II.8Инженерия данных и аналитика

Ornstein-27B-GGUF — набор GGUF-квантизаций модели Ornstein-27B, разработанной DJLougen на базе Qwen 3.5 27B. Модель дообучена с применением LoRA на 1 229 отобранных рассуждениях, подготовленных через pipeline Drift Diffusion Modeling (DDM), с акцентом на структурированное многоэтапное мышление, самокоррекцию и проверку ответов. Модель использует блоки <think>...</think> для расширенного рассуждения. Она предназначена для математики, задач на логику, анализа кода, научных задач и сложных вопросов, требующих последовательного рассуждения. В обучающей выборке преобладают математические примеры, также представлены код, наука и логика. Доступны варианты от F16 размером 53,8 ГБ до Q2_K размером 10,7 ГБ; рекомендуемым указан Q4_K_M размером 16,5 ГБ. Модель рассчитана на контекст до 8192 токенов и запуск через llama.cpp, Ollama или LM Studio. Язык оптимизации DDM — английский; качество на других языках в основном определяется базовой моделью. Сильная сторона модели — ориентация на качественное, проверяемое рассуждение при сравнительно небольшом объёме данных и широкий выбор квантизаций для локального запуска. Ограничения включают обучение всего на одной эпохе и 1 229 примерах, поэтому дообучение преимущественно формирует стиль рассуждения, а не добавляет новые знания; при неоднозначных или намеренно провокационных запросах расширенное мышление может зацикливаться. Модель распространяется по лицензии Apache-2.0.

PP-LCNet_x0_25_textline_ori_safetensors — модель PaddlePaddle на архитектуре PP-LCNet, предназначенная для классификации ориентации строк текста на изображениях. Она помогает предварительно определить поворот текста и скорректировать его при постобработке, чтобы повысить качество OCR в сценариях сканирования документов и съёмки удостоверений или сертификатов, когда камера может быть повёрнута. Модель принимает изображение и выдаёт класс ориентации строки; в карточке указана поддержка английского и китайского языков. Вес модели опубликован в формате safetensors, лицензия — Apache-2.0. Число параметров и длина контекста в предоставленных данных не указаны.

PP-LCNet_x1_0_textline_ori — модель классификации ориентации строк текста из экосистемы PaddleOCR/PaddlePaddle. Она анализирует изображение строки, определяет её ориентацию и поддерживает исправление поворота постобработкой, чтобы улучшить распознавание в OCR-конвейере. Модель предназначена для обработки сканов документов и фотографий удостоверений и других документов, снятых под разными углами. В метаданных указаны PaddleOCR, архитектурное семейство PP-LCNet и поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0.

PS3-1.5K-SigLIP — разработанный NVIDIA визуальный энкодер на основе SigLIP SoViT-400m, дообученный для извлечения признаков из изображений высокого разрешения. Модель принимает RGB-изображения размером до 1512 × 1512 пикселей и возвращает тензор визуальных эмбеддингов для использования в последующих моделях и прикладных системах. PS3 поддерживает выбор значимых высокодетализированных областей изображения по визуальной значимости или текстовым подсказкам. Это помогает извлекать признаки для анализа изображений, содержащих мелкие детали, текст, диаграммы и документы. Модель обучалась на 75 млн изображений, включая данные на основе SA-1B и IDL; ориентирована на исследовательскую и разработческую работу и оптимизирована для NVIDIA GPU. Лицензия в предоставленных данных не указана.

timm/qwen3_vit_306m_merge.qwen3_5_2b — модель-энкодер изображений, созданная как перенос весов визуальной части Qwen3.5-2B в формат timm. Она предназначена для извлечения признаков и получения векторных представлений изображений; выходной классификационной головы в чекпойнте нет, её нужно обучить отдельно для классификации. Модель содержит около 330,6 млн параметров, использует визуальный backbone шириной 1024 и проекцию до 2048 измерений. Визуальная архитектура включает абсолютные позиционные эмбеддинги с интерполяцией, 2D RoPE и пространственный merger; для изображения применяется свёртка Conv2d, полученная суммированием временных весов исходной Conv3d. Модель принимает RGB-изображения, поддерживает прямоугольные размеры, кратные 16; варианты с merger 2×2 требуют кратности 32. Типичный размер изображения — 768×768. В README указана нормализация каналов со средним и стандартным отклонением 0,5. Исходные веса визуальной части извлечены из Qwen3.5-2B без дополнительного обучения; языковые веса в репозитории отсутствуют. Лицензия — Apache 2.0. Высокая вычислительная стоимость (973,6 GMACs) может ограничивать применение на ресурсах с малой производительностью.

Qwen3-Yoyo-V3-42B-A3B-Thinking-TOTAL-RECALL-ST-TNG-III — экспериментальная донастройка DavidAU на основе YOYO-AI/Qwen3-30B-A3B-YOYO-V3, с выборочным обучением слоёв на внутреннем наборе данных по сериалу «Звёздный путь: Следующее поколение». Модель предназначена для генерации кода и программирования, а также для диалогов и задач общего назначения; тематика TNG добавляет ей специализированные знания и стиль в этой области. Это причинная языковая модель семейства Qwen3 MoE: в README указаны 42 млрд параметров, 67 слоёв и 128 экспертов с активацией 8; метаданные каталога указывают 3,5 млрд параметров, поэтому фактический размер по этим источникам расходится. Заявленное контекстное окно — до 1 млн токенов. Модель поддерживает режим «мышления», который, согласно README, можно включить системным промптом. Карточка указывает английский, французский, китайский и немецкий языки, но не описывает их уровень поддержки. Репозиторий содержит веса Safetensors и исходную версию для непосредственного использования или конвертации в другие форматы. Лицензия — Apache-2.0. Автор характеризует обучение как экспериментальное и советует выбирать число активных экспертов и параметры генерации под задачу; результаты бенчмарков в карточке представлены как сравнительный обзор серии, а не как независимая оценка качества этой версии.

Qwopus3.6-27B-Fusion-BF16 — экспериментальная 27-миллиардная плотная модель Кайла Хесслинга, объединяющая навыки рассуждения Qwopus3.6-27B-v2 и написания кода Qwopus3.6-27B-Coder на базе Qwen/Qwen3.6-27B. Модель использует гибридную архитектуру Qwen 3.5 с линейным и периодическим полным вниманием, содержит 64 слоя и поставляется в формате safetensors с точностью BF16. Заявленный нативный контекст — 262 144 токена; чистая работа проверена на последовательностях до 60 000 токенов. Модель предназначена для агентного программирования в цикле «спланировать, написать, запустить и исправить», а также для задач рассуждения и генерации кода. По README, включённый по умолчанию режим thinking помогает ей самостоятельно разбирать ошибки и дорабатывать приложения. Сохранён визуальный энкодер базовой модели, и ввод изображений проверен на чтении текста со скриншотов, однако качество работы с изображениями отдельно не оценивалось. В README приведены результаты HumanEval, MBPP и GSM8K, но автор отмечает, что модель ещё не прошла строгую комплексную оценку. На сложных агентных задачах она может чрезмерно долго рассуждать и достигать лимита генерации; README рекомендует ограничивать max_tokens примерно 8 тысячами. Для запуска BF16-весов объёмом около 55,6 ГБ потребуется несколько GPU или выгрузка части вычислений на CPU. Лицензия указана как other, конкретные условия в предоставленных данных не описаны.

Conversational RuBERT — русскоязычная модель семейства BERT, разработанная DeepPavlov для извлечения признаков из текста. Её обучали на субтитрах OpenSubtitles, данных Dirty и Pikabu, а также сегменте социальных сетей корпуса Taiga; словарь создан специально для этой модели, а веса инициализированы RuBERT. В карточке указаны 12 слоёв, размер скрытого представления 768 и 12 голов внимания; метаданные каталога указывают 205,1 млн параметров и контекст до 512 токенов. Модель подходит для получения контекстных векторных представлений русскоязычных разговорных текстов, которые можно использовать в последующих задачах NLP. Репозиторий содержит варианты PyTorch и Flax, а в README упомянуты MLM- и NSP-головы. Сведения о лицензии в предоставленных данных отсутствуют.

SaAMPLIFY_350M — белковая языковая модель семейства AMPLIFY, опубликованная организацией chandar-lab на Hugging Face. Она предназначена для получения признаковых представлений белковых последовательностей и их использования в последующих задачах анализа белков. В карточке показан пример запуска как image-feature-extraction с trust_remote_code, однако метаданные автора указывают pipeline feature-extraction; архитектура описана как плотная AMPLIFY, размер — около 471,9 млн параметров, файлы представлены в safetensors. Карточка модели автоматически сгенерирована и не сообщает разработчика, обучение, лицензии, языки, контекст или оценки качества. В коллекции Hugging Face модель включена в набор белковых языковых моделей, дообученных конвейером структурного выравнивания; отдельная связь с базовой моделью в доступных метаданных не установлена. Лицензионные условия по найденным сведениям определить нельзя.

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

SenseVoiceSmall — компактная мультиязычная модель понимания речи из экосистемы FunASR, разработанная командой FunAudioLLM. Она распознаёт речь, определяет язык и эмоции говорящего, а также обнаруживает звуковые события. Для каталога Hugging Face указана основная задача automatic-speech-recognition; модель принимает аудио и формирует текст с результатами распознавания. Модель использует сквозную неавторегрессионную архитектуру и предназначена для распознавания речи с низкой задержкой, в том числе в потоках и на периферийных устройствах. В README заявлена поддержка более 50 языков; среди языков, названных для версии Small, — китайский, кантонский, английский, японский и корейский. Авторы сообщают о высокой скорости вывода и результатах, превосходящих Whisper в ряде сравнений, особенно для китайского и кантонского. Помимо транскрипции, модель умеет распознавать эмоции и распространённые звуковые события, однако классификация событий уступает специализированным моделям. В карточке Hugging Face указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория. Репозиторий также описывает экспортные и развёртываемые варианты, но опубликованные здесь метаданные указывают формат PyTorch.

SigLIP 2 Base — модель компьютерного зрения от Google, предназначенная для сопоставления изображений с текстовыми описаниями. Она использует архитектуру SigLIP и обучена на наборе WebLI. Вариант patch32-256 принимает изображения и текстовые метки-кандидаты для классификации без дообучения; модель также подходит для поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Модель рассчитана на задачи семантического понимания изображений, локализации и получения плотных визуальных признаков. Для её использования доступны веса в формате safetensors и библиотека Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение при соблюдении её условий.

zeromodels представляет конверсию SigLIP Base Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дополнительного обучения на заданных классах. Модель использует архитектуру двойного энкодера для изображений и текста и обучалась с попарной sigmoid-функцией потерь. Веса основаны на google/siglip-base-patch16-512; одна реализация поддерживает TensorFlow, PyTorch и JAX. Модель принимает изображения и текстовые запросы-промпты, сопоставляет их и позволяет выбирать подходящие описания для изображения. Это подходит для классификации по пользовательскому набору категорий и поиска соответствий между изображениями и текстом. Размер изображения и токенизатор следует согласовывать с вариантом модели через совместимый процессор. Лицензия — Apache 2.0.

Это англоязычный разреженный энкодер SPLADE, разработанный на базе Luyu/co-condenser-marco с помощью библиотеки sentence-transformers. Модель дообучена для поиска по текстам и преобразует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением векторов. Архитектура состоит из BertForMaskedLM и слоя SpladePooling с max-пулингом и ReLU. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и разреженного извлечения документов, а также может использоваться в конвейерах эмбеддингов и сравнения предложений. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Они дают ориентир по результатам, но не гарантируют качество на других корпусах; модель рассчитана на английский язык. Лицензия — Apache-2.0.

Splade++ SelfDistil — разреженный текстовый энкодер, разработанный на базе naver/splade-cocondenser-selfdistil и дообученный на данных MS MARCO с использованием Sentence Transformers. Модель преобразует запросы и документы в разреженные векторы размерностью 30 522; сходство между ними оценивается скалярным произведением. Архитектура состоит из трансформера BERT с masked language modeling и слоя SPLADE pooling с max-пулингом и ReLU. Модель предназначена для семантического поиска и разреженного извлечения документов или пассажей, в том числе в поисковых системах, работающих с парами запрос–документ. Максимальная длина последовательности — 512 токенов. В README указана поддержка английского языка. Опубликованные оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ демонстрируют качество извлечения, но не гарантируют аналогичных результатов на других данных. Лицензия — Apache-2.0.

SPLADE-v3 Spanish — разреженный энкодер на базе BERT, разработанный как испаноязычная адаптация naver/splade-v3. Он преобразует запросы и документы в разреженные векторы размерности 30 522 по словарю BERT WordPiece; сходство оценивается скалярным произведением. Модель содержит 136,7 млн параметров, работает через Sentence Transformers и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска, ранжирования документов и конвейеров RAG, особенно для испанского и двуязычного испанско-английского поиска с лексическим сопоставлением и семантическим расширением терминов. Она обучалась контрастивно на данных для поиска на испанском языке; в карточке приведены результаты оценки на MS MARCO, BEIR и MIRACL. Это не генеративная модель: она выдаёт разреженные векторы, а не текст. Качество зависит от предметной области, токенизации и настроек индексации и поиска, поэтому модель следует оценить на целевой системе. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий ShareAlike.

kalmuraee/tokens — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на наборе Common Voice. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В README приведены результаты оценки на тестовой выборке: loss 0,9811 и WER 0,4608. Язык распознавания и конкретные сценарии применения в карточке не уточнены. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

microsoft/trocr-large-stage1 — предварительно обученная модель TrOCR от Microsoft для распознавания текста на изображениях. Она предназначена для OCR на изображениях с одной строкой текста; для специализированных сценариев доступны дообученные версии семейства TrOCR. Модель использует архитектуру encoder-decoder: Transformer-кодировщик изображений построен на BEiT, а Transformer-декодер текста — на RoBERTa. Кодировщик обрабатывает изображение как последовательность патчей размером 16×16, после чего декодер авторегрессионно генерирует текст. Репозиторий содержит веса PyTorch и Safetensors. В README не указаны размер модели, поддерживаемые языки и лицензия, поэтому эти характеристики здесь не уточняются. Модель рассчитана на строки текста; качество на иных форматах изображений и задачах OCR не подтверждено описанием.

TrOCR small-stage1 — предварительно обученная модель оптического распознавания текста, представленная Microsoft и описанная в статье Li et al. Она предназначена для извлечения текста из изображений отдельных строк; для практического OCR на конкретных типах документов рекомендуется использовать подходящую дообученную версию. Модель построена по архитектуре encoder-decoder: Transformer-энкодер обрабатывает изображение как последовательность патчей размером 16×16, а авторегрессионный Transformer-декодер генерирует текст. Энкодер инициализирован весами DeiT, декодер — UniLM. Репозиторий содержит веса PyTorch. Модель предварительно обучена, но сама по себе не дообучена под конкретную задачу распознавания. Лицензия в предоставленных данных не указана.

ViT-B-16-SigLIP-384 — модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в формат PyTorch; репозиторий поддерживает использование через OpenCLIP для работы с изображениями и текстом, а также через timm для получения представлений изображений. Лицензия — Apache-2.0. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах и для получения эмбеддингов изображений. Можно сравнивать изображение с набором текстовых меток или описаний и выбирать наиболее подходящее. Вариант имеет размер изображения 384 пикселя по стороне, что отражено в названии модели. Модель использует контрастивное обучение изображения и текста с функцией потерь SigLIP и обучалась на WebLI. Карточка не сообщает о поддержке конкретных естественных языков, поэтому языковые возможности текстового компонента нельзя уточнить. Для прикладного сценария качество зависит от соответствия текстовых меток обучающим данным и выбранной предметной области.

Это модель timm от команды Google — изображенческий энкодер SigLIP 2 на базе ViT с патчами 16×16 и входным разрешением 256 пикселей. Репозиторий содержит только визуальную башню, соответствующую image tower мультимодальной модели SigLIP 2; обучение связано с датасетом WebLI. Модель предназначена для извлечения признаковых представлений изображений: их можно использовать для поиска похожих изображений, сопоставления визуального содержимого или как визуальные признаки для последующих систем. Она поддерживает только входные изображения и выдаёт векторы признаков; языковые возможности полной модели SigLIP 2 к этому энкодеру не относятся. Распространяется по лицензии Apache-2.0.

vit_base_patch16_siglip_gap_224.v2_webli — модель семейства SigLIP 2, опубликованная в библиотеке timm. Это визуальный энкодер ViT с патчами 16×16 и входным разрешением 224 пикселя; текстовый энкодер отсутствует. Вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на WebLI и предназначена для извлечения признаков изображений. Полученные представления можно использовать для поиска и сопоставления изображений, кластеризации и других задач компьютерного зрения, где нужны визуальные признаки. Метаданные указывают задачу image-feature-extraction и форматы PyTorch и safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях применения.

vit_base_patch16_siglip_gap_256.webli — визуальный энкодер семейства SigLIP, опубликованный в библиотеке timm. Модель принимает изображения и предназначена для извлечения признаковых представлений; глобальное усреднение признаков (global average pooling) формирует векторное представление изображения. Размер входного изображения — 256 пикселей, патчи — 16 × 16. Модель подходит для получения признаков изображений в конвейерах компьютерного зрения, например для последующей индексации или сравнения изображений. В карточке указана лицензия Apache-2.0. Данные не описывают языковую часть или генерацию текста: это только визуальный энкодер.

vit_base_patch16_siglip_gap_512.v2_webli — модель-энкодер изображений на архитектуре ViT из семейства SigLIP 2, опубликованная для библиотеки timm. Это только визуальная часть модели: вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling. Модель обучена на наборе данных WebLI и предназначена для извлечения признаков изображения, в том числе для последующего сравнения изображений и построения мультимодальных систем. Модель принимает изображения и выдаёт их векторные представления. Карточка указывает на исследовательские работы SigLIP 2 и Sigmoid Loss for Language Image Pre-Training, но не приводит подробностей о разрешении входа, языковой поддержке или результатах оценки. Лицензия репозитория — Apache-2.0.

nlpconnect/vit-gpt2-image-captioning — модель для автоматического создания текстовых описаний изображений. Она разработана на основе VisionEncoderDecoderModel: визуальный энкодер анализирует изображение, а декодер GPT-2 формирует подпись. Репозиторий содержит версию PyTorch модели, первоначально обученной ydshieh во Flax. Модель предназначена для генерации кратких описаний содержимого изображения. Её можно использовать в конвейере Transformers image-to-text для автоматического добавления подписей к изображениям и их текстовой индексации. В карточке не приведены сведения о поддерживаемых естественных языках, размере модели и длине контекста. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает об оценках качества или специальных ограничениях применимости; качество описаний может зависеть от изображения и обучающих данных.

Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 — модель автоматического распознавания речи на архитектуре Wav2Vec2, дообученная на базе facebook/mms-1b-FL102 на наборе данных audiofolder. Модель принимает аудио и выдаёт распознанный текст; карточка сообщает о размере 1,3 млрд параметров. На оценочной выборке указаны loss 0,9813 и WER 0,4603. Эти значения описывают только приведённую оценку и не гарантируют качество на других данных. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Модель MehdiHosseiniMoghadam/wav2vec2-large-xlsr-53-Czech — версия wav2vec 2.0, дообученная на чешском языке на данных Common Voice. Она преобразует аудиозаписи речи в текст и подходит для автоматической транскрибации чешской речи. Для входного аудио требуется частота дискретизации 16 кГц. Модель содержит около 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведён результат 27,05 % на тестовых данных Common Voice, но метрика и способ её расчёта не уточнены. Модель распространяется по лицензии Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-dutch — модель распознавания нидерландской речи, разработанная Jonatas Grosman. Это дообученная на нидерландском языке версия facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель использует архитектуру wav2vec2 с CTC-декодером и содержит 402,7 млн параметров. Модель преобразует входящую речь в текст и подходит для транскрибации записей на нидерландском языке. Для подачи аудио требуется частота дискретизации 16 кГц. В карточке приведены оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2/dev_data. Модель распространяется по лицензии Apache-2.0. Карточка не описывает языковую модель для декодирования; пример использования предусматривает распознавание без неё.

facebook/wav2vec2-large-xlsr-53-italian — модель распознавания итальянской речи, опубликованная Facebook. Она основана на архитектуре Wav2Vec2 с выходной головой CTC и примерно 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на итальянском языке в текст; в карточке приведена оценка на тестовой части Common Voice для итальянского языка — 22,1%. Репозиторий содержит веса PyTorch и Flax. Модель подходит для расшифровки записей и оценки систем распознавания итальянской речи. Лицензия — Apache-2.0. Результат оценки приведён без пояснения метрики, поэтому по карточке нельзя определить, означает ли 22,1% ошибку или другую величину качества.

kingabzpro/wav2vec2-large-xlsr-53-punjabi — модель распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная на базе Harveenchadha/vakyansh-wav2vec2-punjabi-pam-10 на датасете Common Voice. Она преобразует аудиозаписи на панджаби в текст и подходит для транскрибирования речи, в том числе записей из Common Voice. Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и safetensors. На тестовой выборке Common Voice 8.0 указаны WER 0,4939 и CER 0,2238. Лицензия — Apache-2.0.