II.8Инженерия данных и аналитика

Segformer B2 — модель семантической сегментации изображений, опубликованная пользователем smp-hub и обученная с библиотекой segmentation-models-pytorch. Модель предназначена для разметки городских сцен по классам; в карточке указан датасет Cityscapes, а название репозитория указывает на входной размер 1024×1024 и обучение в течение 160 тысяч шагов. Модель принимает изображение и выдаёт пиксельную карту классов. Веса доступны в формате safetensors. Лицензия указана как other, без дополнительных условий в карточке; перед использованием следует проверить условия у автора модели.

KoljaB/SentenceFinishedClassification — модель классификации последовательностей на базе DistilBERT, опубликованная пользователем KoljaB на Hugging Face. По названию репозитория она предназначена для определения, завершено ли предложение, однако карточка модели не описывает метки классов, обучающие данные или процедуру применения, поэтому конкретный критерий классификации нельзя подтвердить. Модель содержит около 67 млн параметров, использует архитектуру DistilBertForSequenceClassification и имеет контекст длиной до 512 токенов. Опубликована в формате Safetensors под лицензией MIT. Доступные сведения не устанавливают язык обучения или качество работы.

Adit-jain/soccana — модель компьютерного зрения для обнаружения объектов в футбольных видео. Это дообученная версия YOLO11n, предназначенная для распознавания игроков, мяча и судей, в том числе при разных ракурсах, масштабе объектов, освещении и частичной видимости. Модель обучена на наборе данных Soccana_player_ball_detection_v1. Обнаружения можно использовать как основу для отслеживания игроков, распределения по командам, тактического анализа и извлечения игровых показателей. В README заявлена работа в реальном времени со скоростью 30+ кадров в секунду на современных GPU; фактическая производительность зависит от оборудования и условий обработки. Модель принимает изображения или кадры видео и выдаёт классы объектов с рамками обнаружения. Лицензия в предоставленных данных не указана.

stanfordnlp/stanza-fa — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа персидского языка. Она предназначена для обработки текста в конвейере Stanza; в карточке Hugging Face указана задача классификации токенов, а описание семейства упоминает синтаксический анализ и распознавание сущностей. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели и длину контекста. Модель рассчитана на персидский язык; сведений о поддержке других языков нет. Для использования требуется текст на входе, результатом служат метки для токенов. Возможности конкретного чекпойнта за пределами классификации токенов карточка подробно не раскрывает.

Sundanese BERT Base Emotion Classifier — модель классификации эмоций в текстах на сунданском языке, разработанная Уилсоном Вонгсо. Она основана на предварительно обученной модели Sundanese BERT Base Uncased от luche и дообучена на сунданских публикациях из Twitter. Архитектура — BERT для классификации последовательностей; модель содержит около 136,7 млн параметров и принимает тексты длиной до 512 токенов. Модель предназначена для определения эмоциональной окраски сунданских сообщений, в том числе публикаций в социальных сетях. В README для оценки на отложенной части датасета указаны accuracy 96,82% и macro-F1 96,75%; качество на других жанрах и источниках может отличаться. Результаты могут наследовать смещения исходной модели и обучающего набора. Лицензия — MIT.

timm/tf_efficientnetv2_b2.in1k — сверточная модель семейства EfficientNetV2 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы статьи на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется через библиотеку timm. Она содержит около 10,1 млн параметров и требует изображение размером 260 × 260 пикселей при тестировании (размер обучения — 208 × 208).

tf_mobilenetv3_large_minimal_100.in1k — модель классификации изображений семейства MobileNetV3, обученная авторами статьи Searching for MobileNetV3 на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она доступна через библиотеку timm и предназначена для определения объектов на изображениях, а также может использоваться как компактная основа для извлечения признаков и построения эмбеддингов. Модель содержит около 3,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,2 GMAC. Небольшой размер делает её подходящей для эффективной классификации изображений. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

Модель Somos NLP Hackathon 2022 предназначена для выявления сексистских высказываний в испаноязычных сообщениях Twitter. Её разработали medardodt, MariaIsabel, ManRo, lucel172 и robertou2; это дообученная на датасетах EXIST 2021 и MeTwo модель pysentimiento/robertuito-hate-speech для классификации текста. Архитектура — RoBERTa, число параметров — 136,3 млн, максимальная длина контекста — 130 токенов. Модель можно применять для поиска сексистских публикаций в социальных сетях, анализа таких высказываний и создания исследовательских инструментов модерации. На указанной в карточке оценочной выборке она достигла accuracy 0,83. Результат относится к конкретным данным и не гарантирует такую же точность на других площадках или типах текста. Модель работает с текстом на испанском языке. Авторы отмечают ограниченный размер обучающих данных и ограничения лицензий и политик на свободное распространение исходных датасетов. Лицензия модели — Apache-2.0.

google/vit-base-patch16-224-in21k — базовая модель Vision Transformer (ViT), впервые опубликованная Google; веса в этом репозитории преобразованы из timm в PyTorch. Это энкодер-трансформер примерно на 113,2 млн параметров, предварительно обученный с учителем на ImageNet-21k: около 14 млн изображений и 21 843 класса. Модель принимает изображения RGB, разбитые на патчи 16×16, при разрешении 224×224, и формирует векторные представления изображений. Модель предназначена для извлечения признаков и использования в качестве основы для классификации изображений и других задач компьютерного зрения. У неё нет готовой дообученной классификационной головы, но есть предварительно обученный pooler; для целевых задач можно добавить и обучить собственную классификационную голову или дообучить энкодер. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Для применения требуется подготовить изображение: привести его к разрешению 224×224 и нормализовать RGB-каналы. Карточка отмечает, что при дообучении более высокое разрешение 384×384 может давать лучшие результаты. Модель обучалась на ImageNet-21k, поэтому её признаки могут хуже подходить для изображений и классов, существенно отличающихся от обучающих данных.

Google ViT Huge Patch14 — визуальный трансформер-энкодер, предобученный на ImageNet-21k с учителем. Модель содержит около 839 млн параметров и принимает изображения размером 224×224 пикселя, разбивая их на патчи 14×14 для обработки трансформером. Веса в репозитории конвертированы из timm; доступны варианты для PyTorch, TensorFlow и JAX/Flax. Модель предназначена для извлечения признаковых представлений изображений и последующего обучения классификатора или другой задачи компьютерного зрения. Веса классификационной головы не настроены, но предобученное представление и pooler можно использовать в downstream-задачах. Для тонкой настройки на классификацию в исходной карточке отмечено, что более высокое разрешение 384×384 может давать лучшие результаты. Лицензия — Apache-2.0.

Модель tihon-nth/vivit-vit-8-10-epochs-5_class_2_p0_full_splited-1789278831.6698494 — дообученная видеомодель ViViT, созданная на основе google/vivit-b-16x2-kinetics400. Она предназначена для классификации действий в видео. Архитектура реализована классом VivitForVideoClassification и содержит 113,2 млн параметров; модель работает с видео и выдаёт метки классов. В README указаны результаты на оценочном наборе: loss 0,6251 и accuracy 0,8115, но набор данных и состав классов не описаны. Модель распространяется в формате safetensors по лицензии MIT.

eugenehp/w2v-bert-2.0 — это staging-репозиторий с перераспространёнными весами энкодера Seamless W2V-BERT 2.0 Conformer для запуска через RLX. Модель содержит 402,7 млн параметров; доступны веса Safetensors и GGUF в формате F16. Репозиторий подготовлен для загрузчиков RLX и ссылается на пакет rlx-wav2vec2-bert. Энкодер предназначен для извлечения признаков из аудио и может служить компонентом речевых ML-конвейеров. README предупреждает, что эти файлы не являются основным поддерживаемым runtime-пакетом RLX, а репозиторий опубликован как стабильная точка загрузки для рецептов RLX. Лицензия — MIT.

acatorcini/yolov9-soccer-ball — дообученный детектор мяча на базе YOLOv9 для любительских футбольных матчей. Он предназначен для покадровой локализации мяча в видео с боковой камеры, где мяч занимает всего несколько пикселей; модель также используется в конвейере анализа футбольных видео для поиска начальных паттернов розыгрыша. Выход модели — рамка одного класса: «мяч». В репозитории есть веса Ultralytics и формат ONNX; для инференса доступны Ultralytics и onnxruntime. Для типичных дальних планов полезен диапазон уверенности 0,15–0,35; в производственном конвейере мяч обнаруживается примерно в 63% кадров. Модель обучена на размеченных кадрах любительских матчей с боковой камеры, снятых в 1080p при разных условиях площадки и освещения. Лицензия репозитория — AGPL-3.0. Модель хуже работает на крупных планах и съёмке с дрона; она не обнаруживает игроков и рассчитана только на футбольный мяч.

AraBERTv0.2-Twitter — арабоязычная языковая модель на архитектуре BERT, разработанная командой AraBERT. Эта базовая модель продолжает предварительное обучение с задачей masked language modeling на примерно 60 миллионах арабских твитов, отобранных из коллекции в 100 миллионов. В словарь добавлены эмодзи и распространённые слова, отсутствовавшие в предыдущей версии; размер модели — около 162,4 млн параметров, формат весов — PyTorch и safetensors. Модель предназначена для работы с арабскими диалектами и текстами из Twitter. Её можно использовать для заполнения масок и как основу для дообучения под задачи обработки арабских твитов. Контекст составляет до 512 токенов, однако README сообщает, что обучение проводилось с длиной последовательности 64 токена, а использование большей длины может снизить качество. Для обучения и тестирования рекомендуется применять предоставленную предобработку, сохраняющую и отделяющую эмодзи. Сведения о лицензии в доступных данных отсутствуют.

Модель Neuraly на базе BERT предназначена для анализа тональности предложений на итальянском языке. Она дообучена на предобученной модели bert-base-italian-cased и относится к архитектуре BertForSequenceClassification; число параметров — 137,9 млн, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель обучена на 45 тысячах предварительно обработанных твитов из двух наборов Sentipolc EVALITA 2016. На тестовом разбиении авторы сообщают точность 82%. Она подходит для определения тональности итальянских сообщений и предложений, в том числе публикаций в социальных сетях. Обучающие данные заметно связаны с футболистами и футбольными командами, поэтому результаты на других темах могут отличаться. Упоминания пользователей, URL и адреса электронной почты удалялись при предобработке. Лицензия — MIT.

CamDistill-4B — мультимодальная модель для понимания движения камеры в видео, созданная на основе Qwen/Qwen3-VL-4B-Instruct. Она использует обучаемый модуль Camera Token Module, который формирует геометрически информативные токены камеры, дистиллированные из VGGT, и передаёт их языковой модели. По видео модель выдаёт структурированный JSON с временными сегментами движения камеры. Модель предназначена для анализа и разметки движений камеры по сегментам видео. Она дообучена методом Camera Token Distillation и сохраняется в формате safetensors. Для корректного запуска требуется репозиторий CamDistill с пользовательским типом модели и изменённым прямым проходом; загрузка как обычной Qwen3VLForConditionalGeneration не обработает дополнительные веса модуля. Лицензия — Apache-2.0.

iioSnail/ChineseBERT-base — это адаптированная для прямой загрузки через API Hugging Face версия ChineseBERT-base, основанной на архитектуре BERT и разработанной ShannonAI. В модели на 131,1 млн параметров предсказание замаскированных токенов усилено информацией о начертании и пиньине китайских иероглифов; она принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для заполнения пропусков в китайском тексте и получения скрытых представлений токенов, которые можно использовать в других NLP-сценариях. README указывает, что её можно вызывать как обычную BERT-модель через Hugging Face API; для токенизации может потребоваться библиотека pypinyin. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии AFL-3.0.

Chinese BERT with Whole Word Masking — предварительно обученная языковая модель BERT для китайского языка, разработанная командой HFL. Вариант whole word masking маскирует целые слова при предобучении; модель построена на архитектуре BERT и содержит 129,5 млн параметров. Она принимает текст и предсказывает замаскированные токены, что подходит для задач заполнения пропусков и как основа для дальнейшей адаптации к задачам обработки китайского языка. Модель поддерживает контекст до 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Репозиторий распространяется по лицензии Apache 2.0. Карточка не приводит количественных оценок качества и подробного описания ограничений; применение за пределами китайского языка не заявлено.

DASS medium AudioSet 50.2 — модель классификации аудио семейства DASS, разработанная авторами статьи «DASS: Distilled Audio State-space Models Are Stronger and More Duration-Scalable Learners». Это версия DASS medium с 49 млн параметров, дистиллированная из SSLAM (88 млн параметров) и обученная для классификации звуков на AudioSet-2M. Модель основана на VMamba — архитектуре пространства состояний, применённой к аудио; она выдаёт оценки классов звуковых событий. Модель предназначена для распознавания звуковых событий в аудиозаписях, включая длинные записи. В README заявлена устойчивость к изменению длительности аудио: модель сохраняет заметную часть качества при обработке записей значительно длиннее обучающих примеров. Для варианта с обозначением 50.2 приведено mAP 50.2; в том же README для DASS medium также указано mAP 47.6, поэтому конкретный результат зависит от версии и условий оценки. В репозитории доступны веса Safetensors для Transformers; модель использует входное аудио и выдаёт классификационные оценки. Лицензия — BSD-3-Clause. Карточка не указывает поддерживаемые естественные языки, а применение модели ориентировано на классификацию звуков, а не на понимание речи или генерацию аудио.

Data2Vec-Audio-Large — крупная модель самоконтролируемого обучения аудиоречи, разработанная Facebook. Она использует Transformer и метод self-distillation: по маскированному представлению входного аудио предсказывает контекстные латентные представления. Модель содержит 402,7 млн параметров и предназначена для извлечения признаков из речи; входное аудио должно быть дискретизировано с частотой 16 кГц. Чекпойнт предварительно обучен на аудио без текстовой разметки и не содержит токенизатора. Для распознавания речи его нужно дообучить на размеченных текстовых данных и добавить токенизатор. Модель рассчитана на английскую речь; в карточке указан набор LibriSpeech ASR. Распространяется под лицензией Apache-2.0.

AFZAL0008/dinoV2_Best — модель классификации изображений, дообученная автором на базе facebook/dinov2-base. В основе лежит визуальный трансформер DINOv2; модель содержит 113,2 млн параметров и сохранена в формате safetensors. Модель предназначена для отнесения изображений к классам. В README указано, что она обучалась на наборе imagefolder; на тестовой выборке приведено значение Loss 0,1138. Сведения о классах, целевой области применения и точных характеристиках изображений отсутствуют, поэтому применимость к конкретным сценариям по карточке оценить нельзя. Лицензия репозитория — Apache-2.0. README не приводит дополнительных рекомендаций по использованию или ограничений.

Bunny2308/distilhubert-gtzan-exp03 — компактная модель классификации аудио, дообученная на базе ntu-spml/distilhubert на наборе GTZAN. Она построена на HuBERT и содержит 18,9 млн параметров; веса сохранены в формате safetensors. Модель предназначена для отнесения аудиозаписей к классам, представленным в обучающей разметке GTZAN. На тестовой выборке автор сообщает accuracy 0,84 и loss 0,6567. Базовая модель рассчитана на обработку аудио с частотой 16 кГц. Лицензия — Apache-2.0. Карточка не описывает полный перечень классов, рекомендуемую длительность аудио или ограничения качества, поэтому результаты на других данных не установлены.

ERNIE-health-zh — китайская биомедицинская языковая модель семейства ERNIE, предварительно обученная на обезличенных диалогах между врачами и пациентами, электронных медицинских картах и учебниках. Репозиторий nghuyong содержит версию для PyTorch, преобразованную из официальной модели ERNIE для PaddlePaddle; в README упомянута проверка точности преобразования. Модель предназначена для извлечения признаковых представлений китайского медицинского текста и может служить основой для последующих задач обработки медицинских текстов. Архитектура — плотная ErnieModel с 12 слоями, размером скрытого представления 768 и 12 головами внимания; число параметров — 130,6 млн, контекст — до 512 токенов. Модель ориентирована на китайский язык и медицинский текст. Лицензия в предоставленных данных не указана.

rajaadil разработал англоязычную модель FinBERT для классификации тональности финансовых текстов. Она принимает предложение или короткий фрагмент текста и относит его к одному из трёх классов: положительному, отрицательному или нейтральному. Модель основана на ProsusAI/finbert и дополнительно дообучена на наборе Financial PhraseBank, используя подмножество sentences_allagree с согласованными оценками аннотаторов. Модель подходит для анализа новостных заголовков, отчётности о доходах, комментариев аналитиков и других формальных финансовых высказываний. Архитектура — BERT для классификации последовательностей, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README указаны accuracy 0,820 и macro-F1 0,811 на отложенной выборке. Лицензия — Apache-2.0. Модель рассчитана на английский язык и финансовую тематику; на общих или нефинансовых текстах, а также на сленге, мемах и неформальных публикациях её оценки могут быть менее надёжными. Тональность отражает финансовый или рыночный смысл, а не личное мнение.

FinanceInc/finbert-pretrain — предварительно обученная модель FinBERT на базе BERT, разработанная для финансового NLP. Она обучалась на корпусе объёмом 4,9 млрд токенов: корпоративных отчётах 10-K и 10-Q, расшифровках звонков о доходах и аналитических отчётах. В репозитории указано около 137 млн параметров; модель принимает текст с контекстом до 512 токенов и предназначена для задачи fill-mask. Модель можно дообучать для прикладных финансовых задач, например классификации тональности аналитических материалов. Для запуска доступен формат PyTorch и библиотека Transformers. Карточка названа демонстрационной и отсылает к оригинальной карточке модели. Лицензия в предоставленных данных не указана.

Finbro v0.1.0 — это дообученная разговорная языковая модель taddeusb90 на архитектуре Llama 3 с 7,5 млрд параметров, основанная на Dolphin 2.9 Llama 3 8B Instruct. Она предназначена для финансовых сценариев: извлечения сведений из неструктурированных документов, ответов на вопросы и объяснения финансовых материалов пользователям с разным уровнем подготовки. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Обучение проводилось на наборе Finbro Dataset, включающем более 300 тысяч записей: пары вопросов и ответов, финансовые отчёты и другие финансовые задания из Investopedia и Sujet Finance. Разработчик описывает выпуск как промежуточный: обучение ещё продолжается, а точность и способности планируется улучшать. Модель обучена следовать инструкциям и характеризуется автором как uncensored, поэтому перед использованием в сервисе необходимы собственные проверки и защитные механизмы. Распространяется по лицензии Meta Llama 3 Community License Agreement. Ответы модели могут содержать ошибки; README предупреждает, что не следует полагаться на них без проверки, особенно при финансовых решениях.

flaird-modernbert-large-attention-multitask — модель классификации последовательностей на архитектуре FlairD, дообученная на неизвестном наборе данных. В карточке приведены результаты оценки: ROC-AUC 1,0, F1 0,997 и другие метрики, однако назначение классов и условия оценки не описаны. Модель предназначена для задачи text-classification и принимает текст, выдавая классификационные оценки или метки. Репозиторий использует Transformers и формат весов safetensors. Базовая модель, языки, размер и лицензия в доступных данных не установлены. Практическую надёжность результатов трудно оценить без сведений о данных и методике проверки.

MahmoodAnaam/flaird-modernbert-large-concatenation-multitask — дообученная модель классификации последовательностей на архитектуре Flaird, опубликованная в формате safetensors и предназначенная для задачи text-classification. В README указаны метрики на оценочном наборе: ROC-AUC 1,0, F1 0,996, C@1 0,992 и среднее значение 0,996. Описание назначения, обучающих данных и ограничений в карточке отсутствует. Базовая модель названа неопределённо, поэтому определить конкретное семейство ModernBERT или сценарий классификации по доступным сведениям нельзя. Лицензия и условия использования не приведены.

MahmoodAnaam/flaird-modernbert-large-concatenation-multitask-frozen — модель классификации последовательностей на архитектуре FlairD. В README указано, что она дообучена на неизвестном наборе данных; библиотека Transformers, веса опубликованы в формате safetensors. Модель предназначена для классификации текста. README приводит результаты оценки: ROC-AUC 0,978, F1 0,97 и среднее значение метрик 0,966. Назначение классификационных меток, данные обучения и практические сценарии применения не описаны. Лицензия, размер модели, поддерживаемые языки и длина контекста в предоставленных данных не указаны.

Модель shanhy/furina_clir_seed12_cross_translation_augmentation_0.1val — дообученная версия yihongLiu/furina на неизвестном наборе данных. Она использует архитектуру RoBERTa и предназначена для классификации текста; в метаданных указано 421,3 млн параметров и контекст длиной 514 токенов. Модель сохранена в формате safetensors. В README приведены результаты оценки: loss 0,0213 и корреляция Спирмена 0,7695. Назначение набора данных, поддерживаемые языки и конкретные сценарии применения не раскрыты. Лицензия в предоставленных данных не указана.