II.8Инженерия данных и аналитика

NexusLM-BenchHub — языковая модель на архитектуре GPT-2, представленная в формате PyTorch и предназначенная для извлечения признаков из текста. В README модель описана как NexusLM, обученная на смеси данных с учебной программой и обновлённой процедурой постобучения; выпускной чекпойнт выбрали по совокупным результатам на бенчмарках. При этом README не подтверждает, что опубликованные веса соответствуют описанной в нём модели или заявленным результатам. Карточка предлагает использовать NexusLM для рассуждений и генерации текста, а также упоминает демо, API, загрузку файлов и поиск в интернете. Метаданные Hugging Face указывают основную задачу feature-extraction, поэтому надёжно подтверждённый сценарий использования — получение текстовых признаков. Модель опубликована под лицензией Apache-2.0. Языки и размер контекста не указаны в доступных данных.

giangndm/omniASR-CTC-300M-encoder — отдельный аудиоэнкодер, извлечённый из facebook/omniASR-CTC-300M и представленный в формате SafeTensors с точностью bfloat16. Модель совместима с Wav2Vec2Model и AutoModel из Hugging Face Transformers и не требует Fairseq2. Энкодер предназначен для преобразования аудиосигнала в плотные акустические представления. Архитектура включает 24 слоя Transformer/Conformer с 16 головами внимания, размер скрытого состояния 1024 и FFN размером 4096; семислойный свёрточный экстрактор уменьшает временное разрешение аудио в 320 раз, выдавая представления с частотой 50 кадров в секунду. В метаданных указано 402,7 млн параметров. Репозиторий содержит только аудиоэнкодер, поэтому сам по себе он не выдаёт текст транскрипции и требует дополнительной CTC-головы или другого декодера для распознавания речи. Модель основана на facebook/omniASR-CTC-300M и обучена на датасете facebook/omniASR; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

OpenMed-NER-BloodCancerDetect-MultiMed-568M — модель OpenMed для распознавания и классификации упоминаний, связанных с хроническим лимфолейкозом, в биомедицинских и клинических текстах. Это дообученная модель архитектуры XLM-RoBERTa с примерно 658,7 млн параметров; она принимает токенизированный текст и выдаёт BIO-разметку. В карточке указаны метки B-CL и I-CL, а контекстное окно составляет 8194 токена. Модель предназначена для извлечения терминов о хроническом лимфолейкозе из медицинских записей, научных публикаций и документов здравоохранения. Возможные сценарии — поиск упоминаний заболевания и связанных с ним клинических понятий, анализ литературы и подготовка данных для медицинских NLP-систем. README приводит F1 0,82, точность 0,90 и полноту 0,76 на CLL corpus; эти показатели относятся к описанной в карточке оценке и не гарантируют качество на других данных. В метаданных указан английский язык. Лицензия — Apache-2.0.

Montalte выпустил экспериментальный объединённый вариант Qwen3-4B для проверки переноса между математикой и программированием. Модель основана на Qwen/Qwen3-4B-Base и объединяет её с кодовым вариантом modrill/code-think-q4b-20260908 методом Localize-and-Stitch: маска затрагивает основную часть сети, а слои embedding и lm_head пропускаются. В метаданных указаны плотная архитектура Qwen3ForCausalLM, 3,7 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста и экспериментов с задачами программирования, включая проверку переноса знаний между математикой и кодом. Карточка не сообщает результаты оценки качества и перечень поддерживаемых естественных языков, поэтому такие характеристики здесь не утверждаются. Репозиторий распространяется по лицензии Apache-2.0.

stanfordnlp/stanza-he — модель Stanza для анализа текста на иврите, разработанная проектом Stanza при Stanford NLP. Она входит в набор инструментов лингвистического анализа Stanza и предназначена для обработки текста, включая распознавание сущностей; в Hugging Face модель классифицирована для разметки токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для лингвистического анализа текстов на иврите в приложениях NLP. README не уточняет архитектуру, размер, контекст и конкретные типы разметки, поэтому их нельзя определить по доступным сведениям.

Модель Stanza для тамильского языка разработана Stanford NLP и предназначена для лингвистического анализа текста. В рамках набора инструментов Stanza она поддерживает обработку текста для анализа языка; задача модели в каталоге и метаданных Hugging Face — классификация токенов. Модель распространяется в формате PyTorch и под лицензией Apache-2.0. Карточка относит её к моделям Stanza для анализа тамильского языка, однако конкретная схема меток и дополнительные характеристики не описаны.

Это модель компьютерного зрения на архитектуре Swin Transformer Tiny, разработанная на основе microsoft/swin-tiny-patch4-window7-224 и дообученная для классификации изображений из набора EuroSAT. Модель содержит около 33 млн параметров и принимает изображения, выдавая метку класса. Модель подходит для классификации спутниковых и аэроснимков по категориям землепользования. На указанной в карточке оценочной выборке достигла accuracy 0,9517 и loss 0,1674. Данные о поддерживаемых языках и размере входного контекста неприменимы к этой задаче. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Карточка не описывает подробный состав классов и другие ограничения; качество на других источниках изображений может отличаться.

noeminaepli/swiss_german_pos_model — модель на базе BERT для разметки частей речи в текстах на швейцарском немецком. Она присваивает токенам универсальные части речи по схеме Universal POS (UPOS) и рассчитана на автоматическую лингвистическую разметку текстов. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для подготовки корпусов, лингвистического анализа и предварительной разметки швейцарских немецких текстов. Лицензия — CC; конкретный вариант лицензии в предоставленных данных не уточнён.

Карточка модели lsw2333/tabpfn_3 на Hugging Face совпадает с карточкой Prior-Labs/tabpfn_3, поэтому описание составлено по ней. TabPFN-3 — трансформерная модель Prior Labs для прогнозирования по табличным данным. Она использует обучение в контексте и выполняет предсказание за один проход без отдельного дообучения на пользовательском наборе данных. Эта карточка описывает специализированный чекпойнт классификатора для бинарной классификации на наборах с 2000 признаками. Архитектура модели многоэтапная, состоит из 24 основных слоёв. Она обучена исключительно на синтетических табличных задачах и предназначена для табличной классификации; в README также упомянуты стандартные чекпойнты для классификации и регрессии. Модель оценивается на открытых бенчмарках TabArena и TALENT, где, согласно карточке, показывает результаты уровня SOTA. Лицензия tabpfn-3-license-v1.0 разрешает исследования, тестирование и внутреннюю оценку, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для применения в производственных сценариях Prior Labs предлагает отдельную коммерческую лицензию.

TAT-LLM-7B-FFT — специализированная языковая модель на архитектуре LLaMA 2, разработанная для вопросов и ответов по табличным и текстовым данным. Согласно карточке, модель создана полным дообучением LLaMA 2 на автоматически подготовленных данных из финансовых обучающих наборов FinQA, TAT-QA и TAT-DQA; размер по метаданным — 6,6 млрд параметров, контекст — 4096 токенов. Модель использует пошаговый подход: извлечение данных, рассуждение и выполнение вычислений; для повышения точности авторы также описывают внешний исполнитель промежуточных вычислений. Модель предназначена прежде всего для финансового анализа таблиц и текстовых документов, включая ответы на вопросы по финансовым отчётам и выполнение необходимых для ответа вычислений. README сообщает о результатах на FinQA, TAT-QA и TAT-DQA, но приведённая таблица относится к варианту LORA и не подтверждает показатели именно этой FFT-модели. Лицензия — Llama 2; применимость лицензии следует оценивать с учётом её условий.

TinyCast — компактная вероятностная модель для прогнозирования одномерных временных рядов с нуля, разработанная raws-labs. Она не требует подгонки или дообучения для конкретного ряда и выдаёт девять квантилей прогноза. Модель содержит 146 505 параметров и использует десять блоков причинных свёрток Conv1d с растущими дилатациями; механизм внимания отсутствует, а периодичность оценивается отдельно для каждого контекстного окна. В метаданных указан pipeline time-series-forecasting и библиотека tinycast. TinyCast предназначена для потокового прогнозирования на маломощных устройствах, в том числе микроконтроллерах. В README приведены результаты GIFT-Eval и запуск на Cortex-M7 с INT8-квантованием, статическим графом и ограниченной памятью. Модель принимает одномерный числовой временной ряд и выдаёт вероятностный прогноз. Лицензия — Apache-2.0. Модель не использует ковариаты и связи между несколькими рядами. За пределами режимов, представленных в предобучении, качество может незаметно снижаться; оценка периода ограничена разрешением FFT, а нормализация по минимуму и максимуму чувствительна к выбросам. При короткой истории прогноз постепенно приближается по качеству к сезонному наивному базовому методу.

TSO Foundation Model v12 — разработанная Sehaj Singh модель-основа для прогнозирования временных рядов. Она обучается находить геометрию динамических систем с помощью самоконтролируемого восстановления, линейной динамики Koopman, масштабной ковариантности и определения направления времени. Архитектура использует вложения Takens, кодировщик Koopman и скрытое представление размерности 256 при ширине скрытого слоя 768. Для переноса на ранее не встречавшийся ряд применяется замороженный латентный кодировщик и замкнутая подгонка Koopman без градиентных шагов. Модель обучалась на 40 рядах из восьми областей, включая энергетику, метеорологию, ЭКГ, финансы, эпидемиологию, экономику, солнечную физику и хаотические системы. README сообщает о выигрыше над отдельной GRU-моделью на 28 из 40 рядов, но отмечает слабые результаты на рядах со скачками и почти единичными корнями, а также ограничения линейного пробника и зависимость переноса от разнообразия обучающих рядов. Модель распространяется в формате PyTorch по лицензии MIT. README приводит пример использования через класс FoundationOperator и функцию zero_shot_forecast.

wangchanberta-ud-thai-pud-upos — модель Pavarissy, дообученная на базе airesearch/wangchanberta-base-att-spm-uncased на корпусе Universal Dependencies Thai PUD. Она размечает тайский текст универсальными частями речи (UPOS), присваивая метку каждому токену. Модель основана на архитектуре CamemBERT, содержит 132,5 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Модель предназначена для автоматической морфосинтаксической разметки тайского текста и может использоваться в конвейерах анализа языка. На оценочном наборе указана точность 0,9883 и macro F1 0,9199. Лицензия в предоставленных данных не указана.

Wav2Small2.0 — модель audEERING для определения эмоциональных характеристик речи по аудио. Она принимает сырой аудиосигнал с частотой 16 кГц и предсказывает три оценки в диапазоне от 0 до 1: возбуждение (arousal), доминирование (dominance) и валентность (valence). По метаданным модель относится к архитектуре wav2vec2, содержит 113,3 млн параметров и распространяется в формате safetensors. Модель подходит для анализа эмоциональной окраски речи в исследовательских задачах, например при разметке аудиозаписей или изучении эмоциональных реакций в голосе. README указывает, что модель создана по статье о Wav2Small. Для коммерческого использования требуется лицензия audEERING; указанная лицензия — CC BY-NC-SA 4.0. README сообщает о 17 тыс. параметров, что расходится с метаданными Hugging Face; размер в этом описании приведён по метаданным.

PauAnd29/xlm-roberta-sarcasmo-bs16-ep10 — дообученная модель XLM-RoBERTa Large для классификации текста. По названию модель предназначена для распознавания сарказма; README сообщает о дообучении на неизвестном наборе данных. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. На оценочном наборе указаны F1-мера Macro 0,9330, F1 Weighted 0,9361 и точность 0,9361. Датасет, поддерживаемые языки и подробности предполагаемых сценариев в карточке не описаны, поэтому эти результаты нельзя уверенно переносить на другие источники текста. Модель распространяется по лицензии MIT.

uisikdag/yolo-v8-football-players-detection — модель обнаружения объектов на основе YOLOv8, предназначенная для анализа футбольных изображений и видео. Она распознаёт четыре класса: мяч, вратарь, игрок и судья. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Модель подходит для автоматического поиска участников матча и мяча в кадрах, подготовки разметки и построения систем видеоаналитики футбольных матчей. Карточка не сообщает размер модели, поддерживаемые языки или условия лицензии.

Модель yongchao/ai_text_detector — классификатор на базе BERT, дообученный для выявления текста, созданного ИИ, особенно вопросов в сценариях TEXT-SQL. Она разработана автором репозитория и предназначена для проверки коротких вопросов на принадлежность к человеческому или сгенерированному тексту. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для обучения использовались 2000 размеченных вопросов, созданных людьми и ИИ. В README приведены точность 85,7%, precision 82,4%, recall 91% и F1 86,5%; независимая проверка этих результатов не описана. Модель может хуже работать на текстах, заметно отличающихся от обучающих данных, а смещения в обучающей выборке могут повлиять на предсказания. Лицензия — Apache-2.0; автор отмечает, что модель находится на этапе тестирования и её надёжность полностью не проверена.

ConnyGenz/artificially-natural-roberta-02 — дообученная модель RoBERTa для классификации текста, разработанная на основе ConnyGenz/artificially-natural-roberta-01. В карточке указаны 151,8 млн параметров, архитектура RobertaForSequenceClassification и контекст до 514 токенов. Модель распространяется в формате safetensors по лицензии MIT. В README приведён результат F1 0,993 на оценочном наборе и указано, что модель обучалась на датасете с названием None. Сведения о метках классов и предполагаемых сценариях применения отсутствуют, поэтому назначение классификации нельзя уточнить.

SAIFIINDUSTRIES/AST_ESC50_FineTuned — модель классификации звуков, дообученная разработчиком на основе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer и предназначена для определения классов звуковых событий в аудио. В README приведены результаты на оценочном наборе: accuracy 1.0 и loss 0.2868, однако название набора данных указывает на ESC-50, а README сообщает лишь о неизвестном наборе данных, поэтому область применимости этих оценок неясна. Модель содержит 113,2 млн параметров, использует формат safetensors и библиотеку Transformers. Лицензия — BSD 3-Clause.

taishi-i разработал эту модель-классификатор как базовый чекпойнт для набора данных awesome-japanese-nlp-classification-dataset. Это плотная модель семейства BERT с головой BertForSequenceClassification, обученная на этом наборе данных и сохранённая по результатам на валидационной части. Она предназначена для классификации японских текстов по меткам набора данных. В README приведены результаты на тестовой выборке: точность 0,97; для метки 0 F1 составляет 0,98, для метки 1 — 0,74. Дисбаланс поддержки меток (796 примеров для метки 0 и 60 для метки 1) указывает на заметно более слабое распознавание класса 1. Модель содержит 205,1 млн параметров, работает с контекстом до 512 токенов и доступна в форматах PyTorch и safetensors через Transformers. Лицензия указана как other, без уточнения условий в предоставленных данных.

Bamibert Phone ACSA Multilabel Preprocessor — модель классификации текста на архитектуре RoBERTa, разработанная пользователем vietnamese-acsa. Она обучена с нуля на неизвестном наборе данных. Модель содержит 129 млн параметров, принимает текст и имеет контекст до 2050 токенов. По доступным сведениям, модель предназначена для классификации текста. Название репозитория указывает на возможную связь с предварительной обработкой данных для многоцелевого анализа аспектов телефонных отзывов, однако README не описывает эту задачу, поэтому назначение и конкретные метки классификации подтвердить нельзя. Лицензия в предоставленных данных не указана.

BERTabaporu Base Uncased — модель BERT-Base для бразильского португальского языка, разработанная для текстов из Twitter. Она обучена на корпусе из 238 миллионов твитов более чем 100 тысяч пользователей, содержащем свыше 2,9 миллиарда токенов. Архитектура — BERT с 12 слоями; в метаданных указано 162,4 млн параметров, контекст — до 512 токенов. Модель предназначена для заполнения пропусков в тексте и других сценариев обработки португалоязычных сообщений в домене Twitter. Её можно использовать как основу для анализа и адаптации NLP-систем к неформальному бразильскому португальскому. Репозиторий содержит веса PyTorch; лицензия — MIT. Ограничение контекста составляет 512 токенов, а обучение на твитах может снижать пригодность модели для иных жанров и языковых вариантов.

Японская базовая модель BERT от Hitachi NLP для задачи заполнения пропусков в тексте: она предсказывает замаскированные токены на основе контекста. Модель содержит 136,3 млн параметров, использует архитектуру BERT и рассчитана на последовательности длиной до 512 токенов. Для токенизации применяется Juman++ с Unigram; словарь токенизатора нужно отдельно скачать из репозитория разработчика и передать при загрузке.

DT4H/CardioBERTa.es_GP_translations_only — испаноязычный биомедицинский энкодер терминологии, разработанный командой DT4H на базе CardioBERTa.es. Модель семейства RoBERTa преобразует клинические термины и текст в векторные представления для нормализации понятий и связывания упоминаний с концептами UMLS. Она содержит 153,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors. Модель дообучена на 4 701 649 триплетах терминов, охватывающих 476 968 CUI и 530 009 уникальных нормализованных терминов. В обучении использованы связи с родительскими и родительскими на уровень выше понятиями; сбор терминов относится к варианту translations_only. Модель предназначена для поиска кандидатов, построения терминологических эмбеддингов и клинических NLP-конвейеров, особенно в кардиологии. Обучающие терминологические данные не включены в репозиторий из-за условий лицензирования UMLS. Лицензия самой модели в доступных данных не приведена.

lixin12345/chinese-medical-ner — модель BERT для классификации токенов, предназначенная для распознавания сущностей в китайских медицинских текстах. Карточка указывает источник «hit wi», а метаданные подтверждают архитектуру BertForTokenClassification и задачу token-classification. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель можно применять для извлечения медицинских сущностей из китайских текстов, например, как этап обработки клинических записей или медицинских документов. Лицензия — Apache-2.0. Карточка не сообщает перечень распознаваемых типов сущностей и оценку качества.

Это модель для вероятностного прогнозирования почасового спроса на электроэнергию, созданная дообучением Chronos-Bolt Base на наборе Monash electricity_hourly. В основе — плотная архитектура T5 с 99,1 млн параметров; модель распространяется в формате safetensors и принимает исторические значения одного или нескольких временных рядов, выдавая прогнозы и квантильные оценки. Контекст модели составляет 512 токенов, а в примере использования предусмотрена передача до 2048 исторических значений и прогнозирование до 64 шагов. Модель рассчитана на ряды спроса с выраженной суточной и недельной сезонностью. Она использует только прошлые значения ряда, без календарных, погодных, ценовых и других внешних признаков. В указанном тесте с горизонтом 168 часов качество немного превысило исходную Chronos-Bolt Base, однако номинальное покрытие 80-процентных интервалов составило около 70–71%, поэтому интервалы требуют калибровки для приложений с требованиями к покрытию. Разработчик — mskayacioglu; базовая модель — amazon/chronos-bolt-base. Лицензия Apache-2.0. Модель предназначена для исследовательского сравнения и как отправная точка для систем прогнозирования спроса, но перед практическим использованием её следует проверить на собственных данных.

Модель wsntxxn/cnn8rnn-audioset-sed — CRNN-модель для обнаружения звуковых событий, разработанная на основе предварительного обучения на AudioSet и последующего дообучения на AudioSet-strong. Архитектура включает восемь сверточных слоёв и GRU, всего около 6,4 млн параметров. Модель анализирует аудио и классифицирует присутствующие в нём звуковые события с временным разрешением 40 мс. Она подходит для покадрового выявления и отслеживания событий в аудиозаписях. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

CODER — англоязычная медицинская модель эмбеддингов терминов, разработанная Zheng Yuan, Zhengyun Zhao, Haixia Sun, Jiao Li, Fei Wang и Sheng Yu. Она предназначена для нормализации медицинских терминов и сопоставления терминов на разных языках. Модель основана на BERT, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. CODER формирует векторные представления медицинских терминов с учётом знаний из медицинских графов знаний и контрастивного обучения. Её можно применять для поиска соответствий между вариантами терминов и их нормализованными формами. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0. В карточке описана английская версия модели.

DataGemma RAG — модель Google, дообученная на базе Gemma 2 27B IT для использования в RAG-сценариях с общедоступной статистикой Data Commons. По текстовому запросу о статистике она генерирует список запросов на естественном языке, понятных интерфейсу Data Commons; это один из этапов полного контура поиска и ответа, а не самостоятельный доступ к статистической базе. Модель содержит 27 млрд параметров и распространяется в формате safetensors; в README описан запуск с 4-битной квантизацией через bitsandbytes. Язык работы в карточке не указан. Модель предназначена прежде всего для исследовательского и тестового применения. Google предупреждает, что это ранняя версия, обученная на небольшом наборе синтетических примеров; она может ошибаться и выдавать спорные или воспалительные результаты и не прошла обычную оценку безопасности Google. Лицензия — Gemma; для использования действуют условия Google Gemma.

Это модель визуального энкодера DeepSeek ViT, преобразованная сообществом timm из весов vision-компонента DeepSeek-V4.1-Flash. Представлена как нативное отображение весов для библиотеки timm без дополнительного обучения; языковые веса и обученная голова классификации не включены. Модель содержит около 411,8 млн параметров, использует патчи 14×14, ширину backbone 1024, SwiGLU, RMSNorm и двумерное осевое RoPE. Указанный размер изображения — 546×546; поддерживаются прямоугольные входы с ограничениями на кратность размера патча и обработку дополнения. Энкодер предназначен для извлечения признаков и эмбеддингов изображений, а также получения промежуточных карт признаков; классификационную голову можно дообучить на целевом наборе данных. Вариант с выравнивателем проецирует сгруппированные признаки патчей в ширину исходной языковой модели. Предобработка использует RGB-нормализацию со средним и стандартным отклонением 0,5; преобразование timm с сохранением пропорций отличается от оригинальной адаптивной обработки изображений. Лицензия — MIT.