II.8Инженерия данных и аналитика

Jesse020202/detr_finetuned_roadsigns — модель обнаружения дорожных знаков, созданная дообучением microsoft/conditional-detr-resnet-50. Она принимает изображения и предсказывает классы объектов и их ограничивающие рамки. Модель построена на архитектуре Conditional DETR с ResNet-50; в репозитории указаны веса в формате safetensors, библиотека Transformers и около 6,3 млн параметров. Модель подходит для поиска дорожных знаков на изображениях, например для разметки дорожных сцен или прототипов систем помощи водителю. В README приведён результат на тестовой выборке: loss 0,9152; датасет и подробные метрики не описаны. Лицензия — Apache-2.0.

Ramos-Ramos/dino-resnet-50 — модель ResNet-50 с весами, предварительно обученными методом DINO; репозиторий содержит конвертацию официальных весов DINO в формат Transformers/PyTorch. Модель предназначена для извлечения признаковых представлений из изображений, которые можно использовать в последующих задачах компьютерного зрения. Это визуальная ResNet-50, связанная с работой DINO по самообучению визуальных представлений. В README приведён пример использования через Transformers, но предупреждается, что конфигурация предварительной обработки изображений скопирована из microsoft/resnet-50 и не проверялась для этих весов. Лицензия и точные параметры входа в предоставленных данных не описаны.

Это модель классификации аудио mtg-upf/discogs-maest-30s-pw-129e-519l, опубликованная группой Music Technology Group Университета Помпеу Фабра. Она принимает аудиосигнал и предсказывает метки классов; архитектура — Audio Spectrogram Transformer (ASTForAudioClassification), около 113,2 млн параметров. Идентификатор указывает на модель MAEST, обученную на музыке Discogs для анализа музыкальных записей. Карточка не описывает точный набор меток, результаты оценки или ограничения качества. Лицензия в карточке не указана.

grahamas/distilbert-base-uncased-finetuned-upos — модель grahamas, дообученная на базе distilbert/distilbert-base-uncased для классификации токенов. По названию репозитория модель предназначена для присвоения токенам универсальных частей речи (UPOS). Архитектура — DistilBertForTokenClassification; контекст — до 512 токенов. Весы опубликованы в формате safetensors. Модель может использоваться для автоматической разметки частей речи в текстах на английском языке. В README приведено значение loss 0,1416 на оценочной выборке, но набор данных, метрики качества и подробности обучения не раскрыты. Лицензия — Apache-2.0.

Модель dsuram/distilbert-mentalhealth-classifier разработана Dileep Reddy Suram и представляет собой DistilBERT, дообученный для классификации высказываний о психическом здоровье. Она присваивает тексту категорию, например «тревожность», «депрессия», ПТСР, ОКР, биполярное расстройство, СДВГ, «здоров» или «другое». Модель предназначена для предварительного выявления симптомов в диалогах, исследовательского анализа текстов и поддержки первичной сортировки обращений. В README указано, что обучение проводилось на пользовательских высказываниях из набора более чем из 42 тысяч размеченных примеров; архитектура использует DistilBERT, а максимальная длина контекста составляет 512 токенов. Карточка сообщает об английском языке. Приведённые автором результаты на выборках из 200 и 500 примеров показывают F1 0,8267 и 0,8544 после дообучения, однако подробности протокола оценки не описаны. Это классификатор, а не диагностический инструмент: его метки не заменяют оценку специалиста, а ошибки или смещения в пользовательских данных могут привести к неверным результатам. Модель распространяется по лицензии MIT.

DistilHuBERT — компактная модель для извлечения представлений из речи, разработанная лабораторией NTU Speech Processing & Machine Learning Lab. Она основана на HuBERT и обучена методом послойной дистилляции скрытых представлений; модель содержит 18,9 млн параметров и предназначена для обработки аудио с частотой дискретизации 16 кГц. Модель предварительно обучена на аудио без текстовых меток и не содержит токенизатора. Её можно использовать как основу для задач обработки речи; для распознавания речи необходимо создать токенизатор и дообучить модель на размеченных текстовых данных. В статье авторы сообщают о сокращении размера HuBERT на 75% и ускорении в 73 раза при сохранении большей части качества на десяти задачах. Модель работает с речевым аудио и выдаёт скрытые представления для последующих этапов обработки. Опубликована под лицензией Apache-2.0.

Это дообученный на японской речи чекпойнт HuBERT от TylorShine. Модель продолжительно обучалась 50 тысяч шагов на корпусах JVS, Tsukuyomi-Chan и Amitaro’s ITA, а также на собственных записях автора. Чекпойнт предназначен для извлечения признаков из японской речи и может служить основой для последующей настройки задач распознавания речи; в README для такой настройки упоминается замена класса Wav2Vec2ForCTC на HubertForCTC. Архитектура — HuBERT, размер — 18,9 млн параметров; опубликованы веса PyTorch. Метаданные указывают задачу feature-extraction и японский язык. Лицензия указана как other. README предупреждает, что при использовании чекпойнта необходимо соблюдать условия использования корпуса JVS, применимые и при использовании модели в других проектах.

AlienKevin дообучил компактную модель ELECTRA на основе toastynews/electra-hongkongese-small-discriminator для классификации токенов. Она предназначена для задач разметки последовательностей на гонконгском кантонском и китайском тексте. Модель содержит 14 млн параметров, использует архитектуру ElectraForTokenClassification и принимает последовательности длиной до 512 токенов. Для обучения использованы наборы AlienKevin/hkcancor-multi и AlienKevin/wiki-yue-long-multi. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не приводит подробностей об оценке качества или конкретных типах разметки, поэтому пригодность для отдельной схемы тегов следует проверять на соответствующих данных.

FELA-TS edge — модель прогнозирования временных рядов от Lowdown Labs на архитектуре Fourier Neural Operator (FNO) с patch embedding и нормализацией RevIN. В чекпойнте около 1,76 млн параметров; он обучен на наборе UCI ElectricityLoadDiagrams20112014 и предназначен для прогноза электрической нагрузки по данным 321 канала. Модель принимает окно из 512 прошлых шагов и предсказывает следующие 96 шагов. Метаданные указывают библиотеку Transformers и формат safetensors. Модель рассчитана на запуск на CPU, в том числе на одноплатных компьютерах класса Raspberry Pi. Для одиночного потока нагрузки README указывает задержку около 0,86 мс на одном ядре CPU и постоянный расход рабочей памяти независимо от длительности потока. Она подходит для прогнозирования нагрузки на счётчиках, шлюзах и в системах мониторинга зданий или микросетей. Модель выпущена как исследовательская предварительная версия. Её качество проверено на одном бенчмарке и примерно соответствует сильным моделям-прогнозистам, но превосходства по точности не заявлено. Переносимость на другие профили нагрузки, частоты измерений, датчики и группы потребителей не установлена; перед эксплуатацией её нужно проверить на целевых данных. Лицензия указана как other; README отмечает лицензию CC BY 4.0 для обучающего набора и необходимость учитывать отдельные лицензионные условия модели.

Prasun Mishra разработал модель классификации текста, дообучив distilbert-base-uncased на датасете IMDb. Она предназначена для анализа тональности и классификации отзывов о фильмах; архитектура — DistilBERT для классификации последовательностей, размер контекста — до 512 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей обучения, поэтому надёжность предсказаний на других типах текстов не установлена. Модель рассчитана на английский текст, что следует из базовой модели distilbert-base-uncased и датасета IMDb.

Koichi Yasuoka разработал японскую модель на архитектуре GPT-2 для морфологической разметки текста. Она дообучена на базе ClassCat/gpt2-base-japanese-v2 и присваивает каждому короткому слову тег части речи UPOS и грамматические признаки FEATS; карточка также описывает её как модель для синтаксического разбора зависимостей. Модель принимает японский текст и возвращает токенную разметку. Она рассчитана на японский язык, имеет контекст 1024 токена и распространяется в формате PyTorch по лицензии CC BY-SA 4.0. В README для запуска через Transformers указан pipeline с trust_remote_code=True.

hgnet_tiny.paddle_in1k — модель классификации изображений семейства HGNet (High Performance GPU Net), представленная авторами в библиотеке timm. Она обучена на ImageNet-1k и предназначена для отнесения изображений к классам этого набора данных; модель также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 14,7 млн параметров и требует 4,5 GMACs. Указанный размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

indobert-detektif-pinjol — дообученная модель семейства BERT на базе indobenchmark/indobert-base-p1, разработанная для классификации текста, связанного с pinjol — индонезийскими онлайн-займами. Модель содержит 151,6 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Она предназначена для отнесения текста к классам в задаче, связанной с обнаружением или анализом pinjol. В README указаны accuracy 0,9375 и loss 0,2402 на оценочной выборке, однако описание классов, состав и источник данных, а также методика оценки не раскрыты. Базовая модель ориентирована на индонезийский язык; лицензия модели — MIT.

Huzaifa68/investment_v1 — модель Sentence Transformers, дообученная на базе BAAI/bge-small-en-v1.5 для поиска и сравнения текстов об инвестициях. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 384; архитектура включает BERT, пулинг по CLS-токену и нормализацию, а сходство можно оценивать косинусной мерой. Контекст ограничен 512 токенами. Модель обучалась на 1 332 примерах с парами и отрицательными примерами, связанными с исламскими инвестиционными фондами. Подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текстов. Базовая модель англоязычная, а примеры обучающих данных также на английском. Лицензия в предоставленных сведениях не обозначена.

monologg/koelectra-small-finetuned-nsmc — корейская модель классификации текста, разработанная monologg на базе архитектуры ELECTRA и дообученная для задачи NSMC, корпуса отзывов о фильмах Naver. Модель предназначена для определения тональности корейских текстов по двум классам: positive и negative. Модель реализована как ElectraForSequenceClassification с 12 скрытыми слоями, 4 головами внимания и размером скрытого представления 256; содержит около 20,8 млн параметров и поддерживает последовательности длиной до 512 токенов. Она работает с корейским языком, использует библиотеку Transformers и может применяться через pipeline text-classification. Сильная сторона модели — компактность и специализация на бинарном анализе тональности корейских отзывов, что подходит для локального или ресурсно-ограниченного инференса. Модель не является универсальной генеративной системой и не предназначена для надежной классификации текстов вне близкого к NSMC распределения, многочастного анализа тональности или других языков. Лицензия в доступных источниках не установлена.

Модель разработал Jeon Duyoung (searle-j) для классификации эмоций в корейских онлайн-комментариях. Это ElectraForSequenceClassification на основе beomi/KcELECTRA-base, дообученная на наборе KOTE (Korean Online That-gul Emotions Dataset); она относит текст к нескольким эмоциональным категориям, включая недовольство, доброжелательность, восхищение, благодарность, грусть и гнев. Модель принимает текст и выдаёт метки классов с оценками. Контекст — до 512 токенов, размер — 151,7 млн параметров. Модель предназначена для анализа эмоций и тональности корейских комментариев и публикаций. В репозитории указана лицензия MIT. В документации проекта отмечено, что версия Trainer имеет несколько отличающиеся настройки и архитектуру по сравнению с вариантом из статьи, а её macro F1 составляет 0,55 против 0,56 у версии из статьи.

NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

imprt/kushinada-hubert-base — предварительно обученная модель HuBERT Base для извлечения признаков из японской речи. Она обучена разработчиком imprt на 62 215 часах аудио японских телевизионных передач, отобранного с помощью определения речевой активности; обучение проводилось с использованием кода официального репозитория HuBERT. Модель предназначена для получения речевых представлений из аудио и может служить основой для последующих задач обработки японской речи. Для использования в README приведён пример с Transformers AutoFeatureExtractor и аудиофайлом с частотой дискретизации 16 кГц. Модель принимает аудио и выдаёт признаки; конкретные результаты для задач распознавания или транскрипции в карточке не заявлены. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Обучение на телевизионных передачах может влиять на переносимость признаков на другие акустические условия и типы речи; таких оценок в карточке нет.

Koichi Yasuoka разработал LTG-BERT для разметки частей речи в текстах на белорусском языке. Модель дообучена на основе HPLT/hplt_bert_base_be и присваивает словам универсальные теги частей речи UPOS и признаки FEATS, что подходит для автоматического синтаксического анализа и подготовки языковых данных. Модель содержит 124,3 млн параметров, принимает текст и выдаёт метки для токенов. Контекст составляет до 512 токенов; веса доступны в формате PyTorch. Лицензия — Apache-2.0. Для работы с Transformers в README приведён пример pipeline с trust_remote_code=True и стратегией агрегации simple.

mljn/mdeberta-v3-base-finetuned-green-classification — модель классификации текста, полученная дообучением многоязычной microsoft/mdeberta-v3-base. Она предназначена для отнесения текста к классам в задаче green classification; конкретные названия классов, данные обучения и предполагаемые сценарии применения в карточке не раскрыты. Модель имеет архитектуру DeBERTa V2 для классификации последовательностей, содержит 306 млн параметров и принимает текст длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,9213, macro F1 0,8801 и balanced accuracy 0,8710. Эти показатели относятся к указанному в карточке оценочному набору, но его состав и методика не описаны, поэтому их нельзя напрямую переносить на другие данные. Модель доступна по лицензии MIT.

huynoob1312/ner-maccrobat2018 — модель DistilBERT для разметки последовательностей и извлечения сущностей. Она дообучена на базе d4data/biomedical-ner-all на датасете, который в карточке не раскрыт. Базовая модель предназначена для извлечения биомедицинских сущностей из клинических текстов; конкретные типы сущностей и качество дообученной версии не описаны. Модель принимает текст и присваивает метки его токенам, поэтому её можно применять для распознавания сущностей в биомедицинских и клинических текстах. Архитектура — DistilBERT; максимальная длина контекста составляет 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Язык и результаты оценки именно этой версии не указаны в доступной карточке.

OpenMed разработала OpenMed-NER-BloodCancerDetect-ElectraMed-560M — специализированную модель распознавания клинических сущностей, дообученную для текстов о хроническом лимфолейкозе (CLL). Она обрабатывает токенизированный биомедицинский текст и присваивает токенам BIO-метки B-CL и I-CL, выделяя упоминания, связанные с заболеванием. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для извлечения терминов о CLL из медицинских записей и научной литературы, а также для анализа гематологических и онкологических документов. В карточке приведены результаты на корпусе CLL: F1 0,9575, точность 0,9264 и полнота 0,9907. Это специализированный экстрактор сущностей, поэтому его метки ориентированы на CLL и не заменяют клиническую оценку или универсальное распознавание медицинских сущностей. Лицензия — Apache-2.0.

piedomains-image — модель классификации скриншотов главных страниц сайтов по 39 категориям. Она разработана как визуальная часть проекта piedomains и предназначена для случаев, когда доступно изображение страницы, но её текст нельзя извлечь. Модель принимает скриншот, масштабирует его до 224 × 224 пикселей без сохранения пропорций и выдаёт класс сайта. Это дообученная для классификации изображений модель Google SigLIP 2 Base Patch16-224. Она анализирует компоновку, цвета и изображения, а не текст страницы. На тестовых данных точность составила 0,501, macro-F1 — 0,370; результат ниже, чем у парной текстовой модели, поэтому скриншотную классификацию стоит использовать, когда текст недоступен. Модель не охватывает пять категорий, отсутствовавших в наборе скриншотов: parked, unavailable, library, military и homestyle. Лицензия — MIT.

lisaterumi/postagger-portuguese — модель разметки частей речи для португальского языка. Она построена на BERTimbau и дообучена разработчиком на корпусе MacMorpho в течение 10 эпох; в карточке указаны 136,1 млн параметров и контекст до 512 токенов. Модель принимает текст и присваивает токенам грамматические метки, включая категории существительного, глагола, прилагательного и наречия. Она предназначена для морфосинтаксического анализа португальских текстов и построения NLP-конвейеров. В README сообщается F1 0,9826; веса опубликованы в форматах PyTorch и Safetensors. Лицензия в доступных данных не указана.

py313-pylingual-v3-segmenter — модель Syssec UTD для сегментации текста на уровне токенов. Это дообученная на наборе syssec-utd/segmentation-py313-pylingual-v3-tokenized модель syssec-utd/py313-pylingual-v3-mlm, построенная на архитектуре RoBERTa и реализованная как RobertaForTokenClassification. Она содержит 136,3 млн параметров, принимает последовательности длиной до 1026 токенов и использует библиотеку Transformers. Модель предназначена для разметки токенов при сегментации текста. В карточке приведены результаты оценки: F1 0,9945, точность 0,9983, precision 0,9945 и recall 0,9944. Языки и конкретные правила сегментации не описаны, поэтому область применения за пределами указанного набора данных неясна. Весовой формат — safetensors; лицензия в предоставленных данных не указана.

Qwen-3.5-0.8B-Spatial-SQL-1.1 — экспериментальная узкоспециализированная модель Марка Родриго, дообученная методом QLoRA и supervised fine-tuning на базе Qwen/Qwen3.5-0.8B. Она преобразует англоязычные вопросы о геометрии вместе с координатами из картографического приложения в пространственный SQL для PostGIS. Заявлены задачи вычисления площади и центроида полигона, построения буфера вокруг точки, а также измерения расстояния между геометриями; README также упоминает ещё одну функцию, но не раскрывает её. Модель принимает текстовые запросы и координаты, встроенные в текстовый запрос, и генерирует текст SQL. Для входных и выходных данных используются метры и/или географические координаты WGS 84. Архитектура — плотная причинная языковая модель Qwen3.5ForCausalLM с 581,4 млн параметров; библиотека — Transformers, формат весов — safetensors, размер контекста — 262144 токена. В карточке указаны английский и китайский языки, однако описанный сценарий ориентирован на запросы на английском. Модель предназначена для прототипирования преобразования естественного языка в пространственные запросы и требует проверки с конкретными формами координат и геометрий. README отмечает, что оценочных данных пока недостаточно; корректность и безопасность сгенерированного SQL следует проверять до выполнения. Лицензия — Apache-2.0.

Модель markrodrigo/Qwen-3.5-2B-Spatial-SQL-1.1 разработана Mark Rodrigo и представляет собой экспериментально дообученную методом SFT языковую модель семейства Qwen 3.5. Она преобразует текстовые запросы на английском языке вместе с координатами или геометрическими данными в пространственные SQL-запросы для PostGIS. Указанный размер — 1,7 млрд параметров, контекст — до 262 144 токенов; модель работает с текстом и выдаёт SQL-код. Модель предназначена для прототипирования узкого сценария: адаптации естественных языковых команд к географическим функциям. В версии 1.1 описаны вычисление площади, центра геометрии, буфера и расстояния между геометриями; результаты следует интерпретировать в метрах и/или координатах WGS 84. Данные для обучения синтетические. Это экспериментальная модель, а не готовый агент: README отмечает, что оценочных данных недостаточно, а получение координат из картографического интерфейса и безопасное выполнение SQL в PostGIS относятся к отдельной интеграции. Базовая модель — Qwen/Qwen3.5-2B. Репозиторий распространяется по лицензии Apache 2.0.

Модель medspaner/roberta-es-clinical-trials-umls-7sgs-ner — испаноязычная модель распознавания медицинских именованных сущностей, разработанная на основе bsc-bio-ehr-es и дообученная на корпусе CT-EBM-ES. Она размечает токены в текстах клинических исследований семью семантическими группами UMLS: анатомические объекты, химические и фармакологические вещества, медицинские устройства, заболевания и патологические состояния, живые организмы, физиологические процессы и медицинские процедуры. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и принимает текст с контекстным окном 514 токенов. На тестовом наборе авторы сообщают F1 0,886 и точность 0,961. Модель предназначена для извлечения медицинских сущностей из испанских аннотаций и объявлений клинических исследований. Распространяется по лицензии CC BY-NC 4.0. Авторы предупреждают, что модель находится в разработке, может иметь смещения и не должна использоваться для медицинских решений без участия и контроля специалиста.

Модель karoldobiczek/roberta-large-fomc — дообученная версия FacebookAI/roberta-large для классификации текста. Она содержит 454,1 млн параметров, использует архитектуру RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. В README приведены результаты на тестовой выборке: точность 0,666 и функция потерь 0,7874; назначение меток и набор данных не описаны. Модель опубликована под лицензией MIT.

SegFormer-B0 от NVIDIA — модель семантической сегментации изображений, дообученная на наборе Cityscapes при разрешении 768×768. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; исходная модель предварительно обучалась на ImageNet-1k, затем дообучалась на целевой задаче. Модель предназначена для попиксельной разметки городских сцен, например для анализа изображений улиц и дорожной инфраструктуры. Репозиторий содержит веса в форматах PyTorch и TensorFlow. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.