II.8Инженерия данных и аналитика

MediAlbertina PT-PT 900M NER — модель семейства MediAlbertina, разработанная Portuguese NLP и созданная дообучением MediAlbertina PT-PT 900M для распознавания медицинских сущностей в текстах на европейском португальском языке. Это энкодер на архитектуре DeBERTaV2 с 1,1 млрд параметров и контекстом до 512 токенов; модель выдаёт метки для фрагментов текста. Модель предназначена для извлечения из анонимизированных медицинских записей диагнозов, симптомов, лекарств и дозировок, медицинских процедур, показателей жизненно важных функций, результатов обследований и описаний динамики состояния пациента. Она обучена на примерно 10 тысячах вручную размеченных медицинских сущностей из около 4 тысяч предложений португальского стационара; в карточке сообщается о превосходстве над аналогичной адаптацией общеязыковой португальской модели. Модель рассчитана на клинические тексты европейского португальского языка и не предназначена для языков или задач за пределами медицинской разметки сущностей. Обучающие данные описаны как анонимизированные, но карточка не устанавливает пригодность предсказаний для самостоятельной диагностики или клинических решений. Лицензия — MIT.

timm/mixnet_m.ft_in1k — модель классификации изображений из семейства MixNet, опубликованная авторами библиотеки timm. Она дообучена на ImageNet-1k на основе исходных весов TensorFlow с padding типа SAME и адаптирована для PyTorch. Модель также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В модели около 5 млн параметров; для входного изображения указан размер 224 × 224, вычислительная сложность — 0,4 GMAC. Она предназначена для классификации изображений по категориям ImageNet-1k и может служить компактным визуальным backbone. Весы доступны в форматах PyTorch и SafeTensors; лицензия — Apache-2.0.

vjosap/moralBERT-predict-harm-in-text — модель классификации текста, опубликованная пользователем Vjosa Preniqi на Hugging Face. Она предназначена для оценки текста по категории морального вреда и может использоваться для выявления содержания, связанного с причинением вреда. В карточке указаны задача text-classification и лицензия MIT. Подробности об архитектуре, размере, языках, обучающих данных и длине контекста в доступных сведениях не подтверждены, поэтому их нельзя надёжно описать. Модель принимает текст и выдаёт результат классификации; применимость предсказаний зависит от данных и контекста, на которых её обучали.

Aduomas/nemotron-3-diarization — вариант NVIDIA Nemotron 3 Diarization с настроенным декодером для выделения реплик говорящих в аудио. По README, веса NVIDIA не изменялись: доработка касается преобразования вероятностей по аудиокадрам в сегменты. Модель выдаёт вероятности для восьми каналов с шагом 10 мс; декодер объединяет короткие паузы одного говорящего, чтобы реже разбивать его речь на отдельные реплики. Модель предназначена для диаризации, в том числе записей клинических консультаций. На бенчмарке Omi для 15 симулированных консультаций «врач — пациент» указана DER 2,965% при допуске ±250 мс; настройки декодера подбирались на этих же записях, поэтому улучшение на новых данных может быть меньше. Результаты не проверяют записи с тремя и более говорящими, шумные помещения или реальные клиники. На строгой метрике без допуска результат хуже стандартного декодирования NVIDIA. В метаданных модель отмечена как дообучение nvidia/Nemotron-3-Diarization, хотя README уточняет, что веса базовой модели не менялись. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

NeuCodec — нейронный аудиокодек компании Neuphonic для сжатия и восстановления речи. Модель использует архитектуру на основе конечного скалярного квантования (FSQ) с единым кодбуком и предназначена для получения речевых токенов при обучении SpeechLM и систем синтеза речи. Кодек принимает аудио с частотой 16 кГц и декодирует его с повышением частоты до 24 кГц. Кодек сжимает речь до 0,8 кбит/с при скорости 50 токенов в секунду и 16 битах на токен. По описанию авторов, потери при восстановлении почти неслышны; схема FSQ также рассчитана на устойчивость к битовым ошибкам в шумных или ненадёжных каналах. Для модели указана лицензия Apache 2.0, допускающая коммерческое использование. В README она представлена как инструмент для исследователей и разработчиков, создающих голосовые модели; заявленные характеристики качества приведены авторами и не сопровождаются в карточке результатами независимой оценки.

Neurobinary — модель классификации текста на базе microsoft/deberta-v3-base, дообученная автором репозитория ajrayman. Она содержит около 211,6 млн параметров, использует архитектуру DeBERTa V2 и принимает текстовые последовательности длиной до 512 токенов. В метаданных Hugging Face задача указана как text-classification; конкретные классы и прикладная область в карточке не описаны. На тестовой выборке автор сообщает Accuracy 0,746, Precision 0,7184, Recall 0,8080, F1 0,7606 и AUC 0,8251. Данные обучения обозначены как None, а подробности о наборе данных и сценариях применения отсутствуют, поэтому результаты нельзя уверенно переносить на другие данные. Модель распространяется по лицензии MIT.

NV-Generate-MR — разработанная NVIDIA 3D-модель латентной диффузии для генерации синтетических магнитно-резонансных изображений. Архитектура включает 3D U-Net с блоками внимания; модель содержит 240 млн параметров и создана с нуля на компонентах MONAI. Модель предназначена для медицинских исследователей, разработчиков ИИ и организаций здравоохранения: она генерирует объёмы МРТ для расширения обучающих выборок, в том числе при нехватке данных по редким состояниям. Можно задавать область тела, контраст МРТ, анатомические классы, размеры изображения и воксельный шаг; при передаче списка анатомических структур создаётся также маска сегментации. Результаты сохраняются в форматах NIfTI, DICOM или NRRD. Модель рассчитана на исследовательскую и опытно-конструкторскую работу, а не на непосредственное клиническое применение. Для инференса описана интеграция с PyTorch и MONAI Core 1.5.0; оптимизация ориентирована на GPU NVIDIA Ampere и Hopper под Linux. Лицензия указана как other, поэтому конкретные условия следует проверить в репозитории модели.

Это японская базовая модель RoBERTa, разработанная nlp-waseda и предварительно обученная на японской Википедии и японской части CC-100. Она предназначена для задачи masked language modeling: модель предсказывает скрытые токены в тексте и может использоваться как основа для языковых задач на японском языке. Модель имеет плотную архитектуру RoBERTa с 137,8 млн параметров и контекстом до 514 токенов. Для токенизации использовались Juman++ 2.0.0-rc3 и SentencePiece; словарь содержит 32 000 токенов. Карточка сообщает о поддержке японской токенизации через BertJapaneseTokenizer, но отмечает, что токенизация больших наборов данных может быть медленной из-за отсутствия fast-токенизации. Модель распространяется по лицензии CC BY-SA 4.0.

NLPScholars разработала модель многометочной классификации предложений из стенограмм финансовых отчётных звонков. Это дообученная RoBERTa-base с архитектурой RobertaForSequenceClassification и 151,8 млн параметров; модель определяет в предложении признаки негативной или позитивной тональности, судебно-правовой тематики, ограничений и неопределённости. Она предназначена для анализа финансовых коммуникаций компаний, в том числе для поиска сигналов о возможном предупреждении о снижении прибыли. По README, данные для обучения включали стенограммы десяти компаний за десять лет, размеченные с использованием лексикона Loughran–McDonald и FinancialPhraseBank; для модели приводится Micro F1 82,8%. Контекст составляет 514 токенов. Модель работает с текстом и выдаёт метки классов. В метаданных лицензия не указана.

SegFormer — модель семантической сегментации изображений, разработанная авторами архитектуры SegFormer и дообученная на наборе Cityscapes. В карточке указано разрешение обучения 512×1024; метаданные относят модель к семейству SegFormer и классу SegformerForSemanticSegmentation. Доступны форматы PyTorch и TensorFlow. Модель принимает изображение и присваивает класс каждому пикселю, что подходит для анализа городских сцен и дорожной инфраструктуры. Архитектура сочетает иерархический Transformer-энкодер с компактной декодирующей головой на основе MLP. Карточка описывает дообучение на Cityscapes, но не перечисляет классы разметки или численные показатели качества. Лицензия указана как other, поэтому конкретные условия использования следует сверить с репозиторием. Модель предназначена для семантической сегментации; результаты на сценах и данных за пределами Cityscapes могут отличаться.

Aremaki/sentence-camembert-bio — модель Sentence Transformers на базе CamemBERT, разработанная автором репозитория Aremaki. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель содержит 137,8 млн параметров, принимает текст длиной до 514 токенов и распространяется в формате safetensors. Обучение использовало CosineSimilarityLoss. По названию модели она ориентирована на биомедицинские тексты, однако README не уточняет языки и конкретные медицинские области обучения. Для использования доступны Sentence Transformers и Transformers с соответствующей операцией pooling. Условия лицензии в предоставленных данных не указаны.

QCRI/SentSecBert_10k — модель на базе BERT, разработанная для работы с текстами кибербезопасности и использованная в исследовании «Semantic Ranking for Automated Adversarial Technique Annotation in Security Text». Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель подходит для семантического поиска по материалам о киберугрозах, ранжирования текстов по сходству и автоматизированной разметки техник атак. Репозиторий содержит веса PyTorch; размер модели — 96,6 млн параметров, длина контекста — 514 токенов. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

SEW-D-mid — предварительно обученная модель обработки речи от ASAPP Research на архитектуре SEW-D, разработанной как более быстрая и эффективная альтернатива wav2vec 2.0. Модель содержит около 100,7 млн параметров и обучена на аудио с частотой дискретизации 16 кГц; входные записи для неё также должны быть приведены к 16 кГц. Чекпойнт предназначен для извлечения признаков из речи и последующего дообучения под прикладные задачи: автоматическое распознавание речи, идентификацию говорящего, классификацию намерений или эмоций. В статье об архитектуре SEW сообщается об ускорении инференса и улучшении качества распознавания на LibriSpeech по сравнению с wav2vec 2.0, однако эти результаты относятся к экспериментам статьи и не гарантируют качество данного чекпойнта без дообучения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

skillspan_model — модель классификации токенов на базе BERT, дообученная автором репозитория bjmbalaka на неизвестном наборе данных. Она предназначена для присвоения меток отдельным токенам входного текста; конкретный тип разметки и предполагаемые сценарии использования в карточке не раскрыты. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification, принимает текст с контекстом до 512 токенов и сохранена в формате safetensors. В карточке приведены результаты оценки: F1 0,4430, точность 0,3825, полнота 0,5262 и accuracy 0,9297. Эти метрики не позволяют судить о качестве на конкретных задачах без сведений о классах и наборе оценки. Лицензия — Apache-2.0.

SPBERT — вариант BERT для предварительного обучения на запросах SPARQL, разработанный Hieu Tran, Long Phan, James Anibal, Binh T. Nguyen и Truong-Son Nguyen. Модель предназначена для вопросно-ответных систем, работающих с графами знаний; опубликованный пример загружает токенизатор и модель через Transformers и кодирует запрос SPARQL. Это плотная модель архитектуры BERT с 135,5 млн параметров и контекстом до 512 токенов. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Метаданные указывают задачу question-answering, а архитектура masked language model и карточка также указывают fill-mask; для практического поиска по назначению основная задача — question-answering. Лицензия в предоставленных данных не указана.

Карточка модели Rowling0506/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.

EfficientNetV2-M — модель классификации изображений семейства EfficientNetV2. Её исходные веса обучены авторами статьи на ImageNet-21k и дообучены на ImageNet-1k в TensorFlow; Ross Wightman перенёс модель в PyTorch для библиотеки timm. В репозитории доступны веса PyTorch и Safetensors под лицензией Apache-2.0. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения признаков, карт признаков и эмбеддингов изображений. Она содержит около 54,1 млн параметров; размер входа при обучении составлял 384×384 пикселя, при тестировании — 480×480. Её можно применять для категоризации изображений и как основу для задач компьютерного зрения с собственными головами или последующей обработкой признаков.

tf_mobilenetv3_small_minimal_100.in1k — компактная модель классификации изображений семейства MobileNetV3. Её обучили авторы статьи «Searching for MobileNetV3» на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель доступна через библиотеку timm. В ней около 2 млн параметров, вычислительная сложность составляет 0,1 GMAC, а рекомендованный размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как свёрточная основа для извлечения карт признаков и эмбеддингов изображений. Компактный размер и низкая вычислительная стоимость подходят для приложений с ограниченными ресурсами. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Это дообученный детектор YOLO11m от Ultralytics, подготовленный на наборе VisDrone-DET в рамках проекта DetectionBench. Он предназначен для обнаружения объектов на изображениях с дронов: пешеходов, людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов, мотоциклов и других указанных классов. Модель принимает изображения и выдаёт рамки объектов с классами и оценками уверенности. На тестовой выборке VisDrone-DET автор сообщает mAP@50 48,03% и mAP@50–95 28,56%. Модель ориентирована на плотные сцены со множеством мелких объектов, снятых с высоты; результаты зависят от условий съёмки и состава классов. Модель распространяется по лицензии AGPL-3.0; README также указывает, что для VisDrone-DET действует ограничение исходных авторов на некоммерческое исследовательское использование, применимое и к обученным на наборе моделям.

Модель DunnBC22 — дообученная версия Google ViT-Base/16, предназначенная для бинарной классификации изображений автомобилей и мотоциклов. Она использует архитектуру Vision Transformer с патчами 16×16; размер составляет 113,2 млн параметров. Модель принимает изображение и предсказывает один из двух классов: автомобиль или мотоцикл. На оценочном наборе автор сообщает точность 0,9938 и F1 0,9939. Модель подходит для сортировки фотографий по этим категориям и демонстрационных задач компьютерного зрения. Лицензия модели — Apache-2.0; сторонний датасет может иметь отдельные ограничения на использование.

Модель tihon-nth/vivit-vit-fc-loss-8-10-epochs-5_class_2_p0_full_splited-1789279137.2153802 — дообученная Tihon NTH версия ViViT для классификации видео. Она основана на google/vivit-b-16x2-kinetics400, содержит 113,2 млн параметров и сохраняется в формате safetensors. На оценочном наборе указаны loss 0,3046 и accuracy 0,8101; набор данных и классы классификации не описаны. Модель предназначена для отнесения видеороликов к категориям в задачах видеоанализа. Использование регулируется лицензией MIT.

Dpngtm/wav2vec2-emotion-recognition — англоязычная модель распознавания эмоций в речи, дообученная автором на базе facebook/wav2vec2-base-960h. Она использует Wav2Vec2 с замороженным сверточным экстрактором признаков и обучаемой головой классификации последовательностей; размер модели — 113,3 млн параметров. Модель относит аудио к одному из семи классов: злость, отвращение, страх, радость, нейтральное состояние (включая спокойствие), грусть и удивление. Модель предназначена для классификации эмоциональной окраски английской речи. Для обучения использовались объединённые наборы TESS, CREMA-D, SAVEE и RAVDESS; в README заявлены точность 79,94% и F1 79,65% на валидации. Входную речь следует привести к частоте дискретизации 16 кГц. Лицензия — MIT.

Kuongan/xlm-roberta-base-pcm-finetuned — дообученная Kuongan модель XLM-RoBERTa Base для классификации текста. Она использует плотную архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Модель принимает текст и выдаёт классы текста. Контекст составляет 514 токенов. Модель опубликована в формате safetensors под лицензией MIT. В README приведены результаты оценки: F1 0,4302, ROC AUC 0,6457, accuracy 0,3081 и loss 0,4237; датасет и назначение классов не описаны, поэтому результаты нельзя соотнести с конкретной предметной областью.

keremberke/yolov8m-building-segmentation — модель сегментации изображений на базе YOLOv8m, опубликованная Keremberke. Она предназначена для обнаружения и выделения контуров зданий на изображениях; единственная указанная метка — Building. Модель обучена на наборе данных keremberke/satellite-building-segmentation и рассчитана на сценарии анализа спутниковых изображений. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. Сведения о лицензии в доступных данных отсутствуют.

keremberke/yolov8n-shoe-classification — модель классификации изображений обуви на базе YOLOv8, опубликованная пользователем keremberke и работающая с библиотекой Ultralytics. Она относит изображение к одному из трёх классов брендов: adidas, converse или nike. Модель предназначена для распознавания этих брендов на изображениях обуви. В репозитории указаны веса PyTorch и датасет keremberke/shoe-classification. Лицензия и сведения о размере модели в предоставленных данных отсутствуют.

Zireal-0 — экспериментальная дообученная языковая модель Daemontatox на базе DeepSeek-R1-Zero. Это причинный трансформер семейства DeepSeek-V3 с архитектурой MoE; в метаданных указано 37,6 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 163 840 токенов по метаданным. Карточка описывает дообучение на наборах для математических задач и пошаговых рассуждений, включая GSM8K Step-by-Step и несколько наборов Chain-of-Thought. Модель предназначена для экспериментов с многошаговыми рассуждениями, решения математических задач, логического вывода и генерации кода. README приводит результаты бенчмарков, но отмечает небольшие заявленные улучшения относительно базовой модели, снижение результата на LiveCodeBench и отсутствие независимой проверки оценок. Указанные в README 684 млрд параметров и контекст 32 768 токенов расходятся с метаданными каталога; поэтому в характеристиках использованы значения метаданных. Карточка заявляет отсутствие механизмов безопасности и предупреждает о риске вредных, предвзятых или некорректных ответов. Модель распространяется по лицензии Apache-2.0; результаты и описание обучения недостаточно документированы для воспроизводимой оценки качества.

Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

Модель ihebmbarek/bert-finetuned-imdb — дообученная версия BERT-base-uncased для классификации текста. По названию репозитория она предназначена для классификации отзывов о фильмах, однако README не описывает метки классов, обучающие данные и сценарии применения. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. В README приведено значение loss 0,0009 на оценочном наборе, но без сведений о наборе данных и методике оценки этот результат нельзя интерпретировать как надёжную оценку качества.

beto-sarcasmo-bs16-ep6 — дообученная PauAnd29 модель BETO на базе dccuchile/bert-base-spanish-wwm-cased для классификации испаноязычных текстов и выявления сарказма, на что указывает название модели. Это BERT-модель для классификации последовательностей с 137,1 млн параметров и контекстом до 512 токенов. В карточке приведены результаты на оценочной выборке: F1 Macro 0,9168, F1 Weighted 0,9208 и Accuracy 0,9209. Датасет и подробности разметки не описаны, поэтому эти метрики нельзя уверенно переносить на другие данные. Лицензия в метаданных и README не указана.

TencentGameMate/chinese-hubert-large — предварительно обученная модель HuBERT Large от Tencent GameMate для извлечения признаков из аудио. Она обучена на подмножестве WenetSpeech L объёмом 10 тысяч часов и содержит около 402,7 млн параметров. Модель реализована как плотная архитектура HuBERT и распространяется в формате PyTorch; для работы с ней в карточке указана библиотека Transformers. Модель принимает аудио и формирует акустические представления, которые можно использовать как основу для последующей обработки речи. В частности, её можно дообучить на размеченных текстовых данных для распознавания речи. Токенизатора в комплекте нет, поскольку предобучение выполнялось только на аудио; сама модель не является готовой системой распознавания речи. Карточка указывает лицензию MIT. Для распознавания речи потребуется создать токенизатор и дообучить модель на размеченных аудиоданных.