II.8Инженерия данных и аналитика

tue-mps/cityscapes_semantic_eomt_large_1024 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для высококачественной и эффективной сегментации. EoMT основана на Vision Transformer и предназначена для выделения и классификации областей изображения; архитектура поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой. Этот чекпойнт ориентирован на семантическую сегментацию городских сцен из Cityscapes. Модель содержит 402,7 млн параметров и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Веса распространяются по лицензии MIT. README не сообщает точные классы разметки или метрики качества этого чекпойнта.

DatedGPT-2021 Base — предварительно обученная языковая модель семейства DatedGPT, разработанная для анализа и прогнозирования с учётом временного среза данных. Она обучена только на данных, доступных до 2021 года, поэтому подходит для сценариев, где важно избегать заглядывания в будущее и смещения из-за использования более поздней информации. Модель использует плотную архитектуру LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Это базовая модель без дообучения для следования инструкциям: она продолжает текст, но не предназначена для диалогового режима или выполнения инструкций. Поддерживаемый язык — английский. Знания модели ограничены срезом данных до 2021 года; у неё нет RLHF и настройки безопасности. Сведения о лицензии в предоставленных источниках отсутствуют.

SamirFaragHarb/distilbert-rotten-tomatoes — англоязычная модель классификации текста, созданная дообучением DistilBERT distilbert/distilbert-base-uncased. По названию репозитория модель связана с отзывами о фильмах Rotten Tomatoes, однако README не уточняет набор меток и характеристики обучающих данных. Модель предназначена для классификации текста; доступный контекст составляет до 512 токенов. Она использует архитектуру DistilBertForSequenceClassification и распространяется в формате safetensors. Лицензия — Apache-2.0.

Модель senthilsdglakhsg/distilhubert-gtzan разработана как дообученная версия ntu-spml/distilhubert для классификации музыкальных аудиозаписей по жанрам из набора GTZAN. Она построена на архитектуре HuBERT и содержит 18,9 млн параметров; для работы используется библиотека Transformers и формат весов Safetensors. На оценочной выборке GTZAN указаны accuracy 0,83 и loss 1,0795. Модель принимает аудио и выдаёт метку класса, поэтому подходит для автоматической жанровой разметки музыкальных фрагментов. Лицензия — Apache-2.0. Подробности о составе классов, длине аудиофрагментов и переносе качества на другие музыкальные данные не приведены.

EfficientNet-B2 — сверточная модель классификации изображений из семейства EfficientNet, опубликованная проектом timm. Модель обучена на ImageNet-1k с рецептом RandAugment и может использоваться как классификатор или как основа для извлечения признаков и эмбеддингов изображений. В модели около 9,1 млн параметров и вычислительная сложность около 0,9 GMACs. Для обучения использовались изображения размером 256 × 256, для оценки — 288 × 288. Репозиторий предоставляет веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий. Модель предназначена для классификации изображений общего назначения и извлечения визуальных признаков. Её категории обучения ограничены набором ImageNet-1k, поэтому точность на специализированных или существенно отличающихся от ImageNet данных может быть ниже; для таких сценариев может потребоваться адаптация.

EVA02 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она предварительно обучена на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя и затем дообучена авторами статьи на ImageNet-22k. Архитектура Vision Transformer использует mean pooling, SwiGLU, Rotary Position Embeddings и дополнительный LayerNorm в MLP; размер модели — 326,4 млн параметров, входное разрешение — 448 × 448 пикселей. Модель подходит для присвоения изображению категорий и получения эмбеддингов для последующих задач компьютерного зрения. В карточке приведены результаты классификации на ImageNet-22k и примеры использования через timm. Чекпойнт timm сохранён в float32; исходные версии EVA02 могут быть доступны в float16 или bfloat16. Модель распространяется по лицензии MIT.

Food-101-93M — модель классификации изображений еды, созданная prithivMLmods на основе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification на наборе Food-101. Она относит фотографию блюда к одному из 101 классов, включая суши, гамбургер, вафли и пад-тай. Модель предназначена для распознавания блюд на фотографиях в приложениях для учёта питания и калорий, подбора рецептов, умных кухонных устройствах, оцифровки ресторанных меню и автоматической разметки наборов изображений. Для работы используется библиотека Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Классификация ограничена 101 классом Food-101, поэтому модель может неверно распознавать блюда вне этого набора или неоднозначные изображения. README не приводит оценок качества.

rnagabh/gemma4-vision-encoder — извлечённый из мультимодальной Gemma 4 31B компании Google DeepMind энкодер изображений на основе ViT. Он преобразует изображения в последовательности визуальных признаков размерности 1152; в архитектуре используются 27 слоёв, 2D RoPE и обучаемые позиционные эмбеддинги. Модель предназначена для извлечения признаков и построения систем компьютерного зрения, например классификаторов на основе линейного классификатора поверх эмбеддингов. В README приведён результат 94% точности линейного классификатора на CIFAR-10. Энкодер принимает изображения после предобработки через Gemma4ImageProcessor, который выполняет изменение размера, разбиение на патчи, нормализацию и формирование позиционных ID. Модель поддерживает изображения с разными соотношениями сторон и выдаёт визуальные признаки; для разделения результатов пакетной обработки нужно учитывать число soft-токенов на изображение. Это извлечённая и дообученная часть google/gemma-4-31B-it, веса BF16 в формате safetensors. Лицензия — Apache 2.0.

ifoodie-detail-rating-v15.2 — модель классификации изображений из семейства Swin с примерно 33 млн параметров, опубликованная под идентификатором sainteye/ifoodie-detail-rating-v15.2. В метаданных Hugging Face она обозначена как модель для image-classification на базе PyTorch и Transformers. Модель предназначена для отнесения изображений к одной из трёх категорий качества или предпочтительности, представленных китайскими метками «中間» (среднее), «偏壞» (скорее плохое) и «偏好» (предпочтительное). По названию модели её можно применять для оценки визуальных материалов о еде или блюдах, например при отборе фотографий для сервиса о ресторанах и продуктах. В README заявлена точность 0,9804. Модель подходит для автоматической сортировки и предварительной оценки изображений, однако README не содержит сведений о составе и размере обучающей выборки, процедуре подготовки изображений, точном формате входа, лицензии и границах обобщения. Поэтому заявленную точность следует интерпретировать с учётом возможного расхождения между тестовыми данными и реальными изображениями.

Карточка модели ai4bharat/IndicBERTv2-MLM-Back-TLM на Hugging Face совпадает с карточкой ai4bharat/IndicBERTv2-MLM-only, поэтому описание составлено по ней. IndicBERTv2-MLM-only — многоязычная модель на архитектуре BERT от AI4Bharat, обученная на корпусе IndicCorp v2 с задачей маскированного языкового моделирования. Она предназначена для предсказания скрытых токенов и как основа для дообучения задачам обработки языков Индии и английского. Модель содержит около 305,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель поддерживает 23 индийских языка и английский; в карточке перечислены, среди прочих, ассамский, бенгальский, бодо, догри, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, маратхи, манипури, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Лицензия — MIT. Подходит для заполнения пропусков в тексте и как база для языковых задач после дополнительного дообучения.

industry-bert-loans — разработанная llmware модель эмбеддингов на основе BERT и архитектуры Sentence Transformer, дообученная для работы с кредитными соглашениями. Она формирует векторные представления текста, пригодные для семантического поиска и сравнения фрагментов документов в сценариях, связанных с займами и кредитованием. Модель обучалась на общедоступных коммерческих договорах кредитования, а также договорах обеспечения, кредитования и андеррайтинга; её можно использовать как специализированную замену универсальной модели эмбеддингов в этой области. Поддерживается английский язык, размер модели — 136,7 млн параметров, контекст — до 512 токенов. Лицензия — Apache 2.0. Качество результатов за пределами финансово-кредитной тематики может снижаться. Как и другие модели эмбеддингов, модель может давать аномальные векторные представления; специальных мер для снижения смещений данных или защитных механизмов не заявлено.

Kronos-base — базовая предобученная модель семейства Kronos от NeoQuasar для анализа финансовых временных рядов в виде свечей (K-lines). Это декодерный Transformer с 102,3 млн параметров и контекстом 512 токенов; специальный токенизатор преобразует многомерные данные OHLCV в дискретные токены, после чего модель обучается авторегрессионно предсказывать последовательности. В README указано обучение на более чем 12 млрд свечных записей с 45 бирж. Модель предназначена для прогнозирования ценовых рядов и волатильности, а также генерации синтетических финансовых данных. Она рассчитана на нулевой сценарий обучения на пользовательских данных и принимает исторические свечи с временными метками, возвращая прогнозы OHLCV и объёма/суммы. Веса опубликованы в формате safetensors под лицензией MIT. Качество прогнозов зависит от данных, рынка и горизонта прогнозирования; финансовые временные ряды шумны, поэтому прогнозы не гарантируют точность и не являются сами по себе торговой рекомендацией.

Карточка модели shangwei302/Kronos-Tokenizer-2k на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. 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.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_2 — модель, опубликованная пользователем Jeevesh8 на Hugging Face. Это вариант BERT-base-uncased, дообученный для задачи Text Classification на QQP (Quora Question Pairs), то есть для определения, являются ли две вопросительные формулировки семантически эквивалентными или дублирующими друг друга. Модель предназначена для классификации пар текстов на английском языке, а не для генерации текста или универсального диалога. Из идентификатора следует, что при обучении использовалась максимальная длина последовательности 128 токенов; суффикс ft_2, вероятно, обозначает один из вариантов или запусков fine-tuning, но точная методика этого варианта по доступным данным не установлена. Архитектура и остальные характеристики наследуются от BERT-base-uncased, однако точные число параметров, метки классов, показатели качества и детали обучения для данной версии надёжно не указаны. Сильная сторона модели — специализация на сопоставлении вопросов; ограничение — узкая область применения и зависимость от английского языка и формата входных пар. Сведения о лицензии этой конкретной публикации не установлены.

Math-doc-refining-lm — языковая модель, разработанная на основе gair-prox/RedPJ-ProX-0.7B и дообученная для уточнения математических документов посредством генерации программ. Её можно применять к математическим корпусам предобучения, например Open-Web-Math. Модель построена на плотной архитектуре Llama и содержит около 710 млн параметров. Она принимает текст и генерирует текст; в первую очередь предназначена для англоязычных материалов. Максимальная длина контекста составляет 2048 токенов. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

Это модель MobileViT-S, обученная на наборе BigEarthNet v2.0 (reBEN) для классификации мультиспектральных снимков Sentinel-2. Модель предназначена для анализа спутниковых изображений и отнесения наблюдений к классам земного покрова, представленным в наборе данных. Веса опубликованы после 20 эпох обучения. В README приведены результаты на тестовой выборке BigEarthNet v2.0: macro average precision 0,704 и macro F1 0,621; микроусреднённые показатели выше. Модель использует библиотеку ConfigILM и распространяется в формате safetensors по лицензии MIT.

ystemsrx/Qwen2.5-Interpreter — дообученная модель на базе Qwen2.5-0.5B-Instruct от разработчика, указанного в идентификаторе репозитория. Она предназначена для автоматизации операций в Windows: по запросу пользователя составляет планы действий и генерирует скрипты на Python или Batch для файловых и системных задач. Модель использует плотную архитектуру Qwen2 с 494 млн параметров, поддерживает контекст до 32 768 токенов и доступна в форматах Safetensors и GGUF F16. Модель рассчитана на сценарии автоматизации Windows и обучена на примерах Python и Batch, включая практики безопасного программирования. В карточке рекомендовано использовать специальный системный промпт; примеры и подробности промпта приведены в README. Указана лицензия Apache-2.0. Ограничения: оптимизирована для Windows, и её производительность на других системах может быть ниже. Она не предназначена для скриптов, требующих интерактивного ввода во время выполнения; сложные скрипты рекомендуется проверять дополнительно.

izaitova/robbert-2023-dutch-large-upos — дообученная модель RobBERT для разметки токенов по универсальным частям речи (UPOS) в нидерландском тексте. Она основана на DTAI-KULeuven/robbert-2023-dutch-large и использует архитектуру RoBERTa с головой классификации токенов; содержит 453,9 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для автоматического POS-теггинга: присваивания каждому токену универсальной грамматической категории. На оценочном наборе Universal Dependencies указаны F1 0,7968, точность 0,8898, precision 0,8288 и recall 0,7844. Распространяется по лицензии MIT. Карточка не приводит подробностей о тренировочных данных и ограничениях помимо связи с Universal Dependencies.

Модель medspaner/roberta-es-clinical-trials-temporal-ner — испаноязычная модель распознавания именованных сущностей, разработанная на основе bsc-bio-ehr-es. Её дообучили на корпусе CT-EBM-ES для текстов о клинических исследованиях. Модель выделяет временные выражения по схеме TimeML: даты, время, длительность и частоту, а также сущности возраста. Она построена на архитектуре RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. В README сообщается о точности, полноте и F1 около 0,90 на тестовых данных. Модель предназначена для извлечения временных упоминаний из испанских аннотаций и объявлений клинических исследований. Она находится в разработке, может содержать смещения и не должна использоваться для медицинских решений без проверки специалистом. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

SaudiBERT — предварительно обученная языковая модель faisalq, специализирующаяся на текстах на саудовском диалекте арабского языка. Она построена на архитектуре BERT и предназначена для заполнения пропусков в тексте и других сценариев, использующих предсказание замаскированных токенов. Модель обучалась на корпусе из более чем 141 миллиона саудовских твитов и более чем 70 миллионов предложений с саудовских интернет-форумов; общий объём текстов составил 26,3 ГБ. Модель содержит 170,8 млн параметров, имеет контекст до 512 токенов и распространяется в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Она ориентирована на саудовский диалект, поэтому её пригодность для других вариантов арабского языка и иных языков не установлена.

kfkas/t5-large-korean-P2G — дообученная модель семейства T5 для восстановления исходного корейского текста из данных, преобразованных методом G2P. Автор описывает обучение на 500 тысячах предложений из газетного корпуса Национального института корейского языка 2021 года; в примере модель исправляет фонетически записанный текст, возвращая исходное написание. Модель имеет архитектуру T5ForConditionalGeneration и около 403,9 млн параметров. Она принимает текст и генерирует восстановленный текст на корейском языке; веса опубликованы в формате PyTorch. Лицензия в доступных данных не указана.

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.

tf_efficientnetv2_s.in1k — модель классификации изображений семейства EfficientNetV2, обученная авторами статьи на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она также подходит как базовая сеть для извлечения признаковых карт и визуальных эмбеддингов. Модель содержит около 21,5 млн параметров и использует изображения размером 300 × 300 при обучении и 384 × 384 при тестировании. Репозиторий поддерживает загрузку через timm; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов на изображениях и получения признаков для последующих задач компьютерного зрения. В карточке не приведены сведения о точности на конкретных метриках. Лицензия — Apache-2.0.

tf_efficientnetv2_xl.in21k_ft_in1k — модель классификации изображений на архитектуре EfficientNetV2, созданная авторами соответствующей научной работы и перенесённая в PyTorch Россом Уайтманом. Модель предварительно обучена на ImageNet-21k, затем дообучена на ImageNet-1k; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 208,1 млн параметров. Размер изображения при обучении составлял 384 × 384 пикселя, при тестировании — 512 × 512 пикселей. Репозиторий использует библиотеку timm и содержит веса в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов и категорий на изображениях, а также получения визуальных признаков для последующих задач. Она обучена на датасетах ImageNet и может быть ограничена их набором классов и распределением данных. Лицензия репозитория — Apache-2.0.

MCG-NJU выпустила VideoMAE Base, дообученную для классификации видео на наборе Kinetics-400. Модель основана на Vision Transformer и расширяет подход Masked Autoencoders на видео: разбивает видеоряд на патчи размером 16×16 и обрабатывает их как последовательность. Веса модели содержат 113,2 млн параметров. Модель классифицирует видео по 400 категориям Kinetics-400 и подходит для распознавания действий и сцен этого набора классов. Самообучающее предварительное обучение длилось 800 эпох, затем модель обучили с учителем на Kinetics-400. На тестовой выборке набора указана точность top-1 79,4% и top-5 94,1%. Модель принимает видео и выдаёт метку класса; сведения о поддерживаемых языках для этого сценария неприменимы. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Её область распознавания ограничена 400 классами Kinetics-400; качество на других наборах или типах видео в карточке не заявлено.

Это модель обнаружения объектов YOLOv11m, разработанная Ultralytics и дообученная автором репозитория на наборе VisDrone2019-DET для анализа аэрофотоснимков и видео с беспилотников. Модель построена на базе Ultralytics/YOLO11 и предназначена для поиска людей, велосипедов, автомобилей, фургонов, грузовиков, трициклов, автобусов и мотоциклов, а также других классов разметки VisDrone. Модель принимает изображения и выдаёт рамки и классы обнаруженных объектов. В тестировании на VisDrone указаны mAP@50 36,35%, mAP@50–95 21,02% и точность 50,24%. Она подходит для анализа дорожной обстановки, городской среды и скоплений людей на аэросъёмке. Качество может снижаться при высокой плотности толпы, сильных перекрытиях, смазывании движения, очень мелких объектах и ночной съёмке. Репозиторий распространяет веса в формате PyTorch; лицензия — AGPL-3.0.

GlowLED/wav2vec2-gtzan — модель на архитектуре wav2vec2, дообученная на базе facebook/wav2vec2-base для классификации музыкальных жанров по аудио. Она обучена на датасете GTZAN с аугментацией аудиофрагментами по 15 секунд и распознаёт один из 10 жанров. В README указана точность 0,92 на уровне песни и 0,8894 для отдельных окон; модель рассчитана на применение через Transformers AutoModelForAudioClassification. Веса опубликованы в формате safetensors, размер модели — 113,3 млн параметров. Лицензия в доступных сведениях не указана.

Это акустическая модель распознавания речи на базе Wav2Vec 2.0 Large XLSR-53, разработанная Qiantong Xu, Alexei Baevski и Michael Auli и дообученная на многоязычном наборе Common Voice. Модель содержит 403,1 млн параметров и предназначена для распознавания фонетических меток в нескольких языках, включая перенос на языки, не представленные при дообучении. На вход подаётся аудио с частотой дискретизации 16 кГц, на выходе — строка фонетических меток. Чтобы получить слова, требуется словарь, сопоставляющий метки словам; сама модель не выдаёт обычную текстовую транскрипцию. Чекпойнт реализован как Wav2Vec2ForCTC и опубликован в формате PyTorch. Распространяется по лицензии Apache-2.0.

WhisperSeg-large-ms — версия WhisperSeg, разработанная исследователями из Университета Цюриха и ETH Zurich для сегментации вокализаций людей и животных. Это дообученный на наборах данных по вокализациям пяти видов чекпойнт модели Whisper large, использующей архитектуру Transformer и исходно предназначенной для распознавания речи. Модель принимает аудио и возвращает временные границы сегментов вокализации и метки кластеров; в примере README показаны сегменты зебровой амадины. Модель подходит для выделения голосовой активности и вокализаций в аудиозаписях людей и животных, в том числе для акустических исследований. В репозитории указаны PyTorch и лицензия Apache-2.0. Параметров около 905,2 млн. README не уточняет, какие именно пять видов вошли в обучение, поэтому переносимость на другие виды и условия записи не подтверждена.

XCiT-Tiny/12 с патчами 16×16 и входным разрешением 224×224 — модель классификации изображений на основе Cross-Covariance Image Transformer. Она разработана авторами XCiT и предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 6,7 млн параметров и может использоваться как классификатор или визуальная основа для извлечения признаков и эмбеддингов изображений. Модель предназначена для классификации изображений по категориям ImageNet-1k и получения визуальных представлений. Репозиторий предоставляет веса PyTorch и safetensors; для работы указана библиотека timm. Лицензия — Apache-2.0.