II.8Инженерия данных и аналитика

Это экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный командой agurung методом GRPO в OpenRLHF непосредственно от Qwen/Qwen3-4B-Instruct-2507, без промежуточного SFT. Он предназначен для генерации кода и решения задач программирования: обучение проводилось на задачах, которые базовая модель решала редко, а награда зависела от прохождения тестов сгенерированной программой. Чекпойнт сохранён на шаге 72; автор отмечает его как лучший в этом запуске по pass@8, но метрики оценки в журнале обучения отсутствуют. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и предназначен для загрузки через Transformers. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя. Это ранний исследовательский чекпойнт конкретного запуска, а не подтверждённая универсальная модель для программирования. Результаты ограничены описанным набором задач и схемой оценки; данные о качестве на других языках программирования и типах задач не приведены.

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение напрямую начато с базовой instruct-модели без отдельного этапа SFT; сохранён шаг 48 из двух эпизодов. Архитектура — плотная причинная языковая модель Qwen3 примерно на 3,7 млрд параметров, с контекстом до 262 144 токенов. Модель предназначена прежде всего для генерации кода и решения задач программирования: обучение и проверка ориентированы на сложные задачи, где исходная модель редко проходила тесты, а вознаграждение зависело от корректности программы. В этом запуске чекпойнт показал лучший результат по pass@8, однако численные метрики в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Это ранний экспериментальный RL-чекпойнт, поэтому результаты могут быть нестабильны и не подтверждают качество на задачах за пределами описанного набора. Лицензия в предоставленных данных не указана.

Экспериментальный чекпойнт языковой модели Qwen3-4B, разработанный автором репозитория agurung и полученный обучением с подкреплением OpenRLHF с алгоритмом GRPO на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для генерации программ, решающих задачи с проверкой корректности по тестам. Обучение напрямую применялось к базовой модели без SFT-затравки; сигнал вознаграждения был бинарным: программа получает награду за прохождение тестов. Чекпойнт сохранён на шаге 64 и показал лучшие в данном экспериментальном запуске результаты pass@8. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса safetensors и рассчитан на загрузку через Transformers. Проверка проводилась на наборе задач по программированию cobalt-train; приведённые метрики относятся к конкретной отложенной выборке и настройке оценки, поэтому не гарантируют аналогичных результатов на других задачах. Лицензия в предоставленных данных не указана.

CogVLM2-Llama3-Caption — модель для создания текстовых описаний видео, разработанная командой Zhipu AI. Она преобразует видеоданные в подписи и описания, которые можно использовать как обучающие данные для текстово-видеовой модели CogVideoX. Модель построена на архитектуре CogVLMVideoForCausalLM и дообучена на базе meta-llama/Meta-Llama-3.1-8B-Instruct; содержит 8,3 млрд параметров и рассчитана на контекст до 2048 токенов. Для запуска предусмотрена библиотека Transformers, веса доступны в формате safetensors. Основной сценарий — автоматическое описание видео для подготовки обучающих наборов данных. В метаданных указан английский язык. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели и у правообладателей базовой модели.

Deita Complexity Scorer — модель проекта Deita для автоматической оценки сложности инструкций в данных для supervised fine-tuning языковых моделей. Она дообучена на базе Llama-1-13b-hf и предназначена для автоматической разметки инструкций при отборе обучающих данных. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и принимает текст; указанное окно контекста — 2048 токенов. Основной язык — английский. Результат оценки предназначен для подготовки и фильтрации наборов инструкций, используемых при настройке LLM. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает модель как инструмент оценки сложности инструкций, а не как универсального разговорного помощника.

Модель leomaurodesenv/electra-base-discriminator-nvidia-aegis-v2 — дообученный англоязычный энкодер ELECTRA для классификации текста, основанный на google/electra-base-discriminator. Она предназначена для отнесения текстовых последовательностей к классам; README приводит результаты оценки: accuracy 0,8586 и loss 0,3413. Модель содержит 136,7 млн параметров, использует архитектуру ElectraForSequenceClassification и принимает последовательности длиной до 512 токенов. Веса представлены в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данные обучения и назначение классов в карточке не раскрыты, поэтому показатели не позволяют судить о качестве на конкретной задаче или домене. Перед практическим применением следует проверить модель на целевых данных.

Это дообученный классификатор на базе RoBERTa-large, разработанный Quim Motger для многометочной классификации эмоций в предложениях из англоязычных отзывов о мобильных приложениях. Модель размечает предложения по восьми эмоциям Плутчика — радость, доверие, страх, удивление, грусть, отвращение, гнев и предвкушение — и метке Neutral; для одного предложения может быть выбрано несколько меток. Модель содержит 454,1 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт оценки классов. Обучение использовало BCE-потери с повышенным весом редких положительных классов и синтетические отзывы, созданные языковой моделью, чтобы улучшить распознавание гнева, страха и удивления. В 10-кратной перекрёстной проверке на размеченных людьми данных достигнута macro-F1 0,591 ± 0,054; это оценка рецепта обучения, а не гарантированный результат данного чекпойнта, который переобучен на полном обучающем наборе. Для сопоставимой разметки следует применять правило порога 0,5, выбирать наиболее вероятную метку при отсутствии превышений и ограничивать число меток тремя. Лицензия — MIT.

lanesket/finetuned-r-codebert-mlm — модель разработчика lanesket на базе Microsoft CodeBERT с архитектурой RoBERTa и задачей masked language modeling. Она предназначена для восстановления замаскированных токенов, в частности в исходном коде на R, что позволяет предсказывать пропущенные фрагменты и использовать контекст кода при анализе или подготовке программ.

minoosh/finetuned_roberta-base-uncased — дообученная модель классификации последовательностей на базе xlm-roberta-base, опубликованная автором minoosh. Она предназначена для отнесения текста к классам; конкретные метки и прикладная область в карточке не раскрыты. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Доступны веса PyTorch, лицензия MIT. На указанном в карточке наборе оценки модель достигла accuracy 0,6519 и loss 1,4799. Датасет обозначен как None, поэтому по карточке нельзя определить предметную область, языки обучения или то, насколько эти результаты переносятся на другие данные.

nisuga/food_type_classification_model — модель классификации текста на базе DistilBERT, дообученная для отнесения пищевого продукта к одной из двух категорий: растительного или животного происхождения. Она принимает название продукта или список ингредиентов и выдаёт метку PLANT_BASED либо ANIMAL_BASED. Модель обучена на данных USDA FoodData Central; в карточке указана точность 0,9940 на оценочной выборке. Модель предназначена для автоматической маркировки продуктов по их названию или составу. Контекстное окно составляет 512 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Базовая модель — distilbert/distilbert-base-uncased.

Ibrahim Amin разработал дообученную модель на базе facebook/hubert-base-ls960 для классификации арабской речи по диалектам. Она принимает сырое аудио и относит его к одному из 18 классов: литературному арабскому (MSA) или одному из 17 региональных диалектов. Модель на архитектуре HuBERT содержит 113,3 млн параметров и использует библиотеку Transformers. Модель предназначена для определения диалекта, лингвистических исследований и систем обработки речи с учётом диалектных особенностей. Для обучения использованы корпус QASR для MSA и набор ADI17 для региональных разновидностей арабского. Распространяется по лицензии Apache-2.0.

Instruction Synthesizer — языковая модель, представленная авторами исследования Instruction Pre-Training: Language Models are Supervised Multitask Learners. Это контекстный синтезатор инструкций: по фрагменту исходного текста он генерирует пары «инструкция — ответ», чтобы расширять корпуса для предварительного обучения и дообучения. Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории веса в формате safetensors. Модель предназначена для создания обучающих примеров по разным типам задач и преобразования больших текстовых корпусов в наборы с инструкциями. В работе авторы сообщают о синтезе сотен миллионов пар более чем для 40 категорий задач. Карточка описывает текстовый сценарий; мультимодальная версия упоминается отдельно. Модель поддерживает английский язык. Лицензия — Apache-2.0.

Liberalismcontinuous — дообученная модель ajrayman на базе microsoft/deberta-v3-base для классификации текстов. По метрикам RMSE, MAE и корреляции в карточке видно, что выход модели оценивают как непрерывную величину, хотя задача в метаданных обозначена как text-classification. Модель может применяться для автоматической оценки текстов по соответствующей шкале; описание не уточняет, что именно измеряет эта шкала и на каких данных обучалась модель. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. В карточке приведены результаты оценки: loss 0,0601, RMSE 0,2451, MAE 0,1945 и корреляция 0,3223.

Llama-3.2-3B-Instruct-Spatial-SQL-1.0 — узкоспециализированная текстовая модель Марка Родриго, созданная лёгким дообучением QLoRA/SFT на базе Meta Llama 3.2 3B Instruct. Она преобразует вопросы на английском языке и переданный вместе с ними список координат в пространственные SQL-запросы для PostGIS. Версия 1.0 предназначена для четырёх географических функций; среди описанных в карточке примеров — вычисление площади полигона, его центроида и построение буфера вокруг точки. Модель принимает текст, включая координаты, и выдаёт SQL. Входные и выходные геоданные могут задаваться в метрах или географических координатах WGS 84. В метаданных указаны 3,2 млрд параметров, контекст до 131 072 токенов и формат safetensors. Поддерживается английский язык; для других языков автор рекомендует модели семейства размером 8B. Лицензия — Llama 3.2. Карточка сообщает, что оценочных данных недостаточно, поэтому качество и надёжность запросов требуют проверки перед выполнением в рабочей базе данных.

Salesforce/moirai-moe-1.0-R-small — компактная предварительно обученная модель семейства Moirai для прогнозирования временных рядов, опубликованная Salesforce. Веса представлены в формате safetensors и содержат 12,4 млн параметров. Модель предназначена для построения прогнозов по историческим значениям временных рядов. Её можно рассматривать для исследовательских и прикладных сценариев прогнозирования, предварительно проверив качество на целевых данных и условиях эксплуатации. В карточке указано, что выпуск поддерживает академическую статью и предназначен для исследований; модель и связанные данные не оценивались для всех сценариев применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Davlan/mT5_base_yoruba_adr — модель восстановления диакритических знаков и тоновых отметок в текстах на языке йоруба. Она основана на mT5-base и дообучена для автоматического восстановления диакритики на корпусах JW300 Yorùbá и Menyo-20k. Архитектура — encoder-decoder mT5 с 291,2 млн параметров; модель принимает текст и выдаёт текст с восстановленными знаками. Модель предназначена для нормализации текстов на йоруба, например при подготовке публикаций и обработке корпуса без тоновых отметок. В README указаны BLEU 64,63 на тестовой части Global Voices и 70,27 на Menyo-20k. Качество может снижаться на текстах из других областей и за пределами распределения обучающих данных. Формат весов — PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

MyAwesomeModel — модель из репозитория SOTAagi2030/MyAwesomeModel-TestRepo, распространяемая через Hugging Face и предназначенная по метаданным для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и реализуется на PyTorch; в тегах также указана BERT-совместимая архитектурная принадлежность. В README модель описывается как обновлённая система с улучшенными рассуждениями, математическими и логическими задачами, программированием, ответами на вопросы, классификацией, суммаризацией, диалогами, переводом и вызовом функций. Однако эти возможности не согласуются напрямую с основной меткой feature-extraction и не сопровождаются достаточным описанием архитектуры, размера, контекстного окна или языковой поддержки. Документация также упоминает уменьшение галлюцинаций и рекомендации по системному промпту и температуре 0,6. Модель доступна по лицензии MIT. Для каталогизации её следует прежде всего рассматривать как Transformers-модель для получения текстовых представлений, а заявленные генеративные и рассуждательные возможности подтверждать дополнительным тестированием.

NeoMME-260M — мультиязычный мультимодальный энкодер компании Hcompany, предварительно обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного визуального энкодера и без авторегрессионной языковой модели. Модель содержит 366 млн параметров, использует библиотеку Transformers и поддерживает контекст до 16 384 токенов. Энкодер формирует контекстные представления токенов и предназначен как основа для последующей настройки под поиск, классификацию, извлечение информации и другие задачи. Он предварительно обучен на мультиязычных текстовых и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Для поиска по документам авторы рекомендуют отдельную модель NeoMME-260M-Retriever. Модель не решает прикладные задачи самостоятельно: для них требуется дообучить задачно-ориентированную голову. Полноценная оценка безопасности, смещений и приватности не проводилась. Лицензия — Apache-2.0.

omniASR-W2V-300M — преобразованная в формат Hugging Face базовая самоконтролируемая аудиоэнкодерная модель Wav2Vec2, созданная автором репозитория на основе контрольной точки OmniLingual fairseq2 omniASR_W2V_300M. Модель содержит около 402,7 млн параметров; в README указаны 24 слоя энкодера и размер скрытого состояния 1024. Это энкодер без CTC-головы, предназначенный для извлечения признаков речи, анализа представлений и дообучения для последующих речевых задач. Модель принимает аудио и возвращает последовательности векторных представлений. Автор сообщает, что численные выходы преобразованной версии совпали с исходной контрольной точкой на проверочном аудиофрагменте с точностью atol=1e-4. Карточка не указывает языковой охват, контекст или лицензию; поэтому область применения и условия использования следует сверить с исходной моделью OmniLingual перед внедрением.

PyThagorean-Tiny — компактная текстовая авторегрессионная модель PrithivMLmods на архитектуре LLaMA, дообученная на базе meta-llama/Llama-3.2-1B-Instruct. Она содержит около 1,2 млрд параметров, использует dense-архитектуру LlamaForCausalLM и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель ориентирована на решение задач по математике с помощью Python, генерацию кода для вычислений, пошаговые объяснения и учебные материалы. Также она поддерживает диалог на английском и, по README, многоязычные сценарии, включая поиск и суммаризацию математических сведений. Карточка описывает обучение на 1,5 млн примеров и применение SFT и RLHF; метаданные указывают датасет prithivMLmods/PyThagoreans-Merged. Модель может ошибаться в сложных многошаговых и специализированных задачах, неоднозначно понимать запросы и генерировать код, зависящий от неустановленных Python-библиотек. Для корректной работы с кодом требуется проверка результатов. Лицензия — llama3.2; применяются условия лицензии Llama 3.2.

Экспериментальная инструкционная языковая модель для генерации программного кода, опубликованная пользователем 0xgr3y под идентификатором агента tall_tame_panther. Она основана на Qwen2.5-Coder-0.5B-Instruct и дообучается в распределённой среде Gensyn RL-Swarm с использованием GRPO (Group Relative Policy Optimization). Модель предназначена для решения задач программирования, генерации кода и диалогового взаимодействия с учётом шаблона чата Qwen2.5. Обучение ориентировано преимущественно на задачи из MBPP и CodeContests, с адаптивным взвешиванием данных и системой оценивания, учитывающей корректность, структуру, документацию и приблизительную алгоритмическую эффективность кода. Заявлены поддержка английского языка и Python, а также форматов GGUF с вариантами квантования F16, Q3_K_M, Q4_K_M, Q5_K_M и Q6_K. Модель совместима с llama.cpp и TGI, использует точность BF16 на этапе обучения; размер контекста в README не указан. К сильным сторонам относятся небольшой размер, возможность локального запуска и специализация на программировании. Ограничениями являются экспериментальный статус, малый размер 0,5 млрд параметров, отсутствие подробных независимых бенчмарков и постоянно меняющиеся веса: обучение заявлено как непрерывное, а обновления модели и GGUF-файлов выполняются автоматически. Условия использования обозначены лицензией MIT.

Qwen-3.5-4B-Spatial-SQL-1.1 — экспериментальная модель Марка Родриго, слегка дообученная методом QLoRA и supervised fine-tuning на базе Qwen/Qwen3.5-4B. Она преобразует вопросы на английском языке вместе с координатами или геометрическими данными в пространственные SQL-запросы для PostGIS. В версии 1.1 заявлена работа с географическими функциями, включая вычисление площади, центра геометрии, буфера и расстояния. Модель принимает текстовый запрос и координатные данные, например список координат из картографического приложения, и генерирует текст SQL. В README указана работа с метрами и географическими координатами WGS 84. По метаданным, модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 для causal language modeling и имеет контекст длиной 262144 токена. Доступны веса в формате safetensors; лицензия — Apache-2.0. Модель предназначена для прототипирования преобразования естественного языка в пространственный SQL. README называет её экспериментальной и отмечает узкую специализацию; также указано, что дополнительная оценка модели необходима. Для практического применения следует проверять корректность сгенерированных запросов и их соответствие схеме данных и системе координат.

Daniyal Tariq дообучил XLM-RoBERTa для бинарной классификации тональности текстов на романизированном урду, в частности публикаций в социальных сетях. Модель построена на xlm-roberta-base и использует архитектуру XLM-RoBERTa для классификации последовательностей; размер составляет около 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для определения положительной или отрицательной тональности сообщений на Roman Urdu, например для анализа отзывов и публикаций в соцсетях. В README указаны точность 82% и Macro F1 0,82 на тесте. Модель создана в рамках магистерской диссертации по искусственному интеллекту и науке о данных в University of Hull в 2025 году. Лицензия — MIT.

Модель Hamitcangultekin/sifirdan-turkce-duygu-analizi — дообученная версия турецкого BERTurk dbmdz/bert-base-turkish-cased для классификации текста. По названию она предназначена для анализа тональности на турецком языке, однако карточка не раскрывает набор классов, обучающие данные и подробности оценки. Модель содержит 137,8 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Распространяется в формате safetensors по лицензии MIT.

stanfordnlp/stanza-bg — модель Stanza для лингвистического анализа болгарского языка, подготовленная Stanford NLP. Набор инструментов Stanza анализирует текст от базовой обработки до синтаксического разбора и распознавания именованных сущностей; в Hugging Face модель классифицирована как token-classification и распространяется в формате PyTorch. Модель предназначена для языкового анализа болгарского текста в NLP-процессах. Лицензия — Apache-2.0. Данных о размере модели и длине контекста в доступных источниках нет.

stanfordnlp/stanza-th — модель обработки тайского языка из набора Stanza, разработанного группой Stanford NLP. Stanza предоставляет инструменты для лингвистического анализа текста: от исходного текста до синтаксического разбора и распознавания сущностей. В Hugging Face модель помечена задачей token-classification и предназначена для соответствующего анализа последовательностей токенов. Модель подходит для лингвистической разметки тайского текста и может использоваться в конвейерах NLP на базе библиотеки Stanza. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

TitanBrain-TestRepo-r25 — репозиторий модели на базе BERT, представленный в формате PyTorch и предназначенный для извлечения признаков из текста. README описывает TitanBrain как разговорного помощника с улучшенными рассуждениями, генерацией ответов и вызовом функций, однако метаданные этого репозитория указывают на задачу feature-extraction и архитектуру BertModel. Карточка сообщает об оценке рассуждений, в том числе о результате 87,5% на AIME 2025 для обновлённой версии TitanBrain, и рекомендует температуру 0,6 для взаимодействия с ней. Эти заявления относятся к описанной в README версии TitanBrain; карточка не подтверждает, что именно они характеризуют данный BERT-репозиторий. Для репозитория указана лицензия MIT.

YoliGuadir/xlmroberta-sarcasmo — модель XLM-RoBERTa-large, дообученная для классификации испанских текстов на классы «сарказм» и «не сарказм». Она предназначена для определения сарказма в коротких сообщениях и фразах; карточка приводит пример использования через библиотеку Transformers. Модель содержит 658,7 млн параметров, принимает текст и имеет контекст до 514 токенов. В README сообщается о лучшем результате F1-macro 0,931 для опубликованной конфигурации с batch size 8. Модель обучали шесть эпох на Sarcastic_spanish_dataset. Доступный формат весов — safetensors. Лицензия в предоставленных данных не указана.

PauAnd29/xlm-roberta-sarcasmo-bs32-ep10 — дообученная модель классификации текста на базе XLM-RoBERTa Large, предназначенная для выявления сарказма. Модель использует архитектуру XLMRobertaForSequenceClassification, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9346, macro F1 0,9318 и weighted F1 0,9348. Датасет и языки обучающих и оценочных данных не описаны, поэтому результаты не позволяют определить качество на конкретном языке или в отдельной предметной области. Модель распространяется по лицензии MIT.

Англоязычный классификатор тональности комментариев YouTube, разработанный Rishiraj Gupta. Модель основана на CardiffNLP Twitter-RoBERTa-base-sentiment-latest и дообучена на наборе более чем из миллиона размеченных комментариев YouTube. Архитектура RoBERTa для классификации последовательностей содержит 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель относит комментарии к отрицательной, нейтральной или положительной тональности. Она предназначена для анализа комментариев, мониторинга реакции аудитории, аналитики авторов и отслеживания тональности упоминаний бренда. В README сообщается о точности 88% на специально собранном внешнем бенчмарке и 77,43% на отложенной тестовой выборке; результаты зависят от данных и не гарантируют такую же точность в других условиях. Лицензия — MIT. Классификатор может ошибаться при сарказме, иронии, неоднозначных шутках и без контекста других комментариев. Разработчик также не рекомендует использовать его для медицинских, юридических или финансовых решений и в высокорисковых автоматизированных системах.