II.8Инженерия данных и аналитика

Emot5-large — модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста. Это дообученная на основе T5-large модель архитектуры T5 с 385,2 млн параметров, представленная в формате Safetensors и рассчитанная на контекст до 512 токенов. Для работы можно использовать библиотеку Hugging Face Transformers. Модель выполняет классификацию тональности и эмоций, а также оценивает силу тональности и интенсивность отдельных эмоций. Среди примеров применения — определение положительной или отрицательной окраски текста, выявление таких эмоций, как радость, гнев, страх и печаль, и присвоение численной оценки их интенсивности. В карточке указана поддержка английского языка. Модель может ошибаться, чрезмерно обобщать и проявлять гендерные смещения, поэтому её предсказания следует проверять перед использованием в системах анализа эмоций. Лицензия — MIT.

EoMT-DINOv3 COCO Instance Large — модель для сегментации отдельных объектов на изображениях, разработанная на основе архитектуры EoMT и предобученного визуального энкодера DINOv3. Это крупный вариант с 402,7 млн параметров: в основе лежит ViT-L/16 с позиционными RoPE-эмбеддингами; модель обучена на COCO и рассчитана на изображения размером 640×640 пикселей. EoMT выполняет сегментацию с помощью encoder-only Mask Transformer без специализированного декодера или модулей слияния пиксельных признаков. Модель предназначена для выделения экземпляров объектов и их масок на изображениях. Архитектура EoMT также поддерживает семантическую и паноптическую сегментацию при соответствующей постобработке, однако эта версия обучена для instance segmentation. Для работы требуется входное изображение; результатом служат маски сегментации и связанные с ними метки объектов. Лицензия — MIT. В карточке не приведены метрики качества и дополнительные ограничения применения.

fastvit_mci2.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, подготовленная для библиотеки timm. Это только визуальный энкодер, соответствующий изображённой части MobileCLIP v2; модель обучена на наборе данных DFNDR-2B. Модель предназначена для извлечения признаковых представлений изображений, например для поиска похожих изображений и построения систем сопоставления визуальных данных. Доступная карточка не описывает текстовый энкодер, размеры модели или контекст. Распространяется по лицензии apple-amlr.

FireRedPunc — это модель для автоматической расстановки пунктуации в неразмеченном тексте, полученном от систем автоматического распознавания речи. Она основана на FireRedTeam/FireRedPunc, разработанной командой FireRedTeam, и представлена в формате GGUF для использования с CrispASR. Модель поддерживает китайский и английский языки и предназначена прежде всего для обработки результатов ASR. В основе лежит BERT-base на архитектуре LERT с 12 слоями, размерностью скрытого представления 768, 12 головами внимания и примерно 102 млн параметров. Линейный классификатор предсказывает пять классов: пробел, запятую, точку, вопросительный и восклицательный знаки. Используется словарь chinese-bert-wwm-ext из 21 128 токенов WordPiece, максимальная длина последовательности составляет 512 токенов; более длинный текст автоматически разбивается на фрагменты. Модель удобна для постобработки транскрипций речи и может работать с различными ASR-бэкендами CrispASR. Доступны варианты F16, Q8_0 и Q4_K: Q8_0 рекомендуется как обеспечивающий качество, близкое к полной точности, тогда как Q4_K занимает меньше места, но может чаще пропускать пунктуацию. Модель распространяется по лицензии Apache 2.0; данный вариант является только конвертацией и квантованием исходной модели без изменения архитектуры или обучения.

FunReason-MT-4B — языковая модель Bingguang для многошагового вызова функций и работы с инструментами в агентных сценариях. Она дообучена методом RL на базе Qwen3-4B-Instruct-2507 с использованием синтетического набора из 16 000 многоходовых примеров, созданных по методике FunReason-MT. Модель предназначена для диалогов, в которых нужно выбрать инструменты, сформировать запросы к ним и последовательно выполнить действия. В README приведены результаты оценок на BFCLv3 и BFCLv4 OOD; они характеризуют тестирование, но не гарантируют качество в конкретном приложении. Архитектура — плотная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, формат весов — safetensors, контекст — до 262 144 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Для корректной работы с инструментами приложению требуется соответствующий интерфейс вызова функций; результаты также зависят от описаний инструментов и используемой среды.

Immerwinter/gbert-large-privacy-policy-content-securityprivacy — немецкоязычная модель классификации текста на базе BERT, дообученная на deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к теме Security/Privacy в рамках конвейера анализа документов. Архитектура — BertForSequenceClassification, размер — 434,5 млн параметров, контекст — до 512 токенов. Доступны веса в форматах Safetensors и ONNX. Модель принимает текст и выдаёт метку классификации. В карточке перечислены темы политики конфиденциальности, однако описание разметки не уточняет, как именно этот чекпойнт соотносится с отдельными темами. Лицензия — Apache-2.0.

Это дообученная модель Qwen3-32B, опубликованная LAION. Она обучена на наборе open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning и предназначена для генерации текста в диалоговом режиме, в том числе ответов на вопросы и рассуждений по темам, представленным в обучающих данных Stack Exchange и Stack Overflow. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 29,7 млрд параметров и поддерживает контекст до 40 960 токенов. Репозиторий содержит веса в формате safetensors; метаданные указывают библиотеку Transformers и лицензию other. README не приводит результатов оценки, подробностей обучения или описания ограничений, поэтому качество в конкретных сценариях по карточке определить нельзя.

IndoBERT Base phase 1 uncased — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark на основе архитектуры BERT. Она обучена на корпусе Indo4B объёмом 23,43 ГБ с задачами masked language modeling и next sentence prediction; в карточке репозитория указано 124,5 млн параметров, а метаданные каталога оценивают размер примерно в 151,6 млн. Модель принимает текст и формирует контекстные векторные представления токенов; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения признаков и может служить основой для индонезийских NLP-сценариев, например классификации текста или разметки последовательностей после дополнительной настройки. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT. Это базовая модель без указаний на прикладную настройку под конкретную предметную область; качество для задач пользователя зависит от последующей настройки и реализации.

Instinct — открытая модель для предсказания следующего изменения в коде, разработанная Continue. Она дообучена на Qwen2.5-Coder-7B на наборе реальных изменений кода и предназначена для подсказок разработчику о следующем редактировании, чтобы поддерживать рабочий поток. Модель построена на плотной архитектуре Qwen2ForCausalLM, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для запуска доступны веса Safetensors и упомянутая в README квантизация GGUF Q4_K_M через Ollama. Модель распространяется по лицензии Apache-2.0.

Карточка модели PrimeIntellect/INTELLECT-1-step-15500 на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-1-step-17000, поэтому описание составлено по ней. INTELLECT-1-step-17000 — промежуточный чекпойнт языковой модели INTELLECT-1, разработанной Prime Intellect совместно с Arcee AI и сообществом участников. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров; в README указаны 42 слоя и 32 головы внимания. Модель обучалась с нуля на триллионе токенов англоязычных текстов и кода, включая веб-тексты, математические материалы и код. Чекпойнт соответствует шагу обучения 17 000; README также упоминает более поздние шаги и финальную версию. Модель предназначена для генерации продолжений текста и кода на английском языке. Контекстное окно составляет 8 192 токена. Обучение проводилось распределённо на нескольких континентах с использованием инфраструктуры Prime Framework для динамического масштабирования и отказоустойчивой связи между вычислительными узлами. Это промежуточный чекпойнт, поэтому его качество может уступать финальной версии и он не заявлен как инструкционная модель. Лицензия — Apache 2.0.

INTELLECT-1-step-17000 — промежуточный чекпойнт языковой модели INTELLECT-1, разработанной Prime Intellect совместно с Arcee AI и сообществом участников. Это плотная авторегрессионная модель семейства Llama примерно на 9,7 млрд параметров; в README указаны 42 слоя и 32 головы внимания. Модель обучалась с нуля на триллионе токенов англоязычных текстов и кода, включая веб-тексты, математические материалы и код. Чекпойнт соответствует шагу обучения 17 000; README также упоминает более поздние шаги и финальную версию. Модель предназначена для генерации продолжений текста и кода на английском языке. Контекстное окно составляет 8 192 токена. Обучение проводилось распределённо на нескольких континентах с использованием инфраструктуры Prime Framework для динамического масштабирования и отказоустойчивой связи между вычислительными узлами. Это промежуточный чекпойнт, поэтому его качество может уступать финальной версии и он не заявлен как инструкционная модель. Лицензия — Apache 2.0.

jnkto4 — дообученная модель генерации текста на основе DeepSeek Coder 1.3B Base, опубликованная пользователем stojchet. Она предназначена для продолжения и генерации текста; базовая модель ориентирована на автодополнение и заполнение пропусков в коде. Модель использует плотную архитектуру семейства Llama с 1,3 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 16 384 токена. В карточке приведены метрики оценки: loss 0,2160 и показатели rewards и log-probability для выбранных и отклонённых ответов. Датасет, целевые сценарии дообучения и подробные ограничения не описаны. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и лицензией базовой модели.

Vatho разработал Khmer-ocm — модель автоматического распознавания кхмерской речи, дообученную на 50 часах кхмерского речевого корпуса на базе facebook/wav2vec2-xls-r-300m. Это архитектура Wav2Vec2 с CTC-декодированием, предназначенная для преобразования аудиозаписей в текст; размер модели составляет 402,7 млн параметров, веса опубликованы в формате Safetensors. Модель рассчитана на кхмерский язык и лучше всего работает с чистыми записями с частотой 16 кГц. При нормализации текста сохраняются только символы кхмерского блока Unicode U+1780–U+17FF, а пунктуация, латиница и лишние пробелы удаляются. На шумной речи и данных, отличающихся от обучающих, качество может снижаться; при декодировании не применяется языковая модель для дополнительного пересчёта. Лицензия — Apache 2.0.

Карточка модели LanguageBind/LanguageBind_Video на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

Raychanan/Longformer_Conflict — модель классификации последовательностей на архитектуре Longformer, представленная в формате PyTorch. По метаданным, она содержит 151,8 млн параметров и рассчитана на контекст до 4098 токенов. README приводит параметры обучения: скорость обучения 5e-5, пять эпох и размер пакета 1 для обучения и оценки, что указывает на дообучение модели для классификации текста. Данные не сообщают, какие именно классы или предметная область использовались при обучении. Модель подходит для отнесения текстов к заданным классам, в том числе для классификации длинных документов. Конкретные поддерживаемые языки и специализация не описаны. Условия лицензии в предоставленных данных отсутствуют.

Карточка модели MathGenie/MathCoder2-DeepSeekMath-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.

mirror-bert-base-uncased-word — бессупервизорный кодировщик слов, предложенный Liu и соавторами в 2021 году. Модель обучена на наборе неразмеченных слов на основе bert-base-uncased; для получения представления входного слова в качестве вектора следует использовать токен [CLS]. Модель предназначена для извлечения векторных представлений слов и задач сравнения их семантической близости. Это BERT-архитектура с 136,7 млн параметров и контекстом до 512 токенов. Доступны веса PyTorch и Safetensors; в карточке указан английский язык. Модель подходит для поиска похожих слов и построения признаков для последующей обработки текста. Лицензия в предоставленных сведениях не указана.

ModernBERT-Ja-70M — двуязычная модель SB Intuitions для восстановления замаскированных фрагментов японского и английского текста и дообучения на прикладных задачах понимания языка. Это плотная архитектура ModernBERT с 70 млн параметров, локальным и глобальным вниманием и RoPE; она рассчитана на контекст до 8192 токенов. Модель обучена на корпусе японских и английских текстов объёмом около 4,39 трлн токенов и использует токенизатор SentencePiece с unigram-моделью и словарём из 102 400 токенов. Модель подходит как основа для классификации текста, оценки сходства и других задач понимания после дообучения. Она принимает текст и предсказывает замаскированные токены; для генерации связного текста не предназначена. Токенизация может ухудшать качество задач, требующих точных границ морфем, например распознавания именованных сущностей и извлечения фрагментов. Лицензия — MIT.

MViTv2 Large — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. По карточке, её разработали авторы работы MViTv2 и предварительно обучили на ImageNet-1k. Модель содержит 218 млн параметров, рассчитана на изображения размером 224 × 224 пикселя; вычислительная сложность указана как 43,9 GMACs. Модель подходит для классификации изображений по категориям ImageNet-1k и получения эмбеддингов изображений для последующего поиска или анализа. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Лицензия — Apache-2.0.

MyAwesomeModel — модель из репозитория sdafafw22/MyAwesomeModel-TestRepo, опубликованная в формате Transformers для PyTorch. В метаданных Hugging Face она классифицирована как модель извлечения признаков с тегом BERT и библиотекой transformers. Разработчик или организация, стоящие за моделью, в доступных материалах не названы. README описывает обновлённую версию модели с заявленными улучшениями рассуждений, вывода, математики, программирования, логики, генерации текста, function calling и снижением галлюцинаций. Также заявлены результаты на внутренних или нераскрытых бенчмарках, включая AIME 2025, однако эти сведения не согласуются с метаданными feature-extraction и не сопровождаются достаточными техническими подробностями для независимой проверки. Модель распространяется по лицензии MIT. Доступные материалы не содержат подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках или точной архитектуре за пределами тега BERT, поэтому применять её следует с учётом возможного расхождения между описанием и классификацией на Hugging Face.

Mythos-nano-heretic — англоязычная языковая модель для генерации текста и диалогов, разработанная Richard Young как декензорированная версия squ11z1/Mythos-nano с помощью Heretic v1.4.0. Это плотная причинная модель семейства Qwen2 на 3,1 млрд параметров, дообученная на основе WeiboAI/VibeThinker-3B; опубликована в формате safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для математических рассуждений, соревновательного программирования и STEM-задач, а также для генерации ответов в диалоге. В карточке приведено сравнение с исходной версией: доля отказов снизилась с 79 до 13 из 100 запросов, а KL-дивергенция составила 0,061. Эти результаты относятся к указанному сравнению и не гарантируют качество на других задачах. Разработчик предупреждает, что модель не обучалась вызову инструментов, оркестрации API или работе автономных программных агентов. Модель распространяется по лицензии MIT. Снятие направления отказа ослабляет защитные ограничения, поэтому ответы могут включать то, от чего обычно отказала бы модель с настройкой безопасности; пользователю следует самостоятельно оценивать их допустимость.

stojchet/nrkto2 — дообученная модель stojchet на базе DeepSeek Coder 1.3B Base. Это плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров, предназначенная для генерации текста; базовая модель ориентирована на продолжение и автодополнение кода, а также заполнение пропусков в коде. Для обучения применялся KTO, однако в карточке датасет обозначен как None, поэтому целевое распределение и качество для конкретных сценариев оценить нельзя. Доступны веса в формате Safetensors и контекст до 16 384 токенов. Лицензия указана как other; конкретные условия использования в карточке не описаны.

OmDet-Turbo Swin-Tiny — модель обнаружения объектов с открытым словарём, разработанная Om AI Lab и описанная в работе Tiancheng Zhao, Peng Liu, Xuan He, Lu Zhang и Kyusong Lee «Real-time Transformer-based Open-Vocabulary Detection with Efficient Fusion Head». Она предназначена для zero-shot-обнаружения объектов на изображениях по текстовым запросам и категориям, в том числе с разными наборами текстовых классов для изображений в одном пакете. Модель использует архитектуру OmDet-Turbo и представлена в формате safetensors. Она принимает изображения и текстовые запросы, а выдаёт обнаруженные объекты с соответствующими метками и рамками. Репозиторий распространяется по лицензии Apache-2.0.

Многоязычная модель OpenSearch для разреженного поиска по текстам. Она построена на архитектуре BERT и содержит 194,6 млн параметров; репозиторий опубликован в формате safetensors. Модель обучена выдавать разреженные векторы размерности 105 879: при кодировании документов веса отражают важность токенов, а запросы можно представить разреженными векторами с помощью токенизатора и таблицы весов. Релевантность оценивается скалярным произведением векторов. Модель предназначена для поиска документов и пассажей, расширения документов и семантического поиска с разреженным индексом OpenSearch на основе инвертированного индекса Lucene. В карточке приведены результаты на MIRACL для 15 языков, включая русский; для сокращения размера представления рекомендуется прореживание max_ratio. Контекст модели — до 512 токенов. В бенчмарке исключён тайский язык, поскольку uncased-основа не может его кодировать. Модель выпущена участниками проекта OpenSearch по лицензии Apache-2.0. Её применение особенно связано с поисковой инфраструктурой OpenSearch; показатели бенчмарка относятся к MIRACL и сами по себе не гарантируют качество на других наборах данных и сценариях.

Roboflow/rf-detr-segmentation — модель сегментации экземпляров из семейства RF-DETR, разработанного Roboflow. Она предсказывает отдельные маски объектов, а также ограничивающие рамки и оценки классов для изображений; чекпойнт обучен на 80 категориях объектов COCO 2017. Архитектура объединяет визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой предсказания масок. Модель предназначена для сегментации объектов на изображениях, в том числе в сценариях реального времени, и доступна для использования через Transformers. В README не приведены численный размер модели и характеристики скорости именно этого чекпойнта. Лицензия — Apache-2.0.

sahajBERT — модель ALBERT, совместно предварительно обученная для бенгальского языка с помощью masked language modeling и предсказания порядка предложений. Разработчики создали для неё специальный бенгальский токенизатор; для обучения использовались бенгальская Википедия и часть корпуса OSCAR. Модель содержит 435,4 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Модель предназначена для заполнения пропусков в тексте и дальнейшей тонкой настройки под задачи классификации последовательностей, разметки токенов и ответов на вопросы. В опубликованных оценках она показала F1 95,45 на бенгальском NER и точность 91,97 на классификации новостных категорий. Лицензия — Apache-2.0. В README раздел об ограничениях и смещениях обозначен как незавершённый.

SEA-LION-BERT large — многоязычная BERT-модель типа encoder от Products Pillar, AI Singapore, созданная на архитектуре MosaicBERT. Она предназначена для задач с маскированными токенами: предсказания пропущенного слова или токена по контексту, а также подготовки представлений для последующих NLP-систем. Модель содержит 664,8 млн параметров, имеет 24 слоя и размерность скрытого представления 1024. Контекст ограничен 512 токенами; словарь токенизатора SEABPE насчитывает 256 тысяч элементов. Обучение проводилось на крупных многоязычных корпусах, включая английский и языки Юго-Восточной Азии. Поддерживаются английский, китайский, индонезийский, малайский, тайский, вьетнамский, филиппинский, тамильский, бирманский, кхмерский и лаосский языки. Модель подходит для заполнения масок и как основа для языковых задач на перечисленных языках. Это encoder, поэтому она не предназначена для свободной генерации длинных текстов. Распространяется по лицензии MIT.

Varnika S разработала компактную модель классификации текста на основе BERT для определения эмоций и тональности. Модель объединяет Boltuix/bert-lite и Boltuix/bert-mini; в README она описана как дообученная на размеченных по эмоциям данных. Архитектура — BertForSequenceClassification, размер — около 12 млн параметров, библиотека — Transformers, максимальный контекст — 512 токенов. Модель предназначена для коротких англоязычных текстов и может работать в сценариях с ограниченными ресурсами, включая анализ сообщений в реальном времени. Модель относит текст к эмоциональным категориям, например радости, грусти и гневу. Её можно применять для анализа публикаций в социальных сетях, отзывов и обращений клиентов, а также для определения эмоциональной окраски сообщений чат-бота. Карточка указывает лицензию Apache-2.0; README также упоминает MIT, поэтому условия лицензирования в источниках расходятся и требуют проверки по файлам репозитория.

Модель prithivMLmods/siglip2-x256p32-explicit-content — визуальный классификатор на архитектуре SiglipForImageClassification, дообученный на базе google/siglip2-base-patch32-256. Она относит изображение к одному из пяти классов: аниме, хентай, безопасное или обычное изображение, порнография, чувственный контент. Модель предназначена для модерации изображений, фильтрации медиатеки и разметки наборов данных. Классификатор может применяться для выявления откровенного и взрослого контента в социальных сетях и системах родительского контроля. В метаданных указаны библиотека Transformers и формат safetensors. Модель распространяется по лицензии Apache-2.0. Классификация ограничена пятью заданными категориями; карточка не сообщает метрики качества или порогов уверенности. Результаты следует проверять для целевого набора изображений, особенно для пограничных категорий вроде чувственного контента.

seanpoyner/smolcode-coder-java-3b-tools — это компактная причинная языковая модель семейства Qwen2, дообученная Sean Poyner на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в форматах safetensors и GGUF Q4_K_M. Лицензия — Apache-2.0. Модель предназначена для генерации кода в диалоге с поддержкой вызова инструментов: она выдаёт структурированные вызовы функций, которые можно использовать в агентном цикле программирования, а также формирует итоговые ответы. При дообучении использовались датасет NousResearch/hermes-function-calling-v1 и синтетические траектории использования инструментов; README описывает запуск через шаблон чата Qwen с передачей tools=. Карточка указывает английский язык. Основные сценарии — помощь с кодом и вызов инструментов в среде smolcode; конкретная языковая специализация на Java из доступных сведений не подтверждается. README сообщает, что версия v2 исправляет несовпадение шаблонов обучения и инференса, а выпуск связан с проверкой доли успешно разбираемых вызовов инструментов; показатели качества в карточке не приведены.