II.8Инженерия данных и аналитика

mrm8488/mobilebert-finetuned-pos — модель MobileBERT, дообученная разработчиком mrm8488 для разметки частей речи в английском тексте. Она присваивает каждому токену метку части речи и запускается как модель классификации токенов в Transformers. Архитектура — MobileBertForTokenClassification; в метаданных указаны 59,7 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт метки токенов. Её можно применять для определения частей речи в предложениях и подготовки лингвистической разметки. Карточка Hugging Face указывает лицензию MIT; оценок качества и дополнительных ограничений в доступных источниках нет.

model_part3_muril_final_fixed — модель классификации последовательностей на архитектуре BERT, опубликованная пользователем Alamin2230. В README указано, что модель обучена с нуля; её размер составляет 264,8 млн параметров, максимальная длина контекста — 512 токенов, веса представлены в формате safetensors. Модель предназначена для классификации текстовых последовательностей. На оценочном наборе автор сообщает F1 0,9742, точность 0,9913 и полноту 0,9578. Назначение классов, языки, данные обучения и лицензия в доступных сведениях не описаны, поэтому применимость к конкретной предметной области оценить нельзя.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в чешских клинических текстах. Это дообученная ufal/robeczech-base модель RoBERTa с 153,2 млн параметров для классификации токенов; она присваивает токенам метки O, B-DISEASE и I-DISEASE по схеме BIO. Контекст составляет 514 токенов. Модель предназначена для извлечения названий заболеваний из клинических записей и документов. Для результатов, сопоставимых с опубликованной оценкой, при обработке нужно повторять использованную при обучении предварительную токенизацию и выравнивать смещения; для длинных документов рекомендуется stride=128. На чешском тестовом наборе MultiClinNER строгий F1 составил 0,491, символьный F1 — 0,646. Авторы не оценивали возможные смещения модели. Лицензия — CC BY 4.0.

Модель разработана командой NLP4BIA Барселонского суперкомпьютерного центра для распознавания упоминаний заболеваний в шведских клинических текстах. Это дообученная для NER модель KB/bert-base-swedish-cased на архитектуре BERT: она классифицирует токены по меткам O, B-DISEASE и I-DISEASE. Модель принимает текст и возвращает метки сущностей; размер составляет 151,9 млн параметров, контекст — до 512 токенов. Лицензия — CC BY 4.0. На тестовом наборе MultiClinNER для шведского языка модель получила strict F1 0,6337 и символьный F1 0,7584. Для воспроизведения оценок рекомендуется использовать токенизацию, соответствующую обучающей, и повторно выравнивать смещения сущностей; на границах рядом с пунктуацией стандартная токенизация может давать отличия. Авторы отмечают, что возможные смещения модели отдельно не оценивались.

Модель Davron04 — дообученная версия dima806/music_genres_classification на датасете GTZAN для классификации музыкальных аудиозаписей. Она построена на архитектуре Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Основной сценарий применения — определение музыкального жанра по аудиозаписи. На оценочной выборке модель показала accuracy 0,89 и loss 1,3618. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-BloodCancerDetect-TinyMed-82M — модель OpenMed для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ), в биомедицинских текстах. Это дообученная модель семейства RoBERTa для классификации токенов; в README в качестве базовой архитектуры указана distilroberta-base. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей типов B-CL и I-CL. Размер по метаданным — 95,2 млн параметров, длина контекста — 514 токенов. Модель предназначена для извлечения терминов, связанных с ХЛЛ, из медицинских записей и научной литературы. Её можно применять для анализа упоминаний заболевания и связанных клинических понятий в исследованиях и документах здравоохранения. В README приведены результаты на корпусе CLL: F1 0,8793, точность 0,7904 и полнота 0,9908; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Карточка указывает лицензию Apache-2.0.

Qwen3.5-4B-Financial-SQL — специализированная языковая модель для преобразования запросов на вьетнамском языке о финансовой отчётности в SQL-запросы к базе SQLite. Разработчик дообучил Qwen/Qwen3.5-4B на 1 847 проверенных примерах по отчётности вьетнамских публичных компаний; архитектура — плотная модель Qwen3.5 с 4 млрд параметров. Модель разбирает бухгалтерские понятия, таблицы баланса, отчёта о прибылях и убытках и движения денежных средств, формулы и единицы измерения. Она формирует запросы SQLite, включая CTE, оконные функции и выборки по нескольким периодам. Для возвращённых данных предусмотрены поля происхождения: исходное значение, единица измерения, номер страницы и исходный документ. Это самостоятельные полные веса в 16-битном формате, совместимые с vLLM, SGLang, Transformers и Ollama. Модель рассчитана на вопросы по финансовой отчётности компаний HOSE, HNX и UPCoM в рамках схемы financialfacts. README сообщает о 100% исполнимости запросов на проверочной базе, но это не гарантирует корректность ответов на другие схемы или запросы. Лицензия — Apache-2.0.

Это ResNet-50, обученная исследовательскими группами TU Berlin, RSiM, DIMA, BigEarth и BIFOLD на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков дистанционного зондирования. Модель использует каналы Sentinel-1 и Sentinel-2 и предназначена для многометочной классификации земного покрова по спутниковым данным. Опубликованные веса получены после 23 эпох обучения. На тестовой части BigEarthNet v2.0 указаны macro/micro average precision 0,711/0,859 и macro/micro F1 0,657/0,764. Модель распространяется в формате safetensors, для работы указан пакет configilm. Лицензия — MIT.

Модель ResNet-50, обученная TU Berlin, RSiM, DIMA, BigEarth и BIFOLD на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков Sentinel-2. Она предназначена для распознавания категорий земного покрова и других меток дистанционного зондирования по мультиспектральным данным. Опубликованные веса получены после 19 эпох обучения; при обучении использовались AdamW, dropout 0,15 и ранняя остановка по средней точности на валидации. На тестовой выборке BigEarthNet v2.0 указаны macro average precision 0,714 и micro average precision 0,859. Модель распространяется в формате safetensors по лицензии MIT.

ResNeXt-50 32×4d tv_in1k — модель классификации изображений из семейства timm, основанная на оригинальных весах torchvision и обученная на ImageNet-1k. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и проекционные shortcut-свёртки 1×1. Модель содержит около 25 млн параметров и рассчитана на изображения размером 224×224. Модель подходит для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Она принимает изображения и выдаёт классовые оценки. Лицензия — BSD-3-Clause.

Это дообученная модель RF-DETR Nano, созданная на основе Roboflow/rf-detr-nano для обнаружения игроков, мяча и судьи на изображениях баскетбольных трансляций. Модель использует архитектуру RF-DETR для детекции объектов и распространяется в формате safetensors. Модель подходит для анализа кадров баскетбольных матчей: она находит игроков, мяч и судью и возвращает их расположение на изображении. В оценке на тестовой выборке mAP составил 0,4681, а mAP@50 — 0,7416; показатели mAP для игроков и судьи выше, чем для мяча. Мяч часто занимает всего несколько пикселей и может сливаться с фоном, поэтому обнаруживается хуже. Данные обучения преимущественно получены из трансляций матчей Boston Celtics, что может ограничивать переносимость на другие команды, ракурсы и условия съёмки. Лицензия модели — Apache-2.0.

Koichi Yasuoka разработал японскую модель GPT-2 для морфосинтаксического анализа текста. Она дообучена на базе rinna/japanese-gpt2-medium на UD_Japanese-GSDLUW и предназначена для определения частей речи и зависимостей между словами. Модель работает с японским текстом, использует архитектуру GPT-2 и имеет контекст длиной 1024 токена. Лицензия — MIT.

Koichi Yasuoka разработал англоязычную модель RoBERTa для разметки частей речи. Это дообученная на UD_English модель FacebookAI/roberta-base с архитектурой RobertaForTokenClassification, примерно 151,8 млн параметров и контекстом до 514 токенов. Она присваивает каждому слову тег UPOS из универсального набора частей речи и предназначена для POS-разметки и анализа английского текста; в карточке также заявлен dependency parsing, но отдельный выход для зависимостей не описан. Модель принимает текст и выдаёт метки токенов; для загрузки используются Transformers и PyTorch. Лицензия — CC BY-SA 4.0. Модель ориентирована на английский язык, поэтому качество на других языках не подтверждено.

gitmodelmujtaba/sapbert-snomed-loinc-rxnorm — медицинская модель представлений текста на базе SapBERT для связывания клинических терминов с понятиями SNOMED CT, RxNorm и LOINC. В README также заявлен этапный supervised cross-encoder reranker; метаданные описывают архитектуру как BERT и задачу feature-extraction. Модель содержит 136,7 млн параметров, принимает текст, формирует векторы размерности 768 и поддерживает контекст до 512 токенов. Модель предназначена для поиска соответствий между клиническими формулировками и понятиями медицинских справочников, а также для ранжирования кандидатов. README приводит отдельные показатели retrieval для SNOMED CT, RxNorm и LOINC и точность pairwise cross-encoder, но эти результаты не подтверждают сами по себе качество на иных данных и клинических сценариях. Поддерживаемый язык карточки — английский; лицензия Apache-2.0. Файлы представлены в форматах PyTorch и safetensors.

HuggingFaceTB/stack-edu-classifier-java — классификатор образовательной ценности Java-кода, разработанный HuggingFaceTB для оценки файлов кода из набора The Stack v2. Модель дообучена на bigcode/starencoder с классификационной головой; обучающие примеры размечены Llama 3.1 70B Instruct. Классификатор применялся при создании датасета Stack-Edu для обучения SmolLM2. Модель основана на BERT-подобной архитектуре StarEncoder, содержит 151 млн параметров и принимает последовательности длиной до 1024 токенов. Она предназначена для классификации отдельных файлов Java-кода по образовательной ценности и качеству. В README не указана лицензия модели.

Это модель Stanza для языка мьянма (бирманского), подготовленная Stanford NLP для лингвистического анализа текста. Stanza предоставляет инструменты для обработки текста от токенизации до синтаксического анализа и распознавания именованных сущностей; карточка модели и репозиторий созданы автоматически для коллекции моделей Stanza. Модель предназначена для разметки токенов в тексте на мьянма. Она доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели и длину контекста.

Newton2676/STRIX_heavy_model — модель классификации аудио, созданная дообучением MIT/ast-finetuned-audioset-10-10-0.4593. Она построена на архитектуре Audio Spectrogram Transformer (AST), реализована для Transformers и содержит 113,2 млн параметров. Модель принимает аудио и относит его к классам звуковых событий. В README приведены результаты оценки на наборе данных: accuracy 0,9644 и loss 0,1506. Датасет, классы, сценарии применения и ограничения в карточке не раскрыты. Модель опубликована в формате safetensors под лицензией BSD-3-Clause.

YaHi/student_electra_small — дообученная модель классификации текста на основе google/electra-small-discriminator. Она использует архитектуру ELECTRA и содержит 20,4 млн параметров; рассчитана на последовательности длиной до 512 токенов. Модель предназначена для классификации текстовых последовательностей, однако конкретные классы и сценарии применения не описаны. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В карточке приведён результат оценки на тестовой выборке: loss 0,6385. Данные обучения и подробные ограничения не раскрыты.

TIGER — компактная модель разделения речи, разработанная исследователями Университета Цинхуа и представленная на ICLR 2025. Она разделяет смешанную аудиозапись на отдельные речевые сигналы, в том числе речь двух одновременно говорящих людей на фоне шума и реверберации. Архитектура Time-Frequency Interleaved Gain Extraction and Reconstruction использует разделение частотных полос, многомасштабное избирательное внимание и внимание по полным частотно-временным кадрам. Авторы сообщают, что на EchoSet модель превосходит TF-GridNet по качеству разделения и скорости вывода, используя на 94,3% меньше параметров и на 95,3% меньше вычислений; заявленный размер — менее миллиона параметров. Модель предназначена для обработки аудио и выдаёт разделённое аудио. В карточке указана лицензия Apache-2.0.

m3hrdadfi/wav2vec2-base-100k-gtzan-music-genres — модель классификации аудио на базе Wav2Vec2, опубликованная пользователем m3hrdadfi. Она предназначена для определения музыкального жанра по аудиозаписи; в README приведены метрики по классам, включая blues, classical и country. В метаданных указаны архитектура Wav2Vec2ForSpeechClassification, 113,3 млн параметров и формат PyTorch. Для подготовки и обработки аудио README упоминает torchaudio и librosa. Модель подходит для автоматической разметки музыкальных фрагментов по жанрам. Метаданные помечают её как automatic-speech-recognition, однако архитектура классификации и название репозитория указывают на классификацию музыки; поэтому эта задача выбрана основной. Сведения о лицензии в предоставленных материалах отсутствуют.

Harveenchadha/wav2vec2-pretrained-clsril-23-10k — предварительно обученная модель аудиоречевых представлений на базе wav2vec 2.0, созданная для проекта CLSRIL-23 (Cross Lingual Speech Representations on Indic Languages). Она обучена без учителя на сыром аудио и формирует общие межъязыковые представления речи для 23 индийских языков; размер модели — 113,3 млн параметров. Модель предназначена для извлечения речевых признаков и использования как основы для последующих задач обработки речи. Обучение использует контрастивную задачу над замаскированными скрытыми представлениями и совместное обучение квантизации латентных представлений. Репозиторий содержит веса PyTorch; исходный проект распространяет модели в формате fairseq. Лицензия и ограничения применения в предоставленных данных не описаны.

anantoj/wav2vec2-xls-r-300m-adult-child-cls — дообученная модель на базе facebook/wav2vec2-xls-r-300m для классификации аудио. По названию репозитория она предназначена для различения взрослой и детской речи; подробное описание набора данных и сценариев применения в карточке отсутствует. Модель использует архитектуру Wav2Vec2ForSequenceClassification и содержит около 402,7 млн параметров. В README указаны результаты на оценочной выборке: accuracy 0,9404 и F1 0,9440. Указана лицензия Apache-2.0.

KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru — модель распознавания эмоций в русской речи, дообученная разработчиком на основе facebook/wav2vec2-xls-r-300m на наборе DUSHA. Она принимает аудиозаписи и относит речь к эмоциональным классам, включая нейтральную, позитивную, грустную, сердитую и другую речь; подходит, например, для анализа диалогов с виртуальными ассистентами. Модель построена на архитектуре Wav2Vec2, использует PyTorch и содержит около 402,7 млн параметров. В README указана точность 0,901 на валидации; метрики по классам различаются, поэтому общая оценка не гарантирует одинакового качества распознавания каждой эмоции. Репозиторий распространяется по лицензии Apache-2.0.

WavLM-Large — предварительно обученная Microsoft модель для извлечения речевых представлений из аудио. Она содержит 402,7 млн параметров и построена на архитектуре Transformer в рамках подхода HuBERT. Модель обучалась на 94 тысячах часов английской речи из Libri-Light, GigaSpeech и VoxPopuli, с акцентом на сохранение информации о произнесённом содержании и личности говорящего. Модель принимает речевое аудио с частотой дискретизации 16 кГц и выдаёт аудиопризнаки, пригодные для последующей настройки под задачи распознавания речи, классификации аудио и других задач обработки речи. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель не генерирует транскрипцию. В README заявлена хорошая работа на английском языке и результаты на бенчмарке SUPERB. Лицензия в предоставленных данных не указана.

Модель WHU Building Detection разработана для семантической сегментации зданий на аэрофотоснимках высокого разрешения. Она использует архитектуру UNet++ с энкодером EfficientNet-B4, предварительно обученным на ImageNet, и библиотеку segmentation-models-pytorch. Модель обучена на наборе WHU Building Dataset: RGB-изображениях размером 512×512 пикселей с бинарными масками зданий; разрешение снимков в наборе составляет 0,3 м на пиксель. Модель предназначена для выделения зданий на аэрофотосъёмке и снимках дистанционного зондирования. На тестовой выборке WHU Building Dataset из 1 228 тайлов указаны IoU 0,9054 и Dice 0,9503. Репозиторий содержит веса в формате PyTorch, лицензия — Apache-2.0. Результаты оценки относятся к указанному набору данных и сами по себе не гарантируют аналогичное качество на других регионах, типах снимков или условиях съёмки.

PauAnd29/xlm-roberta-sarcasmo-bs16-ep6 — модель классификации текста на основе XLM-RoBERTa Large, дообученная разработчиком PauAnd29 на неизвестном наборе данных. Она предназначена для определения сарказма в тексте. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors под лицензией MIT. В README приведены результаты на оценочной выборке: macro F1 0,9336, weighted F1 0,9369 и accuracy 0,9372. Эти показатели относятся к неизвестному набору данных, поэтому не позволяют оценить качество на других текстах или языках. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей; сведения о языках обучения и поддерживаемых языках отсутствуют.

XLNet-Reddit-Sentiment-Analysis-16-epochs — модель классификации текста, созданная дообучением xlnet-base-cased. Она предназначена для определения тональности публикаций Reddit. Модель содержит 137,8 млн параметров, использует архитектуру XLNet и распространяется в формате PyTorch. На оценочном наборе указаны точность 0,8427, RMSE 0,6675 и функция потерь 0,7667. Данные для обучения и подробности о метках классов не описаны, поэтому результаты могут не переноситься на тексты из других источников. Лицензия — MIT.

Jommarn/animal-classification-resnet50 — дообученная Jommarn модель для классификации изображений животных. В основе лежит свёрточная ResNet-50 v1.5 microsoft/resnet-50; модель использует архитектуру ResNet и сохранена в формате safetensors. В метаданных указана задача image-classification, а обучение проводилось на наборе данных imagefolder. На оценочном наборе модель показала точность 0,9275 и значение loss 0,9563. Её можно применять для определения класса животного на изображении. Лицензия — Apache-2.0. README не раскрывает состав классов и обучающих данных, поэтому область распознаваемых животных и поведение на изображениях вне оценочного набора установить нельзя.

hsaim/ast-finetuned-gtzan — модель классификации аудио, созданная дообучением AST от MIT на датасете GTZAN. Она использует архитектуру Audio Spectrogram Transformer на базе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для отнесения музыкального аудио к одному из 10 жанров GTZAN; для seeded-разбиения GTZAN 90/10 в карточке указана точность 91%.

daniel-gordon/bioBERT-finetuned-financial-phrasebank — модель классификации текста, созданная дообучением BioBERT v1.1 на наборе данных Financial PhraseBank. Она предназначена для определения тональности и классификации финансовых фраз, например анализа настроений в новостях и сообщениях о компаниях. Модель основана на архитектуре BERT, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Для оценки на тестовом наборе указаны F1 0,8775 и loss 0,5118. Базовая модель ориентирована на английские биомедицинские тексты, поэтому качество на финансовых текстах и других языках следует проверять на целевых данных. Лицензия в предоставленных данных не указана.