II.8Инженерия данных и аналитика

Модель touchtech/fashion-images-pack-types-vit-large-patch16-384-v1 — дообученная Touchtech версия Vision Transformer ViT-Large с патчами 16×16 и входным разрешением 384 пикселя. Она принимает изображения и классифицирует типы упаковки в модной одежде. В карточке указаны результаты на оценочной выборке: accuracy 0,99 и loss 0,0446; модель построена на базе google/vit-large-patch16-384 и опубликована в формате safetensors для Transformers. Модель подходит для автоматической сортировки изображений упаковки в каталогах или на этапах обработки изображений товаров. Данных о поддерживаемых языках нет, поскольку входом служат изображения, а выходом — метки классов. Модель распространяется по лицензии Apache-2.0. Показатели оценки приведены без описания состава выборки и методики, поэтому их нельзя считать гарантией качества на других данных.

FiliSenti — модель классификации тональности текста, разработанная jjjardev и дообученная на базе XLM-RoBERTa-large. Она присваивает предложениям одну из трёх меток: негативная, нейтральная или позитивная. Модель предназначена прежде всего для текстов на тагальском и хилигайнонском языках, включая анализ отзывов и публикаций в социальных сетях; одна модель обрабатывает оба языка без переключения настроек. Модель обучена на 56 781 предложении из наборов TagaSenti и HiliSenti. В карточке указана точность 89,2% и macro F1 0,8915 на объединённой тестовой выборке. Доступны веса Safetensors и квантованная INT8-версия ONNX для локального запуска, в том числе на Android без постоянного подключения к интернету. Размер по метаданным — 658,7 млн параметров, максимальная длина контекста — 514 токенов. FiliSenti классифицирует тональность на уровне предложения, но не предназначена для распознавания эмоций и аспектного анализа. Качество может снижаться на сарказме, диалектах и темах, слабо представленных в обучающих данных; другие филиппинские языки не проверялись. Данные содержат неанонимизированные имена, места и описания событий. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

ania3000/glot500-base-oss-morph — дообученная модель на базе cis-lmu/glot500-base, разработанная автором репозитория ania3000. Она предназначена для классификации токенов в тексте; название репозитория указывает на морфологическую разметку, но README не уточняет набор меток и конкретные сценарии. Модель использует архитектуру XLM-RoBERTa, содержит 421,3 млн параметров и принимает текст с контекстом до 514 токенов. В README приведены результаты на оценочной выборке: accuracy 95,0787%, точность на уровне предложений 55,7798% и loss 0,3215. Базовая модель предварительно обучена на 500 и более языках, однако целевые языки этой дообученной модели не уточнены. Модель распространяется под лицензией Apache-2.0.

Это дообученная модель Google LongT5-TGlobal-Base, опубликованная пользователем jackmedda. Она предназначена для классификации текстов и построена на архитектуре LongT5ForSequenceClassification. Модель содержит 123,8 млн параметров, принимает текстовый контекст длиной до 4096 токенов и распространяется в формате safetensors под лицензией Apache-2.0. В карточке приведены результаты оценки: loss 0,5751, accuracy 0,7647, F1 0,8667, precision 0,7647 и recall 1,0. Датасет для дообучения и предметная область не описаны, поэтому переносить эти показатели на другие наборы данных нельзя. Базовая модель ориентирована на английский язык; сведения о языках и конкретном назначении этого дообучения не приведены.

Это дообученная модель Google LongT5 TGlobal Base для классификации текста, опубликованная пользователем jackmedda. Она содержит 123,8 млн параметров, использует архитектуру LongT5ForSequenceClassification и принимает текстовые последовательности длиной до 4096 токенов. В метаданных указаны библиотека Transformers и формат весов safetensors. Модель подходит для отнесения текстов к классам в задачах, где важны длинные входные последовательности. На указанном в карточке наборе оценки приведены accuracy 0,7647, F1 0,8667, precision 0,7647 и recall 1,0; назначение классов и состав обучающих данных не описаны. Модель основана на англоязычной LongT5 от Google Research, поэтому английский — основной предполагаемый язык. Лицензия — Apache-2.0. Карточка не уточняет конкретные сценарии классификации и ограничения качества за пределами приведённых метрик.

graderclassifier — модель классификации текста, созданная дообучением distilbert/distilbert-base-multilingual-cased. Она предназначена для присвоения тексту метки класса; конкретные классы и сценарий классификации в карточке не описаны. Модель построена на DistilBERT и принимает текстовые последовательности длиной до 512 токенов. Базовая модель многоязычная, однако языки, на которых проверялась именно эта классификация, не уточнены. В карточке приведены результаты оценки: loss 0,0109 и accuracy 0,9980; без описания набора данных и схемы классов эти показатели нельзя переносить на другие данные. Модель распространяется под лицензией Apache-2.0.

facebook/hubert-base-ls960 — базовая модель HuBERT, разработанная Facebook и обученная без учителя на речевых аудиозаписях с частотой дискретизации 16 кГц. Архитектура HuBERT использует маскирование участков аудиопоследовательности и предсказание кластеризованных скрытых речевых единиц, формируя представления речи. Модель содержит 113,3 млн параметров; доступны форматы PyTorch и TensorFlow. Модель извлекает признаки из речи и предназначена для использования как основа систем распознавания речи после дообучения на размеченных аудиоданных. Она не содержит токенизатора и сама по себе не преобразует аудио в текст. В карточке указаны английский язык и датасет LibriSpeech ASR; для работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache 2.0.

HuBERT Extra-Large — модель самоконтролируемого обучения речевым представлениям, разработанная Facebook AI Research. Она принимает речевой аудиосигнал с частотой дискретизации 16 кГц и извлекает из него признаки; для распознавания речи, идентификации говорящего, классификации намерений или эмоций модель нужно дообучить под соответствующую задачу. Архитектура основана на HuBERT и использует BERT-подобное предсказание скрытых акустических единиц на замаскированных участках. Модель предварительно обучена на Libri-Light; в карточке указано около 1,3 млрд параметров и доступны форматы PyTorch и TensorFlow. Лицензия — Apache-2.0. Для корректной работы входную речь нужно подавать с частотой 16 кГц; сама модель не является готовой системой распознавания или классификации без дообучения.

Модель jesusromerodev/jesusromerodev-NLP-model-jesus-romero — дообученная для классификации текста версия distilroberta-base, опубликованная пользователем jesusromerodev. Она предназначена для отнесения текстовых последовательностей к классам; конкретные классы и прикладная область в карточке не описаны. Модель построена на архитектуре RoBERTa и содержит 95,2 млн параметров. Естественный язык текстов, на которых она обучалась, не указан. Максимальная длина контекста — 514 токенов. В README приведены результаты оценки: loss 0,6336, accuracy 0,8627 и F1 0,9031. Данные об оценочном наборе и методике измерений отсутствуют, поэтому эти показатели не позволяют судить о качестве на других данных. Модель распространяется в формате safetensors по лицензии Apache-2.0.

AIAT/Kiddee-qatable1 — модель на архитектуре LLaMA, созданная на основе openthaigpt/openthaigpt-1.0.0-13b-chat и предназначенная для ответов на вопросы по таблицам. Карточка описывает её применение в системе вопросно-ответного поиска с генерацией ответов, использующей подход RAG. Модель содержит 12,9 млрд параметров, работает с текстом и поддерживает тайский и английский языки. Указанная длина контекста — 4096 токенов. В карточке приведены метрики: accuracy 0,53 и время ответа 2,440; условия измерения не описаны. Репозиторий содержит веса Safetensors, библиотека метаданных — Transformers. Лицензия — Apache-2.0.

MachineLearningLM-7B-v1 — языковая модель MachineLearningLM, разработанная для масштабного обучения в контексте на табличных задачах машинного обучения. Модель дообучена на базе Qwen/Qwen2.5-7B-Instruct с продолженным предобучением на миллионах синтетических табличных ML-задач. Она принимает текстовые запросы и примеры строк таблицы, а затем генерирует текстовый ответ, в том числе предсказание класса или численного значения. Модель рассчитана на сценарии, где нужно передать ей множество размеченных примеров прямо в запросе: по описанию признаков и примерам она может решать задачу классификации или регрессии для новых строк. В карточке заявлено масштабирование от 8 до 1 024 примеров в контексте и улучшение результатов на невиданных табличных задачах относительно ряда языковых моделей; это утверждения авторов, а не гарантия качества для конкретных данных. Архитектура — плотная Qwen2, около 7,1 млрд параметров, контекст — 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

dima806/man_woman_face_image_detection — модель классификации изображений на базе Vision Transformer (ViT), дообученная на google/vit-base-patch16-224-in21k. Она определяет, к какому из двух классов относится лицо на изображении: man или woman. Модель предназначена для автоматической классификации лиц на изображениях. В README приведён отчёт с точностью 98,71% на выборке из 102 124 примеров, поровну распределённых между двумя классами. Модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

MERaLiON-SpeechEncoder-2 — мультиязычный аудиоэнкодер речи, разработанный I2R, A*STAR. Модель предобучена с нуля на 1,4 млн часов неразмеченного аудио с особым акцентом на языки и акценты Юго-Восточной Азии; архитектура основана на BEST-RQ. В метаданных указано 402,7 млн параметров, библиотека Transformers и формат safetensors. Энкодер преобразует речевой сигнал в акустические представления для дообучения под распознавание речи, перевод речи, определение говорящего и языка, а также распознавание эмоций. На вход подаются 80-мерные мел-спектрограммы, рассчитанные для аудио с частотой 16 кГц. Поддерживаются английский, китайский, малайский, тамильский, тайский, индонезийский и вьетнамский языки, включая переключение между ними в речи. Авторы сообщают о конкурентных результатах на SUPERB и в многоязычных системах распознавания речи. Для практических задач модель обычно требуется дообучить на целевом наборе данных; сама она выдаёт речевые признаки, а не готовую транскрипцию. Распространяется по MERaLiON Public License; подробные условия следует сверять с текстом лицензии в репозитории.

Mermaid-Yi-9B — языковая модель Troy Andrew Schultz для генерации представлений графов знаний. Модель построена на архитектуре Llama и содержит 8,6 млрд параметров; она принимает текст и генерирует текст. Для обучения автор использовал 17 тысяч синтетических примеров, полученных с помощью Mermaid Mistral 7B, а исходный набор из 500 примеров применялся для оценки. В README сообщается об одном цикле обучения и значении eval loss около 0,3. Модель предназначена для преобразования текстовых данных в графы знаний и для экспериментов с синтетическими обучающими данными. Указанное максимальное контекстное окно — 4096 токенов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. README заявляет о готовности к практическому применению, однако не приводит независимых оценок качества или подробностей о форматах генерируемых графов.

cbrew475/mpnet-metric — модель классификации текста на основе архитектуры MPNet, размещённая пользователем cbrew475 на Hugging Face. Карточка репозитория не описывает целевую метрику или сценарий обучения; подтверждены задача text-classification, архитектура MPNet и размер 136,7 млн параметров. Модель принимает текст и предназначена для классификации текстовых последовательностей. Для неё указаны контекст до 514 токенов и формат PyTorch. Языки, точная область применения и лицензия в доступных сведениях не подтверждены.

Alamin2230/muril-base-part1 — дообученная модель классификации последовательностей на архитектуре BERT, созданная на основе google/muril-base-cased. В карточке не раскрыто, на каком наборе данных и для какой конкретной категории классификации её обучали. Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для задачи text-classification. Базовая MuRIL разработана Google для NLP-задач на 17 индийских языках и их транслитерациях; пригодность именно этой версии для этих языков и конкретных сценариев карточка не уточняет. В README приведены результаты оценки: F1, precision и recall 0,9836, loss 0,0166, FPR 0,0175 и FNR 0,0164, однако без описания датасета и методики их сложно интерпретировать. Модель опубликована в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Применение следует проверять на целевых данных, поскольку область классификации и обучающий набор не описаны.

navsad/navid_test_bert — модель классификации последовательностей на архитектуре BERT, разработанная путём дообучения bert-base-cased на датасете GLUE. Она предназначена для задач классификации текста. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов, формат PyTorch и лицензия Apache-2.0. На оценочном наборе для модели указаны loss 0,8149 и коэффициент корреляции Мэттьюса 0,5834. Карточка не описывает конкретные сценарии использования и ограничения, поэтому результаты на этих метриках не позволяют судить о качестве для отдельных задач. README называет bert-base-cased базовой моделью, но не уточняет конкретную конфигурацию датасета GLUE или процедуру обучения.

NousCoder-14B — языковая модель для генерации кода и решения задач по программированию, разработанная на базе Qwen3-14B. Авторы дообучили её с помощью обучения с подкреплением на 24 тысячах задач с проверяемыми решениями. Это плотная авторегрессионная модель с 14 млрд параметров; для хранения используются файлы Safetensors, а контекст составляет до 81 920 токенов. Модель предназначена для задач соревновательного программирования: она генерирует код и помогает решать алгоритмические задачи в диалоговом режиме. В README указана точность Pass@1 67,87% на LiveCodeBench v6, что на 7,08 процентного пункта выше результата базовой Qwen3-14B на этом тесте. Поддерживается интерфейс вызова инструментов. Лицензия — Apache-2.0.

OlmoEarth-v1_2-Nano — компактная модель ViT-Nano с 1,7 млн параметров, разработанная Allen Institute for AI (Ai2) для анализа данных дистанционного зондирования. Она извлекает признаки из снимков и временных рядов изображений Sentinel-1, Sentinel-2 и Landsat; полученные эмбеддинги можно использовать в последующих задачах, например для сегментации и тонкой настройки под прикладные сценарии.

Это визуальный энкодер на базе Qwen3.8-Flash-Next, подготовленный как модель извлечения признаков изображений для библиотеки timm. Веса зрения перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации не входят в чекпойнт. Архитектура включает ViT-бэкбон шириной 1152, пространственный merger и проекцию до 2560 измерений; всего 448 млн параметров. Модель принимает RGB-изображения, поддерживает прямоугольные размеры, интерполирует абсолютные позиционные эмбеддинги и пересчитывает 2D RoPE для каждого размера. Примерный размер изображения — 768 × 768; размеры сторон должны делиться на 16, а для вариантов с merger 2×2 — на 32. На выходе доступны токены признаков и пулингованные эмбеддинги изображения. Модель предназначена для получения визуальных признаков и как основа для последующего дообучения классификатора на целевом наборе данных. Для нормализации RGB используется среднее и стандартное отклонение 0,5 по каждому каналу. Указана лицензия Qwen Community License 1.0; перед использованием следует учитывать её условия. Чекпойнт не содержит языковой модели или готовой обученной головы классификации.

Tommert25/robbert0410_lrate7.5b32 — дообученная модель для классификации токенов, созданная на основе нидерландской RobBERT-v2 Dutch Base с архитектурой RoBERTa. Модель содержит 144 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Она предназначена для задач разметки отдельных токенов в тексте. В README приведены результаты оценки: loss 0,4559, precision 0,8283, recall 0,8004, F-мера 0,8131 и accuracy 0,9159. Датасет и конкретный тип разметки не описаны, поэтому результаты не позволяют установить, для каких именно классов или сценариев модель обучалась. Лицензия — MIT.

Muhammad Khubaib Ahmad разработал эту модель для классификации тональности текста на Roman Urdu — урду, записанном латиницей. Она дообучена на базе FacebookAI/xlm-roberta-base и относит текст к одному из трёх классов: положительный, отрицательный или нейтральный. Модель рассчитана на сообщения и публикации из WhatsApp, YouTube, Twitter и других социальных платформ, включая разговорную лексику и смешение урду с английским. Модель использует архитектуру XLM-RoBERTa Base с 12 слоями и скрытым размером 768; объём — около 305,2 млн параметров, контекст — до 514 токенов. В README указаны точность около 84–85% и Macro F1 около 83–84% на отложенной выборке. Лицензия — MIT. Модель может быть полезна для анализа общественного мнения и предварительной модерации контента, но не является специализированным детектором токсичности. Она может ошибаться на сарказме, редком или новом сленге, сильно нестандартном тексте и сообщениях с интенсивным смешением языков; для критичных применений рекомендуется проверять предсказания.

Модель firdhokk/speech-emotion-recognition-with-openai-whisper-large-v3 разработана на основе Whisper large-v3 от OpenAI и дообучена для классификации эмоций в аудиозаписях. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров, предназначенная для распознавания эмоциональной окраски речи. Модель принимает аудио и относит запись к одной из семи категорий: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Для подготовки аудио README описывает загрузку через Librosa и обработку Whisper Feature Extractor. В обучении использовались датасеты RAVDESS, SAVEE, TESS и URDU; спокойная эмоция была исключена из обучения из-за малого числа примеров. В README приведены метрики оценки, включая точность 0,9199, однако результаты на других данных и переносимость между языками и условиями записи не описаны. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Модель подходит для экспериментов и приложений, которым требуется классифицировать эмоции по речи; её оценки не следует считать надёжным измерением эмоционального состояния человека.

stanfordnlp/stanza-eu — модель Stanza для баскского языка (eu), разработанная Stanford NLP. Она предназначена для лингвистического анализа текста: Stanza предоставляет инструменты от обработки исходного текста до синтаксического анализа и распознавания сущностей. В метаданных Hugging Face основная задача указана как классификация токенов; модель распространяется в формате PyTorch. Модель подходит для анализа баскских текстов и извлечения сущностей. Лицензия Apache-2.0 разрешает использование на её условиях. Размер модели и длина контекста в предоставленных сведениях не указаны.

stanfordnlp/stanza-it — итальянская модель из набора Stanza, разработанного группой Stanford NLP. Она предназначена для лингвистического анализа итальянского текста в составе инструментов Stanza, которые обрабатывают текст от токенизации до синтаксического анализа и распознавания сущностей. В метаданных указаны задача классификации токенов, библиотека Stanza и формат PyTorch; карточка описывает набор моделей Stanza как точный и эффективный инструмент для анализа естественного языка. Модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о размере модели и длине контекста. Конкретные метрики качества и ограничения для итальянской модели не описаны.

Tabby-Prompt — пакет из 25 обученных prompt-тензоров для замороженной модели Tabby-Pretrain. Согласно карточке модели, промпт содержит 160 токенов, использует сегментированное контекстно-зависимое кондиционирование и выбран на 14-й эпохе при значении val_loss 2,0484. Репозиторий предназначен для совместного использования с базовой моделью Tabby-Pretrain при прогнозировании временных рядов. Модель распространяется в формате PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Метаданные указывают задачу прогнозирования временных рядов и библиотеку PyTorch. Сведения о размере контекста в токенах входных данных, поддерживаемых естественных языках и архитектуре базовой модели не приведены, поэтому их нельзя определить по доступной карточке. Для работы пакету требуется замороженный бэкбон Tabby-Pretrain.

google/tapas-base-masklm — базовая модель семейства TAPAS от Google для задачи восстановления замаскированных токенов. Это плотная модель на 136,7 млн параметров с архитектурой TapasForMaskedLM и контекстом до 1024 токенов. Она рассчитана на работу с табличными данными и текстом, связанным с таблицами; модель можно применять для восстановления пропусков в текстовом представлении таблиц и как основу для последующей адаптации к табличным задачам. В метаданных указаны форматы PyTorch, Safetensors и TensorFlow. Карточка связывает модель с вариантом tapas_masklm_base_reset из исходного репозитория. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

google/tapas-small-masklm — компактная модель семейства TAPAS от Google для восстановления замаскированных токенов в табличном тексте. Она соответствует варианту tapas_masklm_small_reset из исходного репозитория и предназначена для задач предобучения и обработки представлений таблиц с помощью языкового моделирования. Модель содержит 32,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

Twitter Sentiment PL (base) — польскоязычная модель анализа тональности от bards.ai. Это дообученный на классификацию последовательностей трансформер-энкодер BERT, основанный на allegro/herbert-base-cased; модель содержит 151,6 млн параметров и обрабатывает контекст до 514 токенов. Она относит короткие тексты в стиле твитов к одному из трёх классов: положительному, отрицательному или нейтральному. Модель предназначена для определения тональности польских твитов, комментариев и коротких публикаций, а также для прототипирования и исследований в NLP. Обучение проводилось на машинном переводе набора TweetEval. На тестовой выборке переведённого TweetEval указана macro-F1 0,658. Переводные артефакты могут снижать качество на идиоматическом польском; результаты для длинных текстов, официального языка и других доменов не гарантированы. В README также отмечены возможные смещения данных и нежелательность использования предсказаний как единственного основания для высокорисковых решений. Лицензия — CC BY 4.0.

Модель tiantiaf/voxlect-spanish-dialect-whisper-large-v3 разработана Тяньтянь Фэн и предназначена для классификации испанских речевых диалектов. Она дообучена на базе openai/whisper-large-v3 и принимает аудио, а на выходе определяет один из шести региональных вариантов: Andino-Pacífico, Caribe and Central, Chileno, Mexican, Penisular или Rioplatense. В метаданных указан датасет Mozilla Common Voice 11.0 и формат safetensors. Модель подходит для анализа региональных различий в испанской речи и экспериментов с классификацией диалектов. README исключает клиническое применение, наблюдение и использование с нарушением приватности; также запрещено коммерческое использование. Лицензия указана как OpenRAIL.