II.8Инженерия данных и аналитика

aesthetics_v2 — модель классификации изображений, дообученная robertsw на основе facebook/dinov2-large. Она использует архитектуру DINOv2 и содержит 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для классификации изображений. На указанном в карточке наборе оценки она получила accuracy 0,5581 и loss 1,6501. Названия классов и подробные сценарии применения в карточке не описаны, поэтому результаты не позволяют судить о качестве на конкретных задачах. Модель принимает изображения и выдаёт метки классов. Распространяется по лицензии Apache-2.0.

Это модель классификации последовательностей на базе ALBERT, дообученная TextAttack на датасете IMDb для определения тональности отзывов о фильмах. Она принимает текст и относит его к одному из классов тональности. Модель содержит 136,3 млн параметров, работает с контекстом до 512 токенов; при дообучении использовалась максимальная длина последовательности 128 токенов. На оценочном наборе IMDb модель достигла точности 0,89236. Её можно применять для классификации отзывов о фильмах и как отправную точку для экспериментов с анализом тональности. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных материалах отсутствуют.

ulisesbravo/autotrain-BERTimbau-DGS-0001 — модель классификации текста, обученная с помощью AutoTrain. По архитектуре это BERT-модель для классификации последовательностей с 136,1 млн параметров и контекстом до 512 токенов. В README приведены метрики на валидационной выборке: accuracy 0,736, macro-F1 0,714 и weighted-F1 0,740. Модель принимает текст и присваивает ему класс. Она дообучена на базе ulisesbravo/autotrain-p3-7h82s-lsn5g; формат весов — safetensors. Данные не уточняют набор классов, язык текстов или лицензию, поэтому область применения и условия распространения по этой карточке определить нельзя.

QCRI/bert-base-multilingual-cased-pos-english — модель QCRI на архитектуре BERT, дообученная для разметки частей речи в английском тексте. Она присваивает токенам метки частей речи и подходит для автоматического POS-теггинга предложений и корпусов. Модель содержит 205,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. В README указана оценка F1 96,69 на Penn TreeBank. Модель основана на многоязычном BERT с сохранением регистра, но её назначение — английская разметка частей речи. Для использования подходит Transformers. Лицензия CC BY-NC 3.0 допускает использование с ограничениями, включая некоммерческий характер лицензии.

Koichi Yasuoka разработал японскую модель BERT Large для разметки частей речи и синтаксического анализа зависимостей. Она дообучена на текстах японской Википедии и назначает каждому слову длинной единицы тег UPOS из набора Universal Dependencies. Модель построена на архитектуре BERT и содержит 436,2 млн параметров; максимальная длина контекста — 512 токенов. Вход — японский текст, выход — метки частей речи для токенов.

BERT_Review — языковая модель семейства BERT, созданная дообучением BERT-base-uncased на отзывах Amazon и Yelp. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и доступна в форматах PyTorch и Flax. Модель предназначена для работы с отзывами из разных коммерческих областей: она изучала тональность, аспекты товаров и услуг, а также лексику отзывов. В частности, её можно применять как основу для анализа тональности аспектов и извлечения аспектов в отзывах. Основная задача в метаданных — заполнение пропусков в тексте (fill-mask); карточка не описывает готовый интерфейс классификации или извлечения сущностей. Модель построена на BERT-base-uncased и дообучалась четыре эпохи на сочетании выборки 5-core Amazon и всех данных Yelp. В README ожидаются результаты, сопоставимые с BERT-DK на задачах предметной области и лучшие результаты на общей классификации тональности аспектов, однако численные оценки не приведены. Лицензия в предоставленных данных не указана.

ethan-ky/bge-base-financial-matryoshka — англоязычная Sentence Transformer модель, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Она кодирует предложения и абзацы в плотные эмбеддинги размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT, CLS-пулинг и нормализацию. Максимальная длина входа — 512 токенов. Matryoshka-обучение позволяет использовать укороченные префиксы эмбеддинга размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель предназначена для семантического поиска и сравнения финансовых текстов, а также может применяться для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска на наборах dim_768, dim_512, dim_256, dim_128 и dim_64, но название и подробности тестового набора не раскрыты. Доступные сведения не определяют лицензию модели, поэтому условия её использования следует сверить с карточкой Hugging Face и лицензией базовой модели.

Стандартная модель Flair для выделения английских именных и других фразовых групп в тексте. Она предсказывает типы фразовых составляющих, включая прилагательные, наречия и союзы, и предназначена для разметки последовательностей в задачах chunking. Модель построена на эмбеддингах Flair и архитектуре LSTM-CRF, обучена на CoNLL-2000; заявленный F1 на этом наборе данных — 96,48. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Модель nickmuchi/deberta-v3-base-finetuned-finance-text-classification — дообученная nickmuchi на базе microsoft/deberta-v3-base модель DeBERTa-v3 для классификации тональности финансовых новостей. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель обучалась на наборе Financial PhraseBank с разметкой 50% согласия и Kaggle-данных, содержащих финансовые новости, в том числе о COVID-19. Модель предназначена для анализа тональности новостных предложений и текстов о финансовых рынках. В README указаны точность 0,8913 и F1 0,8912 на оценочной выборке. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT.

Модель abdiharyadi/deberta-v3-large-ft-icar-a-v0.11-to — дообученная для классификации текста версия DeBERTa V3 Large. Она построена на архитектуре DeBERTa V2 и содержит около 533,8 млн параметров; модель принимает текстовые последовательности длиной до 512 токенов и выдаёт классы. Модель предназначена для задач классификации текста. В README приведены результаты оценки: accuracy 0,9149, precision 0,8989, recall 0,8870 и F1 0,8925, однако датасет и набор классов не описаны, поэтому нельзя определить конкретную предметную область или переносимость этих результатов на другие данные. Лицензия — MIT.

Distil Audio Spectrogram Transformer AudioSet — модель классификации аудио, разработанная Ananto Joyoadikusumo, David Samuel Setiawan и Wilson Wongso. Она основана на архитектуре Audio Spectrogram Transformer и получена дистилляцией модели MIT/ast-finetuned-audioset-10-10-0.4593 на наборе AudioSet. Модель предназначена для классификации звуковых записей по категориям AudioSet. Она принимает аудио и выдаёт классы; в метаданных указаны архитектура ASTForAudioClassification, форматы PyTorch и Safetensors и 56,6 млн параметров. README сообщает результаты оценки: F1 0,4876, ROC AUC 0,7140, точность 0,0714 и mAP 0,4743. Модель разработана с использованием PyTorch. Лицензия репозитория — Apache-2.0. Авторы предупреждают, что в результатах могут проявляться смещения обучающих данных.

Maryamnaeem12/distilbert-imdb-sentiment — дообученная модель DistilBERT для классификации текста. Карточка указывает на настройку distilbert-base-uncased на датасете с неизвестным составом; название репозитория предполагает анализ тональности отзывов о фильмах на IMDb, но README этого не подтверждает. Модель построена на архитектуре DistilBertForSequenceClassification, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Модель подходит для классификации текста, вероятно, для определения тональности отзывов. Языковая основа distilbert-base-uncased ориентирована на английский язык. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о метках классов, обучающем датасете или результатах оценки, поэтому качество и точный сценарий применения по карточке подтвердить нельзя.

leomaurodesenv/electra-base-discriminator-nvidia-aegis-v1 — дообученная модель на основе google/electra-base-discriminator для классификации текстов. Она построена на архитектуре ELECTRA и содержит 136,7 млн параметров; принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. В метаданных Hugging Face для неё указана задача text-classification, а README сообщает accuracy 0,8834 и loss 0,3026 на оценочном наборе. Модель может применяться для присвоения текстам классов, если набор меток и данные соответствуют задаче пользователя. Язык и назначение классификатора, а также состав меток не раскрыты, поэтому его точность для конкретных данных нельзя оценить по карточке. README указывает неизвестный обучающий набор и не приводит дополнительных сведений о применении. Базовая модель описана как англоязычный энкодер; английский язык — обоснованное предположение, но карточка не подтверждает языковой охват дообученного классификатора. Лицензия — Apache-2.0.

markt23917/finetuning-sentiment-model-3000-samples — модель классификации текста, дообученная на базе distilbert-base-uncased на наборе данных IMDb. Она предназначена для определения тональности отзывов о фильмах. На оценочной выборке указаны accuracy 0,8767 и F1 0,8825. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов. Распространяется по лицензии Apache-2.0.

imprt/izanami-wav2vec2-large — японская модель wav2vec 2.0 Large, предварительно обученная на 62 215 часах аудио японских телевизионных передач. Для подготовки аудиосигнала используется AutoFeatureExtractor из Transformers; модель предназначена для извлечения речевых признаков, которые могут служить входом для последующей обработки речи. Обучение выполнено с использованием кода официального репозитория wav2vec 2.0. Модель ориентирована на японскую речь и принимает аудио, ожидаемая частота дискретизации в примере использования — 16 кГц. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому конкретные условия использования зависят от лицензии, предоставленной автором.

ania3000/kuosbert-morph — дообученная модель семейства BERT для классификации токенов. Она создана на основе ania3000/kuosbert-from_multilingual и предназначена для разметки отдельных токенов во входном тексте. Модель содержит 205,1 млн параметров, использует формат safetensors и работает с контекстом до 512 токенов. В README приведены результаты оценки: loss 1,1742, accuracy 89,634% и точность на уровне предложений 32,1484%. Набор данных для дообучения не назван, поэтому конкретный тип разметки и языковую специализацию модели определить нельзя. Модель распространяется по лицензии Apache-2.0.

LibrAI/longformer-action-ro — дообученная LibrAI модель на базе allenai/longformer-base-4096 для классификации текста. Она использует архитектуру LongformerForSequenceClassification, содержит 151,8 млн параметров и принимает последовательности длиной до 4098 токенов. Модель подходит для классификации длинных текстов; README приводит результаты оценки: accuracy 0,964, precision 0,961, recall 0,936 и F1 0,946. В README не описаны целевые классы, обучающая выборка и предполагаемые сценарии применения, поэтому назначение меток оценить нельзя. Репозиторий распространяется по лицензии Apache-2.0.

mbert-hard-part2 — дообученная модель классификации текста на основе bert-base-multilingual-cased. Она предназначена для отнесения входного текста к классам; конкретные классы, область применения и обучающий датасет в карточке не раскрыты. Модель построена на архитектуре BERT для последовательной классификации, содержит 205,1 млн параметров и поддерживает контекст до 512 токенов. Базовая модель многоязычная, поэтому чекпойнт может подходить для классификации текстов на нескольких языках, однако языки и качество для каждого из них отдельно не описаны. В README приведены результаты оценки: F1 0,9872, точность 0,9957 и полнота 0,9789; эти показатели относятся к неуказанному набору данных и не гарантируют аналогичного качества на других текстах. Модель распространяется в формате safetensors по лицензии Apache-2.0.

whr778/mmbert-base-rams — модель извлечения информации на базе GLiNER2, дообученная автором на энкодере jhu-clsp/mmBERT-base. Она предназначена для извлечения событий из англоязычных текстов: определения типа события, нахождения триггера и выделения аргументов с их ролями. В обучающем наборе RAMS было 7 329 примеров; модель охватывает 139 типов событий и 65 ролей аргументов. На тестовой выборке модель показала F1 0,964 для определения типа события и 0,611 для извлечения триггеров. Качество извлечения аргументов значительно ниже: F1 0,050 при строгом сопоставлении и 0,213 при более мягком. Модель также описана как поддерживающая извлечение сущностей, отношений и классификацию, однако приведённые метрики относятся к извлечению событий. Лицензия указана как other, поэтому условия использования следует проверять в репозитории и у источников обучающих данных.

my_first_hf_projects — дообученная модель классификации текста на базе distilbert/distilbert-base-uncased. Она использует архитектуру DistilBERT и предназначена для классификации текстовых последовательностей. Модель опубликована в формате Safetensors и поддерживает контекст до 512 токенов. Разработчик не описал набор меток, обучающие данные, результаты оценки или более конкретные сценарии применения. Лицензия — Apache-2.0.

JoaoReiz/ner-pt-f1-v1-qwen35-0-8b-specific-paramopama-seed42 — это LoRA-адаптер для модели Qwen/Qwen3.5-0.8B, предназначенный для генеративного распознавания именованных сущностей (NER) в текстах на португальском языке. Адаптер опубликован в рамках исследовательской матрицы экспериментов ner-pt-generative-2026-f1-v1 и рассчитан на исследовательское использование, оценивание и контролируемые эксперименты в прикладных системах. Модель использует базовую генеративную архитектуру Qwen3.5 с размером 0,8 млрд параметров и дообучение методом LoRA через PEFT в режиме BF16. Канонический сценарий инференса предполагает vLLM, temperature 0 и генерацию JSON с ограничениями формата labels_and_tokens. В эксперименте на датасете paramopama достигнуты precision 0,8841, recall 0,8875 и F1 0,8858 при структурной валидности 0,9984; результаты относятся только к указанному корпусу, фиксированным разбиениям и одному seed 42. Сильной стороной адаптера является высокая структурная корректность генерируемых ответов и хорошие показатели на целевом корпусе. При этом структурно корректный результат может быть семантически ошибочным, схемы аннотаций различаются между корпусами, а возможное перекрытие текстов способно влиять на оценки. Модель не валидировалась для ответственных решений или автономного применения и требует проверки ошибок в целевом домене. Для воспроизведения рекомендуется использовать точную ревизию базовой модели и BF16-совместимое оборудование. Лицензия в README не указана; необходимо отдельно проверить лицензии адаптера и датасета.

Nori-30M — табличная модель Synthefy примерно с 29,2 млн параметров, представленная как вариант семейства Nori. Она предназначена для регрессии по структурированным данным: модель получает несколько размеченных строк в контекст и предсказывает значения для новых строк за один прямой проход, без отдельного обучения или дообучения под каждую задачу. Модель обучена исключительно на синтетических данных и распространяется в формате PyTorch через библиотеку synthefy-nori. В README приведены результаты на 96 регрессионных задачах из наборов TabArena, TALENT и OpenML; по заявлению авторов, вариант 30M превосходит базовый Nori примерно с 6 млн параметров на каждом из этих наборов. Модель рассчитана на таблицы малого и среднего размера. Плотное внимание между строками имеет сложность O(N²), поэтому практический размер контекста ограничен, а на больших таблицах модель уступает лучшим базовым решениям. Лицензия — Apache-2.0.

omega-coder-phi-3-mini-1K — языковая модель Samuelswandi, дообученная методом SFT на базе microsoft/Phi-3-mini-4k-instruct с использованием пользовательского набора данных deepmind/code_contests. Она предназначена для генерации текста и помощи с задачами программирования в диалоговом формате. Модель относится к семейству Phi-3, использует плотную архитектуру Phi3ForCausalLM, содержит 3,7 млрд параметров и рассчитана на контекст до 4096 токенов; в обучении указана максимальная длина последовательности 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков программирования; возможности решения задач кода основаны на описании обучения на code_contests и не гарантируют корректность сгенерированных решений.

giangndm/omniASR-LLM-300M-encoder — отдельная аудиоэнкодерная часть omniASR-LLM-300M, опубликованная в формате bfloat16 SafeTensors. Модель основана на архитектуре Wav2Vec2 с Conformer-подобным SSL-энкодером из 24 слоёв, 16 головами внимания и размером скрытого представления 1024; в метаданных указано около 402,7 млн параметров. Она совместима с Transformers через AutoModel, Wav2Vec2Model и AutoFeatureExtractor. Энкодер принимает аудио с частотой дискретизации 16 кГц и выдаёт векторные представления размерности 1024 с частотой 50 кадров в секунду, то есть один кадр каждые 20 мс. Модель предназначена для извлечения признаков речи, которые могут служить входом для последующих задач распознавания и анализа речи; карточка связывает её с многоязычным корпусом Omnilingual ASR. Лицензия — Apache-2.0. В репозитории опубликован именно энкодер, поэтому он сам по себе не выдаёт транскрипты и для прикладного распознавания речи потребуется декодер или другая последующая модель.

PhoBERT-Emotion — модель VisoLex для распознавания эмоций во вьетнамских текстах. Она дообучена на vinai/phobert-base с использованием корпуса VSMEC и архитектуры RoBERTa; число параметров — 162,4 млн, максимальная длина последовательности в обучении — 256 токенов, контекст модели — 258 токенов. Модель относит текст к одной из семи категорий: гнев, отвращение, удовольствие, страх, прочее, грусть и удивление. Модель предназначена для анализа эмоций в сообщениях на вьетнамском языке, в том числе в текстах из социальных сетей. Для применения используется классификация последовательности через Hugging Face Transformers. В README указано, что результаты конкурентоспособны, однако значения Accuracy и F1 Score не приведены. Лицензия — Apache-2.0.

bharatverse11/qwen3-4b-text2sql — языковая модель семейства Qwen3, подготовленная для MLX на основе Qwen/Qwen3-4B-Instruct-2507. По названию репозитория она предназначена для преобразования запросов на естественном языке в SQL, однако README подтверждает только конвертацию базовой модели и не описывает специальное обучение для Text-to-SQL. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и генерирует текст; базовая модель поддерживает диалог и контекст до 262 144 токенов. Репозиторий содержит веса Safetensors и использует библиотеку MLX. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и конвертирована в формат MLX; лицензия — Apache-2.0. Возможности работы с SQL следует считать ориентировочными по названию репозитория: карточка не приводит результатов оценки или примеров SQL.

aalekh-iitj/results — модель классификации последовательностей на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для присвоения меток текстовым последовательностям. В README приведены результаты оценки: accuracy 0,9347 и F1 0,9348 при loss 0,2080, однако типы меток и состав набора данных не описаны. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и имеет контекстное окно до 512 токенов. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Показатели оценки относятся к указанному в карточке набору и сами по себе не гарантируют качество на других данных.

Mykes/rubert_ner_SDDCS — русскоязычная модель распознавания именованных сущностей, созданная дообучением cointegrated/rubert-tiny2 на наборе Mykes/patient_queries_ner_SDDCS. Компактный BERT-энкодер содержит около 29 млн параметров и рассчитан на выделение сущностей в запросах пациентов; метаданные указывают контекст до 2048 токенов. Модель размечает симптомы, заболевания, лекарства, города, станции метро, пол, возраст и медицинские специальности. Она подходит для структурирования обращений пациентов, например для поиска подходящего специалиста по симптомам и местоположению. Карточка не приводит численных показателей качества, поэтому точность на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

Senda — датская модель на архитектуре BERT, разработанная Lars Kjeldgaard и дообученная для определения тональности и полярности текста. Она относит датские сообщения к одному из трёх классов: положительный, нейтральный или отрицательный. Модель предназначена для классификации датских текстов, в частности публикаций в Twitter. Обучение и проверка проводились на твитах с разметкой Alexandra Institute. Это модель последовательной классификации размером 137,8 млн параметров с контекстом до 512 токенов; доступны веса PyTorch и Flax. Лицензия — CC BY 4.0. Оценки качества и ограничения на других жанрах датского текста в карточке не приведены; обучение и проверка на твитах могут ограничивать переносимость на иные типы текстов.

Это модель SetFit для анализа тональности отдельных аспектов в отзывах о ресторанах. Её разработал tomaarsen на основе BAAI/bge-small-en-v1.5: корпус Sentence Transformer дообучен контрастивным обучением, а классификацию выполняет LogisticRegression. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и относит аспект к одному из четырёх классов: положительному, отрицательному, нейтральному или конфликтному. Модель предназначена для классификации тональности аспектов, уже найденных и отфильтрованных другими компонентами системы ABSA; сама она не извлекает аспекты. Обучена на англоязычных ресторанных отзывах из SemEval 2014 Task 4. В README указана точность 0,7486 на наборе метрик, но отдельный протокол оценки не описан. Распространяется по лицензии Apache-2.0.