатом работы является временная шкала интервалов, в которых обнаружена одновременная активность нескольких говорящих. Модель работает с аудио; сведения о поддерживаемых языках, размере, точной архитектуре и максимальной длине контекста в README не указаны. Pipeline основан на pyannote.audio 2.1 и обучался или оценивался с использованием данных AMI, DIHARD и VoxConverse. Сильная сторона модели — специализированное обнаружение перекрывающейся речи, полезное для последующей overlap-aware resegmentation и повышения качества анализа многоголосых записей. Ограничения включают отсутствие в README подробных количественных метрик, информации о языковой универсальности, вычислительных требованиях и гарантируемой производительности в конкретных условиях. Модель распространяется под лицензией MIT, однако для использования через указанный pipeline требуется принять условия доступа к модели pyannote/segmentation на Hugging Face и применить токен доступа.