II.8Инженерия данных и аналитика

Gladiator опубликовал модель на основе DeBERTa V3 Large, дообученную для классификации токенов на наборе CoNLL-2003. Она предназначена для распознавания именованных сущностей в тексте: определения границ и типов упоминаний, таких как имена людей, организации и географические названия. Модель содержит около 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации токенов и обрабатывает контекст длиной до 512 токенов. В README приведены результаты на тестовой выборке CoNLL-2003: F1 0,9695, точность 0,9667 и полнота 0,9724. Модель доступна в форматах PyTorch и Safetensors под лицензией MIT. Карточка не описывает дополнительные сценарии или ограничения; качество на других доменах и языках этими результатами не подтверждено.

curtburk/Nemotron 3 Nano 30B — KD Distilled — это дообученная для генерации кода модель на базе NVIDIA Nemotron 3 Nano, подготовленная автором репозитория с помощью LoRA и дистилляции рассуждений DeepSeek-V4-Flash. Адаптер объединён с базовыми весами; репозиторий содержит модель в формате safetensors. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена прежде всего для генерации решений задач программирования. На описанном в карточке тесте из 213 задач pass@1 вырос с 23,0% у базовой модели до 63,4%; автор связывает улучшение с более частым завершением ответа и выдачей кода. Модель также поддерживает диалоговые сценарии, однако качество вне задач программирования, включая общий чат и работу с длинным контекстом, не оценивалось. Результаты получены в одном запуске на одном семействе бенчмарков; точную величину улучшения следует считать приблизительной. Карточка отмечает, что модель редко соблюдает заданный формат ответа, а оценка учителя частично затронута загрязнением данными. Лицензия обозначена в метаданных как other; конкретные условия использования следует сверить с карточкой репозитория.

OpenCodeReasoning-Nemotron-1.1-32B — языковая модель NVIDIA для рассуждений при решении задач программирования. Это дообученная на наборе OpenCodeReasoning модель Qwen2.5-32B-Instruct с плотной архитектурой decoder-only Transformer и 32 млрд параметров. Набор обучения содержит 1,165 млн примеров по соревновательному программированию с ответами, сгенерированными DeepSeek-R1-0528. Модель принимает текст и генерирует текст; длина контекста — до 65 536 токенов. Она предназначена для генерации кода и пошагового решения задач программирования, а также для разработки и исследования LLM. В карточке приведены результаты оценки на LiveCodeBench v5, но они сами по себе не гарантируют качество на иных задачах. Модель ориентирована на запуск на GPU NVIDIA; заявлена готовность к коммерческому и некоммерческому использованию.

CGCTG/orientation_resnet-50 — дообученная модель классификации изображений на базе ResNet-50, представленная в Transformers и сохранённая в формате safetensors. Она предназначена для определения ориентации на изображениях. В README приведены результаты на оценочной выборке: loss 0,5106 и accuracy 0,7598; обучение указано на датасете imagefolder. Модель распространяется по лицензии Apache-2.0.

Select AI предоставляет экспериментальную модель YOLO26x для обнаружения людей и оценки позы по 17 ключевым точкам COCO. Архитектура на основе YOLO26x-pose использует сквозную голову регрессии ключевых точек без NMS; разработчик базовой архитектуры — Ultralytics. Для каждого человека модель выдаёт координаты рамки и 51 значение: координаты и уверенность для каждой из 17 точек. Модель предназначена для извлечения визуальных признаков из изображений и отдельных кадров видеопотока, в том числе для мониторинга потока покупателей, анализа позы и расчёта показателей вовлечённости. Входное изображение преобразуется к размеру 960 × 960; заявлена работа с кадрами разрешением до 1920 × 1080. Модель оценивает каждый кадр отдельно и не выполняет межкадровое отслеживание. Качество локализации снижается при перекрытии людей, малом размере объектов, слабом освещении, ИК-подсветке и необычной одежде. Для сигналов безопасности и журналирования поведения результаты требуют дополнительной проверки. Условия лицензии в предоставленных данных не приведены.

py38-pylingual-v1-segmenter — модель SysSec-UTD, дообученная на базе syssec-utd/py38-pylingual-v1-mlm для классификации токенов и сегментации. Она обучалась на наборе syssec-utd/segmentation-py38-pylingual-v1-tokenized. В оценке на тестовом наборе указаны точность и полнота 0,9968, F1 0,9968 и accuracy 0,9992. Модель построена на архитектуре RoBERTa, содержит 136,3 млн параметров, принимает последовательности текста с контекстом до 514 токенов и использует библиотеку Transformers. Практический сценарий — разметка токенов для сегментации текста; сведения о конкретной схеме меток и языковой области применения в карточке не приведены. Доступна в формате Safetensors. Лицензия в предоставленных данных не указана.

aniruddhr04/qwen2.5-3b-nl2sql-spider-grpo — экспериментальная модель на основе Qwen2.5-3B-Instruct, дообученная разработчиком с помощью GRPO в среде, где она выполняла SQL-запросы к базам SQLite и получала вознаграждение за совпадение результатов с эталонными запросами. Модель предназначена для преобразования вопросов на естественном языке в SQL с использованием схемы базы данных и инструмента run_sql. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и контекст до 32 768 токенов. В описанном тесте Spider dev точность выполнения запросов по официальной метрике составила 0,644; лучше она справлялась с простыми вопросами, чем с задачами повышенной сложности и многотабличным рассуждением. Для воспроизведения результатов требуется повторять цикл вызова инструмента, предусмотренный при обучении. Это исследовательский артефакт для изучения обучения NL2SQL с обратной связью от выполнения запросов; он не позиционируется как передовая модель для Spider. Apache-2.0 допускает широкое использование и распространение в соответствии с условиями лицензии.

Qwen3-1.7B-Salesforce-Finetuned-SOQL — дообученная Ravinarayanan модель на базе Qwen/Qwen3-1.7B для запросов к Salesforce и CRM-сценариев. Это плотная языковая модель с 1,7 млрд параметров, принимающая текст и генерирующая текст; метаданные указывают контекст до 40 960 токенов. Контрольная точка в формате Safetensors предназначена для диалоговой работы и маршрутизации инструментов агента. Модель интерпретирует запросы о Salesforce, определяет необходимость получить метаданные схемы, выбирает инструменты вроде search_schema, describe_object, run_soql и analyze_data, а также формирует привязанные к схеме запросы SOQL только для чтения. В README приведены результаты внутренней оценки на 53 тестовых и 20 сложных сценариях: точность составила 83% и 85% соответственно; эти показатели относятся к описанному набору примеров и не гарантируют аналогичного качества в других условиях. Модель также сохраняет общие способности к написанию, суммаризации и объяснениям. Для рабочих систем README рекомендует проверять SOQL и аргументы инструментов, ограничивать выполнение чтением, учитывать права доступа и считать актуальные метаданные Salesforce источником истины. Указанная лицензия — Apache-2.0; проект независимый и не связан с Salesforce.

FineEnvs/Qwen3.5-2B-opencode-RL — полноразмерное дообучение Qwen/Qwen3.5-2B, выполненное FineEnvs для агентных задач анализа данных. Модель обучена методом асинхронного GRPO с бинарной наградой за правильность ответов; обучающие сценарии выполнялись через OpenCode в средах OpenEnv и Harbor с песочницами E2B. Это плотная модель семейства Qwen3.5 с 2 млрд параметров, сохранённая в формате safetensors вместе с токенизатором и шаблоном чата. Модель предназначена для генерации текста и работы в агентных сценариях, где нужно решать задачи анализа данных с инструментами. В карточке указана оценка pass@1 39,5% на наборе из 250 тестовых задач в четырёх вычислительных оболочках; результаты относятся к конкретным версиям инструментов и одной выборке. Хотя базовая Qwen3.5-2B мультимодальна, этот вариант обучался и оценивался для взаимодействия текстом и инструментами, и README не заявляет о проверке возможностей работы с изображениями. Лицензия — Apache-2.0. Для воспроизведения оценок нужны описанные в статье агентная оболочка и инструменты; обычный диалоговый запрос не эквивалентен тестированию. Авторы предупреждают, что выбор чекпойнта по результатам того же тестового набора может завышать оценку, а результаты одного запуска не позволяют делать выводы о причинном влиянии обучающей цели или используемой оболочки.

botanical1058/qwen3-finetuned — дообученная модель классификации текста на базе Qwen/Qwen3-0.6B, разработанная автором репозитория botanical1058. Это плотная архитектура Qwen3 с классификационной головой Qwen3ForSequenceClassification, размером 507,9 млн параметров и контекстом до 40 960 токенов. Модель предназначена для присвоения классов текстовым входам; в README приведены результаты оценки: accuracy 0,9651, precision 0,9654, recall 0,9651 и F1 0,9651. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Данные обучения обозначены в карточке как None, а назначение классов, набор меток и подробности обучающего набора не описаны, поэтому область применения и воспроизводимость результатов ограничены доступной информацией.

cruiser/roberta-twitter-sentiment-ada-delta_batch_64 — модель классификации текста, опубликованная пользователем или организацией cruiser на Hugging Face. По названию и карточке модели она предназначена для анализа тональности сообщений из Twitter и близких по стилю коротких текстов. Модель основана на архитектуре RoBERTa и используется через библиотеку Transformers для задачи text-classification. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Её сильная сторона — специализированная классификация коротких сообщений в социально-медийном стиле; размер модели делает её более компактной по сравнению с крупными языковыми моделями. В открытых источниках не удалось надёжно установить поддерживаемые естественные языки, точные классы тональности и лицензионные условия.

RuBERT-Base-ru-sentiment-RuSentiment — русскоязычная модель классификации текста на основе архитектуры BERT, разработанная путём дообучения RuBERT на наборе RuSentiment. Датасет содержит публикации общего характера из социальной сети ВКонтакте, поэтому модель предназначена для анализа тональности русскоязычных постов и похожих текстов. Модель насчитывает 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Она выдаёт результат классификации текста; доступны версии в форматах PyTorch и Flax. Карточка приводит методику сравнения результатов на RuSentiment и других наборах, но в предоставленном фрагменте нет конкретных оценок качества. Лицензия в предоставленных данных не указана.

kazzand/ru-longformer-base-4096 — русскоязычная модель Longformer, разработанная на основе весов blinoff/roberta-base-russian-v0 и дообученная на корпусе русских книг. Она предназначена для обработки длинных текстов с контекстом до 4098 токенов и может служить основой для дальнейшей настройки под прикладные задачи. Модель содержит 151,7 млн параметров, имеет 12 слоёв и 12 голов внимания. В карточке Hugging Face для неё указана задача fill-mask; автор также отмечает возможность получать текстовые эмбеддинги. Для использования эмбеддингов подойдёт извлечение признаков из длинных русскоязычных документов.

Модель Shona W2V-BERT 2.0 ASR подготовлена Манассе Чангачирере: это CTC-модель распознавания речи, дообученная на основе facebook/w2v-bert-2.0 на размеченных данных языка шона. Она принимает монофоническое аудио с частотой 16 кГц и выдаёт текст в нижнем регистре без пунктуации. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2-BERT и загружается через Transformers. Модель подходит для транскрибации коротких сегментов речи на шона, анализа ошибок, сравнения систем распознавания и проверки псевдоразметки как дополнительный сигнал. На тесте FLEURS для шона указана ошибка WER 28,87%; на тесте WAXAL — 28,11%, но для последнего возможен перехлёст с обучающей выборкой. Автор отмечает, что это не лучшая по качеству модель-предсказатель и не предназначенный для потокового распознавания вариант. Лицензия — MIT.

Kern AI разработала эту модель как дообученную версию DistilBERT для классификации новостных материалов о фондовом рынке. Модель принимает текст заголовка и краткого описания статьи и относит его к одному из трёх классов тональности: положительной, нейтральной или отрицательной; для класса также выдаётся оценка уверенности. Модель основана на архитектуре DistilBERT и предназначена для анализа тональности финансовых новостей, например для мониторинга новостного потока. Она поддерживает PyTorch и может использоваться через Hugging Face Pipeline API. Контекст ограничен 512 токенами. По карточке, дообучение проводилось на 50 000 новостных статей о фондовом рынке с заголовками и аннотациями, размеченных в Kern AI refinery. Модель распространяется по лицензии MIT. Её специализация — тональность новостей о фондовом рынке; качество на других текстах и задачах в карточке не описано.

TamilSBERT-STS — модель L3Cube-Pune для сравнения сходства предложений на тамильском языке. Она создана дообучением l3cube-pune/tamil-sentence-bert-nli на наборе данных STS и выпущена в рамках проекта MahaNLP. В основе лежит архитектура BERT; модель формирует плотные векторные представления предложений, пригодные для вычисления их семантической близости. Модель предназначена для оценки сходства пар тамильских предложений и поиска семантически близких текстов. Она содержит 264,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для использования доступны веса PyTorch; README описывает применение через Sentence-Transformers или Transformers с pooling поверх контекстных представлений. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающего набора STS, поэтому точность на конкретных данных не установлена.

microsoft/tapex-base-finetuned-wtq — модель Microsoft для ответов на вопросы по таблицам. Она основана на архитектуре BART и дообучена на наборе WikiTableQuestions с применением подхода TAPEX: модель предварительно обучали выполнять SQL-подобные запросы к таблицам, чтобы развить навыки табличного рассуждения. Модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для ответов на сложные вопросы по содержимому таблицы: например, поиска значений, сравнения чисел и определения первого или последнего элемента. Она принимает текст вопроса и таблицу, а ответ формирует в текстовом виде. Указанный в метаданных язык — английский, а лицензия — MIT. Карточка демонстрирует примеры решаемых вопросов, но не описывает ограничения качества или гарантии корректности ответов.

edumunozsala/TinyLlama-1431k-python-coder — компактная языковая модель семейства Llama, разработанная на основе TinyLlama-1.1B и дообученная на наборе инструкций по программированию на Python python_code_instructions_18k_alpaca с использованием Axolotl и PEFT. Модель предназначена для генерации кода Python по текстовым заданиям и описаниям задач. Архитектура — плотная LlamaForCausalLM; в метаданных указано около 1 млрд параметров и контекст 2048 токенов. README описывает дообучение в 4-битном режиме, но репозиторий содержит веса PyTorch. Модель принимает текст и генерирует текст, включая код. Базовый TinyLlama использует архитектуру и токенизатор Llama 2; обучающие примеры оформлены в стиле Alpaca. Лицензия — Apache-2.0. Ограниченная длина контекста и небольшой размер модели могут сказываться на качестве и надёжности сложной генерации кода; результат следует проверять перед использованием.

tr_core_news_lg — крупная языковая модель для обработки турецкого языка в экосистеме spaCy, разработанная Duygu Altinok для проекта TrSpaCy. Она предназначена для лингвистического анализа турецких текстов и доступна в виде официального репозитория на Hugging Face. Модель включает компоненты tok2vec, tagger, morphologizer, trainable_lemmatizer и parser, а также поддерживает распознавание именованных сущностей через компонент NER. Она выполняет токенизацию, частеречную разметку, морфологический анализ, лемматизацию, синтаксический разбор зависимостей, выделение предложений и распознавание сущностей. Модель работает с турецким языком, содержит 200 000 уникальных векторов размерности 300 и поддерживает spaCy версий от 3.4.2 до 3.5.0. По приведенным оценкам, F-мера NER составляет 0,889, точность UPOS — 0,907, XPOS — 0,912, морфологической разметки — 0,891, лемматизации — 0,823, определения границ предложений — 0,845, UAS — 0,735, а LAS — 0,637. Это делает модель пригодной для автоматической предварительной обработки и структурного анализа турецких текстов, однако качество синтаксического разбора и лемматизации ниже, чем у частеречной и морфологической разметки. Модель распространяется по лицензии CC BY-SA 4.0.

Vakgyata Base — модель OneCxi для определения языка по речевому аудио. Она основана на предварительно обученной Harveenchadha/wav2vec2-pretrained-clsril-23-10k и дополнена Layer Normalization для повышения стабильности классификации. Модель использует архитектуру Wav2Vec2ForSequenceClassification; в метаданных указано 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц, для которого рекомендуется монофонический PCM с разрядностью 16 бит, и классифицирует речь на индийских языках. В README приведены примеры поддерживаемых языков: английский (Индия), хинди и одия; метаданные также перечисляют бенгальский, тамильский, телугу, каннада, малаялам, маратхи, гуджарати, пенджаби и ассамский. Модель подходит для определения языка в речевых записях и предварительной маршрутизации аудио в системах распознавания речи и аналитики звонков. Заявленная в README точность базовой версии составляет 95,88%, но описание методики и условий оценки не приведено. Модель распространяется по лицензии Apache-2.0; для использования нужны совместимые аудиоданные и библиотека Transformers.

VIT_AI_image_detector — модель классификации изображений, разработанная mmanikanta и дообученная на основе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к категориям; конкретные классы и область применения не описаны. В README указаны точность 0,9924 и значение loss 0,0295 на оценочном наборе, однако состав набора и методика оценки не приведены. Модель принимает изображения и выдаёт предсказанные классы. Лицензия — Apache-2.0.

Модель keystats/w2v-bert-2.0-lang-id-lug-sna-lin-xog предназначена для определения языка речи в коротком аудиофрагменте: она относит запись к одному из четырёх классов — луганда, шона, лингала или лусога. Это дообученная на корпусе WAXAL модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2BertForSequenceClassification и классификационной головой; размер модели — 402,7 млн параметров. Модель подходит для предварительной маршрутизации аудио к системе распознавания речи для выбранного языка. По данным карточки, точность на разбиениях WAXAL составляет около 99,9%, однако эти результаты не гарантируют такого же качества на записях с другими условиями, говорящими или диалектами. Это закрытый классификатор: он всегда выбирает один из четырёх языков, в том числе для речи на другом языке или неречевого аудио, и не расшифровывает речь. Модель опубликована под лицензией Apache-2.0.

cardiffnlp/xlm-roberta-base-tweet-sentiment-pt — модель классификации текста на базе XLM-RoBERTa, разработанная Cardiff NLP и дообученная на португалоязычной части набора данных cardiffnlp/tweet_sentiment_multilingual. Она предназначена для определения тональности публикаций и сообщений на португальском языке. Архитектура — XLMRobertaForSequenceClassification; модель содержит около 305,2 млн параметров, принимает текст с контекстом до 514 токенов и представлена в формате PyTorch. На тестовой выборке указаны точность 70,69% и макро-F1 70,73%. Модель подходит для автоматической разметки тональности португалоязычных сообщений, но качество на иных языках и типах текста не подтверждено приведёнными метриками. Лицензия в предоставленных данных не указана.

XLM-RoBERTa-Large-ru-sentiment-RuSentiment — русскоязычная модель классификации текста, разработанная на основе XLM-RoBERTa-Large и дообученная на наборе RuSentiment. Датасет содержит публикации общего характера из социальной сети ВКонтакте. Модель предназначена для определения тональности русскоязычных постов и других коротких текстов. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей и содержит 658,7 млн параметров. Её нативная длина контекста — 514 токенов; доступны веса в формате PyTorch. Карточка приводит результаты сравнения на нескольких задачах, но конкретные оценки в предоставленном тексте опущены. Модель подойдёт для анализа тональности публикаций в социальных сетях и исследовательской работы с русскоязычными текстами. Лицензия в предоставленных данных не указана.

YingLong 110M — предварительно обученная модель семейства YingLong для прогнозирования временных рядов. В этой версии обучение проводилось на 78 млрд временных точек; карточка приводит примеры долгосрочного прогнозирования и оценки на GIFT-Eval. Модель выпущена в формате safetensors и использует библиотеку YingLong. Лицензия CC BY 4.0 разрешает использование при соблюдении её условий.

YingLong_300m — предобученная модель временных рядов семейства YingLong, представленная авторами исследования YingLong. Эта версия обучена на 78 млрд временных точек и предназначена для долгосрочного прогнозирования временных рядов; карточка также упоминает оценку на наборе задач GIFT-eval. Для работы предусмотрены библиотека YingLong и формат весов safetensors. Модель принимает временные ряды и выдаёт прогнозы. В README приведены примеры запуска для долгосрочного прогнозирования; для ускорения может использоваться FlashAttention 2, но она не обязательна. Доступ к модели распространяется по лицензии CC BY 4.0.

ckiplab/albert-base-chinese-ws — модель на архитектуре ALBERT для разметки токенов традиционного китайского текста. Её предоставляет CKIP; карточка проекта описывает семейство моделей и инструменты для сегментации слов, разметки частей речи и распознавания именованных сущностей, а метаданные этой модели указывают задачу token-classification и класс AlbertForTokenClassification. Модель предназначена для сегментации китайского текста на слова и других задач последовательной разметки. В репозитории указаны веса PyTorch, 129,5 млн параметров и контекст до 512 токенов; для токенизации README рекомендует BertTokenizerFast. Лицензия — GPL-3.0.

XSY/albert-base-v2-imdb-calssification — модель классификации текста, созданная дообучением albert-base-v2 на наборе данных IMDb. Она относит отзыв о фильме к одному из двух классов: отрицательному или положительному. В README указана точность 0,9361 на оценочной выборке и значение loss 0,1983. Модель построена на архитектуре ALBERT и содержит 136,3 млн параметров. Она принимает текст, поддерживает контекст до 512 токенов и выдаёт метку класса. Подходит для автоматической оценки тональности отзывов о фильмах. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

moctarsmal/bank-transactions-statements-classification — модель классификации текстовых описаний банковских транзакций и выписок, дообученная разработчиком на основе flaubert/flaubert_small_cased. Она использует архитектуру FlauBERT для классификации последовательностей и принимает текст длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,7683, macro F1 0,7945 и weighted F1 0,7635. Модель предназначена для присвоения категорий банковским операциям по тексту, например, для автоматической разметки транзакций и выписок. Базовая модель компактная и ориентирована на французский язык; категориями и другими сценариями применения README не делится. Модель распространяется по лицензии MIT.

CeLLaTe-ner-2class-tapt-pubmedbert-tokenizer-adapted-combinedData-lr3.89 — модель распознавания сущностей на уровне токенов, разработанная Mardiyyah и дообученная на наборе OTAR3088/CeLLaTe-ner-2class-iob_final. Она основана на CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData и использует архитектуру BERT с головой классификации токенов; размер модели — 138,2 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для разметки последовательностей текста по двум классам сущностей. В README приведены метрики на оценочном наборе: Micro F1 0,7774, точность 0,9841, precision 0,7696 и recall 0,7853. Эти показатели относятся к указанному набору данных и не гарантируют аналогичного качества на других текстах. Модель принимает и выдаёт текст с токенной разметкой, заявленный язык — английский. Распространяется по лицензии Apache-2.0.