II.8Инженерия данных и аналитика

Модель philomath-1209/programming-language-identification разработана автором репозитория и дообучена на базе huggingface/CodeBERTa-small-v1 на наборе cakiki/rosetta-code. Это классификатор кода на архитектуре RoBERTa с 96,6 млн параметров и контекстом до 514 токенов. Модель определяет язык программирования по фрагменту исходного кода; в карточке перечислены 25 языков, включая Python, Java, C++, JavaScript, Rust и Fortran. Модель подходит для автоматической маркировки файлов и фрагментов кода, сортировки коллекций исходников и предварительного определения языка перед запуском специализированных инструментов. Репозиторий содержит веса Safetensors и формат ONNX для инференса через Transformers или Optimum. Лицензия — WTFPL.

Qwen3.8-Flash-Next-Uncensored-REAP288-MTP-MLX-4bit — неофициальная экспериментальная производная модели Qwen3.8-Flash-Next, подготовленная сообществом butterf1ying для локального запуска на компьютерах Apple Silicon с 64 ГБ unified memory. Модель предназначена для генерации текста, программирования, экспериментов с coding-agent, исследований длинного контекста и оценки нативного speculative decoding через MTP. Поддерживаются английский и китайский языки. Модель использует архитектуру qwen4_exp с разреженным MoE-трансформером: 48 языковых слоёв, hidden size 2560, гибридное linear/full attention, 288 маршрутизируемых экспертов на слой и активацию top-10 экспертов совместно с shared expert. Применены MLX affine 4-bit quantization с group size 64 и 4-битное квантование N-gram-таблицы с group size 32. Таблица размером около 29,8 ГиБ отображается с SSD через memory mapping. В составе сохранена нативная однос layer MTP head, заявлена поддержка контекста до 262 144 токенов, а общий размер пакета составляет около 71,67 ГиБ. Мультимодальные vision-веса включены, но работа vision-пути для этой сборки не подтверждена. Сильными сторонами являются возможность запуска крупной MoE-модели на совместимой системе Apple Silicon, уменьшенный за счёт REAP-288 объём экспертов, поддержка локального OpenAI-compatible API и нативного MTP. К ограничениям относятся экспериментальный статус, отсутствие формальной оценки качества и степени снижения отказов, зависимость от mlx-serve и SSD, а также непроверенная мультимодальная функциональность. Сборка тестировалась на Apple M1 Max с 64 ГБ памяти и mlx-serve 26.8.11; приведённые результаты подтверждают загрузку и работу MTP, но не являются общим бенчмарком производительности. Указана лицензия qwen-community-license-1.0.

Relace Search — модель для агентного поиска по кодовой базе. Она использует инструменты `view_file` и `grep` параллельно, чтобы находить файлы, относящиеся к запросу пользователя; в карточке подход противопоставлен RAG. README обрывается после описания агентного характера поиска, поэтому дополнительные сведения о разработчике, архитектуре, размере, языках, контексте и лицензии установить нельзя.

resnet50x16_clip.openai — модель CLIP, разработанная OpenAI и опубликованная на Hugging Face организацией timm. Она сопоставляет изображения с текстовыми описаниями и предназначена, в частности, для классификации изображений по текстовым меткам без дообучения на конкретных классах. Архитектура включает модифицированный ResNet-50x16 для изображений и Transformer для текста; изображения обрабатываются в разрешении 384×384, длина текстового контекста — 77 токенов. Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Веса доступны по лицензии MIT. В карточке OpenAI CLIP отмечено, что модель создана как исследовательский результат и её возможности следует оценивать с учётом контекста применения; классификация зависит от формулировок текстовых меток и может наследовать ограничения обучающих данных.

SEW-D-tiny-100k-ft-ls100h — англоязычная модель распознавания речи от ASAPP Research на архитектуре SEW-D, представленная как вариант SEW-D-tiny. Она преобразует речь в текст и предназначена для транскрибирования аудио; в README также описана более широкая применимость базовой предварительно обученной модели после дообучения для задач идентификации говорящего, классификации намерений и распознавания эмоций. Модель содержит 28,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц; её архитектура основана на идеях wav2vec 2.0 и рассчитана на эффективное распознавание речи. Карточка указывает датасет LibriSpeech ASR и лицензию Apache-2.0. README приводит результаты семейства SEW в исследовании, но не сообщает отдельные метрики именно для этого чекпойнта.

SFR-Embedding-Code-2B_R — плотная модель эмбеддингов от Salesforce Research для многоязычного поиска по коду и тексту. Она предназначена для получения векторных представлений, которые можно использовать для поиска и сопоставления запросов с фрагментами кода или текстами. Модель содержит 2,7 млрд параметров, принимает последовательности длиной до 8192 токенов и распространяется в формате safetensors. В README сообщается о результатах на нескольких задачах поиска по коду и о среднем показателе CoIR 67,4 NDCG@10; модель показала более высокие результаты, чем приведённые в сравнительной таблице открытые модели для эмбеддингов кода. Карточка описывает семейство как многоязычное и многозадачное, но конкретные естественные языки не перечисляет. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; разработчики также рекомендуют оценивать точность, безопасность и справедливость перед применением, особенно в сценариях высокого риска.

SigLIP 2 Base — модель визуального энкодера, разработанная Google. Она предназначена для сопоставления изображений и текста, классификации изображений по заданным текстовым меткам без специального дообучения, а также для использования в качестве визуального энкодера в мультимодальных моделях и других задачах компьютерного зрения. Модель относится к семейству SigLIP, имеет плотную архитектуру и доступна в формате safetensors для библиотеки Transformers. Предобучение выполнено на наборе WebLI с использованием объединённой схемы обучения, расширяющей подход SigLIP методами для улучшения семантического понимания, локализации и плотных визуальных признаков. README также указывает на пригодность модели для поиска соответствий между изображениями и текстом. Лицензия — Apache 2.0. Модель принимает изображения и текстовые кандидаты или запросы и выдаёт оценки соответствия, которые можно использовать для ранжирования меток и поиска пар изображение—текст. В карточке не приведены численный размер модели, длина контекста и перечень поддерживаемых естественных языков.

Карточка модели Veritone/siglip2-base-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-256, поэтому описание составлено по ней. SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Карточка модели Veritone/siglip2-base-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-base-patch16-512, поэтому описание составлено по ней. SigLIP 2 Base — базовая модель семейства SigLIP 2, разработанная Google. Она обучена на наборе данных WebLI и предназначена для сопоставления изображений и текста: модель поддерживает классификацию изображений по заданным текстовым меткам без дополнительного обучения и поиск изображений по текстовым запросам или текста по изображениям. Её также можно использовать как визуальный энкодер для мультимодальных языковых моделей и других задач компьютерного зрения. Модель принимает изображение и текстовые описания-кандидаты и оценивает их соответствие; визуальный энкодер формирует представления изображений для дальнейшего использования. В карточке указана архитектура SigLIP, библиотека Transformers и формат весов safetensors. Модель доступна по лицензии Apache-2.0. README не приводит сведений о размере параметров и длине контекста.

zeromodels/siglip2_so400m_p14_224 — конверсия модели SigLIP 2 Google в формат Keras 3 для библиотеки zeromodels. Это мультимодальная модель нулевой классификации изображений: при инференсе она сопоставляет изображение или изображения с текстовыми подсказками и оценивает, какие из них лучше соответствуют содержимому. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-so400m-patch14-224. SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; предварительное обучение включает обучение по подписям, самодистилляцию и предсказание маскированных областей для улучшения семантических и плотных визуальных признаков. Для загрузки рекомендован соответствующий Processor, чтобы согласовать размер изображений и токенизатор. Модель подходит для классификации изображений по заданным текстовым меткам и сопоставления изображений с текстовыми описаниями. В репозитории указана лицензия Apache 2.0. Конкретные показатели качества и контекстные ограничения в предоставленных данных не приведены.

zeromodels выпускает конверсию SigLIP Large Patch16-384 в формате Keras 3 для классификации изображений по текстовым меткам без дополнительного обучения. Модель использует двухбашенную архитектуру: кодирует изображение и текстовые подсказки и оценивает их соответствие. Размер патча — 16 пикселей, разрешение изображения — 384 пикселя; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для zero-shot классификации изображений и поиска соответствий между изображениями и текстом. Она принимает изображения и текстовые подсказки, а на выходе даёт оценки соответствия, позволяющие выбрать подходящие метки. Основана на google/siglip-large-patch16-384; лицензия — Apache 2.0. README описывает формат и способ применения, но не приводит конкретных результатов оценки качества.

SLIM-INTENT — специализированная модель серии SLIM от llmware, дообученная для анализа намерений и вызова функции классификации. Она принимает текст и формирует структурированный результат в виде словаря Python с полем intent, например с меткой «complaint», пригодный для дальнейшей обработки в автоматизированных цепочках LLM. Модель построена на архитектуре Llama с плотной decoder-only языковой моделью и содержит 1 млрд параметров. Она рассчитана на текстовый ввод и текстовый структурированный вывод; в карточке показан англоязычный пример, но языковая поддержка отдельно не заявлена. Контекст — до 2048 токенов. Доступна в формате PyTorch, лицензия — Apache-2.0.

SpanBERT-large-cased — англоязычная предобученная языковая модель на архитектуре BERT, разработанная исследовательской группой SpanBERT и опубликованная организацией SpanBERT. Она использует обучение, ориентированное на представление и предсказание фрагментов текста, и предназначена как основа для последующей настройки на задачи понимания текста, особенно ответы на вопросы, выделение отношений и разрешение кореференции. В официальном репозитории указана конфигурация из 24 слоёв, скрытого размера 1024 и 16 голов внимания; метаданные этой копии Hugging Face указывают 432,3 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт контекстные представления токенов; сама по себе это не генеративный чат-бот и не готовый классификатор для всех перечисленных задач. Репозиторий демонстрирует её применение после дообучения на SQuAD, TACRED, GLUE и задачах кореференции. SpanBERT показала преимущество над BERT в приведённых авторами оценках SQuAD и кореференции. Модель предназначена для английского языка. Лицензия — CC-BY-NC 4.0, в том числе для предобученных весов; коммерческое использование не разрешено этой лицензией.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

SWE-agent-LM-32B — языковая модель для задач программной инженерии, разработанная командой SWE-bench и обученная с помощью набора инструментов SWE-smith. Она дообучена на 5 тысячах траекторий, созданных SWE-agent и Claude 3.7 Sonnet, на базе Qwen/Qwen2.5-Coder-32B-Instruct. Модель построена на архитектуре Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и работы в составе программных агентов; она совместима с SWE-agent. Подходит для разработки агентов, решающих задачи в репозиториях, включая анализ и исправление кода. Доступны веса в формате safetensors, библиотека Transformers и интерфейс вызова инструментов. Лицензия — Apache-2.0.

tifilBERT-Base — турецкий энкодер предложений и экстрактор признаков, разработанный Şuayp Talha Kocabay в AI-клубе TÜBİTAK Science High School (TFLai). Это дообученная версия jhu-clsp/mmBERT-small на архитектуре ModernBERT с 140,5 млн параметров; модель предназначена прежде всего для получения семантических представлений предложений и оценки их сходства. Карточка сообщает о языковой адаптации и контрастивном выравнивании, а метаданные указывают контекст до 8192 токенов. Для обучения и оценки использовались, в частности, турецкие данные NLI и набор OPUS-100; автор приводит результаты на задачах классификации, NLI и QA. Модель рассчитана главным образом на короткие и средние турецкие тексты и может служить основой для дообучения под классификацию, распознавание сущностей и другие NLP-задачи. Контрастивное обучение усиливает семантическое сходство, но может ухудшать оценку грамматической приемлемости. README указывает практический предел около 512 токенов и предупреждает о возможных предвзятостях данных из Википедии, новостей и интернета; это расходится с контекстом 8192 токена в метаданных. Лицензия модели — MIT.

TIPS S/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. Модель сочетает визуальный энкодер ViT-S/14 на 22 млн параметров и 12-слойный текстовый трансформер на 34 млн параметров; размерность эмбеддингов — 384. Она создаёт пространственно информативные признаки изображений, согласованные с текстовыми эмбеддингами. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения и сопоставления визуальных и текстовых признаков. Штатное разрешение изображений — 448 пикселей; поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Изображения подаются в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена. Визуальная башня обучалась с двумя CLS-токенами: первый согласован с текстовой башней, второй обучался на синтетических подписях. Модель опубликована под лицензией Apache-2.0. Языковой охват в карточке не уточнён.

laion/tt-x3_kl-kl0 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Её обучали с помощью RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile; эта версия соответствует эксперименту с коэффициентом KL-потерь, равным нулю. Модель использует архитектуру Qwen3 MoE и предназначена для генерации текста в агентных сценариях, включая выполнение задач в терминале. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Заявленный язык — английский. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

laion/tt-x5_gradnorm-gn0p9 — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3-Coder-30B-A3B-Instruct. Обучение проводилось с RLOO и FSDP2 для агентных задач из набора terminal-bench exp_rpt_multifile с использованием среды terminus-2 Harbor. Модель предназначена для генерации текста в агентных сценариях, связанных с работой в терминале и обработкой нескольких файлов. Это MoE-модель семейства Qwen3 с архитектурой Qwen3MoeForCausalLM, 2,6 млрд параметров и контекстом до 262 144 токенов. Метаданные указывают английский язык и поддержку чата. Лицензия в предоставленных данных не указана.

ViRanker — дообученная модель namdp-ptit на базе BAAI/bge-m3 для переранжирования текстовых документов по запросу. Она принимает пару «запрос — фрагмент текста» и выдаёт оценку релевантности: более высокий балл означает более подходящий фрагмент; оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель основана на XLM-RoBERTa, содержит около 658,7 млн параметров и поддерживает контекст до 8194 токенов. Модель предназначена для уточнения результатов текстового поиска: сначала поисковая система находит кандидатов, затем ViRanker сортирует их по соответствию запросу. В карточке приведено сравнение на вьетнамском наборе MS MARCO Passage Reranking — Vi Dev; результаты показывают качество на этой оценке, но не гарантируют аналогичного качества на других данных. В метаданных указан вьетнамский язык. Модель распространяется по лицензии Apache-2.0.

ViT-B-16-SigLIP — модель сопоставления изображений и текста, обученная на наборе WebLI с помощью SigLIP, функции потерь для предобучения на парах изображение–текст. Исходные веса из JAX-чекпойнтов Big Vision преобразованы в PyTorch; модель можно использовать с OpenCLIP для работы с изображениями и текстом, а с timm — для получения представлений изображений. Модель предназначена для классификации изображений без дополнительного обучения: она сопоставляет изображение с текстовыми описаниями и позволяет выбирать наиболее подходящие метки. Также она подходит для получения эмбеддингов изображений в timm. В репозитории доступны веса PyTorch и Safetensors, лицензия — Apache-2.0.

ViT-B-16-SigLIP2-512 — контрастивная модель «изображение–текст» семейства SigLIP 2, обученная на наборе WebLI. Разработчики карточки преобразовали исходные контрольные точки JAX из проекта Big Vision для использования в OpenCLIP; библиотека модели — open_clip, веса доступны в форматах PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: она сопоставляет изображение с предложенными текстовыми метками и оценивает их соответствие. Это подходит для поиска изображений по описанию и категоризации с собственным набором классов. В названии указаны архитектура ViT-B-16 и разрешение 512; карточка отмечает многоязычное направление семейства SigLIP 2, но не перечисляет конкретные поддерживаемые языки. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценки качества или подробных сведений об ограничениях, поэтому надёжность на конкретных доменах и языках следует проверять на целевых данных.

Это модель CLIP с визуальным энкодером ViT-B/16, обученная на наборе LAION-400M. Её подготовили для использования в экосистемах open_clip и timm; она сопоставляет изображения и текстовые описания в общем пространстве признаков. Модель предназначена для классификации изображений по текстовым меткам без отдельного обучения на этих классах: пользователь задаёт варианты описаний, а модель оценивает их соответствие изображению. Её также можно применять для получения признаковых представлений изображений и текста в совместимом пайплайне CLIP. Размер входного изображения в названии модели — 224 пикселя; точные параметры контекста текста в доступной карточке не приведены. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Описание карточки не сообщает об ограничениях качества, языковой специализации или подробных режимах применения; результаты могут зависеть от формулировок текстовых меток и состава обучающих данных.

timm/ViT-L-16-SigLIP2-384 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Модель можно применять для категоризации изображений, поиска изображений по текстовому запросу и построения прототипов визуальной классификации. Репозиторий содержит веса PyTorch в формате safetensors; заявлена лицензия Apache-2.0. Карточка не приводит сведения о размере модели, длине контекста и конкретном перечне поддерживаемых языков, поэтому эти характеристики не уточняются. Указано обучение на WebLI и мультиязычное направление семейства SigLIP 2, но это не определяет точный список языков, доступных в этой версии.

ViT-SO400M-14-SigLIP-384 — контрастивная модель сопоставления изображений и текста семейства SigLIP, обученная на наборе WebLI. Исходные веса созданы в JAX в проекте Big Vision и преобразованы в PyTorch; разработчик конвертированной версии в репозитории — timm. Модель доступна в форматах PyTorch и safetensors и предназначена для работы через OpenCLIP с изображениями и текстом либо через timm для получения эмбеддингов изображений. Основной сценарий — классификация изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов словами, а модель оценивает соответствие изображения каждому варианту. Контрастивное обучение связывает визуальные и текстовые представления, что также позволяет использовать модель для получения эмбеддингов изображений. В карточке указана лицензия Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных источниках не указаны.

Модель dragonSwing/wav2vec2-base-vietnamese — акустическая модель распознавания вьетнамской речи на основе Wav2Vec2 с классификационной головой CTC. Разработчик дообучил dragonSwing/wav2vec2-base-pretrain-vietnamese на 100 часах размеченных аудиоданных набора VSLP. В репозитории представлены веса PyTorch и Safetensors, размер модели — 113,3 млн параметров. Модель предназначена для преобразования вьетнамской речи в текст, в том числе для расшифровки аудио и распознавания речи в приложениях. Для входной речи требуется частота дискретизации 16 кГц; в README приведён результат оценки 31,35% на вьетнамской тестовой части Common Voice. Модель выпущена по лицензии Apache-2.0.

wav2vec2-fleur-mms-batch6-epoch24-finetunning-3 — модель распознавания речи на базе архитектуры Wav2Vec2ForCTC, дообученная Nachuwu от Nachuwu/wav2vec2-fleur-mms-batch6-epoch16 на датасете audiofolder. Модель принимает аудио и преобразует речь в текст; в метаданных указано 1,3 млрд параметров. В README приведены результаты оценки: loss 1,3000 и WER 0,6017. Модель может применяться для транскрибирования аудиозаписей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

prajin/wav2vec2-large-xlsr-300m-nepali — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC, дообученная разработчиком на базе facebook/wav2vec2-xls-r-300m. Для обучения использовались корпус OpenSLR-54 и дополнительные данные. Модель предназначена для преобразования непальской речи в текст. В оценке на выделенных 10 000 примерах обучающих данных указана WER 34,26% без языковой модели и 25,02% с 5-граммовой языковой моделью. На OpenSLR-43, который не использовался при обучении, автор сообщает WER 27% и CER 8,3% с 5-граммовой языковой моделью. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или условия применения.

rifkat/wav2vec2-large-xls-r-300m-uz — модель распознавания узбекской речи, разработанная в рамках проекта GptUZ. Она предназначена для преобразования аудиозаписей на узбекском языке в текст. Архитектура — Wav2Vec2ForCTC семейства wav2vec2; модель содержит около 402,7 млн параметров и распространяется в формате PyTorch. По карточке модели, обучение проводилось на открытых и закрытых данных. Модель выпущена под лицензией Apache-2.0. Длина контекста и подробности о составе обучающих данных в предоставленных источниках не описаны.

Модель ydshieh/wav2vec2-large-xlsr-53-chinese-zh-cn-gpt — дообученная на китайской речи версия facebook/wav2vec2-large-xlsr-53. Она распознаёт речь на китайском языке с выводом упрощёнными иероглифами; при обучении использованы наборы Common Voice zh-CN и zh-TW, причём тексты zh-TW преобразованы в упрощённое письмо. Модель основана на архитектуре Wav2Vec2 с CTC-декодером и содержит 424,3 млн параметров. Модель предназначена для автоматической транскрибации китайской речи. Для входного аудио требуется частота дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. На тестовой выборке Common Voice zh-CN указана ошибка CER 20,90%. Веса доступны в формате PyTorch по лицензии Apache-2.0.