II.8Инженерия данных и аналитика

Карточка модели nityaak/qwen3-8b-stance-matrix-semeval-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Модель ResNet-50 разработана командой BIFOLD совместно с TU Berlin, RSiM, DIMA и BigEarth. Она обучена на наборе BigEarthNet v2.0 (reBEN) для многометочной классификации спутниковых снимков Sentinel-1 по типам земного покрова. Модель предназначена для анализа данных дистанционного зондирования, например для картографирования земного покрова по радиолокационным изображениям. Визуализация примера использует каналы VV, VH и VV/VH. Опубликованные веса получены после 23 эпох обучения. На тестовой выборке BigEarthNet v2.0 указаны macro/micro Average Precision 0,628/0,801 и F1 0,576/0,702. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Для работы в карточке приведён интерфейс библиотеки configilm.

ResNetV2-50x1 BiT (Big Transfer) — сверточная модель классификации изображений семейства pre-activation ResNet, опубликованная авторами исследования и обученная на ImageNet-21k. Версия из репозитория timm содержит 68,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В архитектуре Group Normalization и Weight Standardization применяются вместо Batch Normalization. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Модель chribark/segformer-b3-finetuned-UAVid — SegFormer-B3, дообученная на наборе UAVid на основе nvidia/segformer-b3-finetuned-ade-512-512. Она предназначена для семантической сегментации изображений, в частности сцен с воздуха: размечает пиксели классовами дорожной инфраструктуры и окружения. В карточке приведены результаты оценки: mean IoU 0,6365 и overall accuracy 0,9263; по отдельным классам заметно низкое качество для людей (IoU 0,0038), поэтому результаты для этого класса ненадёжны. Модель принимает изображение и выдаёт пиксельную карту классов. Веса опубликованы в формате safetensors. Лицензия указана как other, без дополнительных условий в предоставленных данных.

SEW-mid — предварительно обученная модель обработки речи от ASAPP Research на архитектуре SEW (Squeezed and Efficient Wav2vec), разработанной как более эффективный вариант wav2vec 2.0. Модель содержит 226,5 млн параметров и обучена на речевом аудио с частотой дискретизации 16 кГц; для входных записей также требуется частота 16 кГц. Это базовый речевой энкодер, предназначенный для дообучения под конкретные задачи: автоматическое распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Репозиторий помечен задачей извлечения признаков, поэтому сам по себе чекпойнт не является готовой ASR-системой. В исследовании SEW показала более быстрое инференсное выполнение и улучшение word error rate относительно wav2vec 2.0 в указанных авторами настройках на LibriSpeech. Модель работает с аудио и выдаёт речевые представления для последующей обработки. В карточке указаны английский язык и набор данных LibriSpeech ASR. Распространяется по лицензии Apache-2.0; для практического применения к целевой задаче требуется дообучение.

musetric/skey-onnx — это компактный экспорт музыкального детектора тональности S-KEY от Deezer в формате ONNX, подготовленный для инференса через onnxruntime-web, в том числе в Node.js с WASM. Модель принимает монофонический аудиосигнал целиком, вычисляет гармоническое VQT-представление и с помощью сети ChromaNet относит запись к одному из 24 классов: мажорной или минорной тональности. Модель предназначена для определения общей тональности музыкального трека в аудиопайплайнах и клиентских или периферийных приложениях. Вход должен иметь частоту 22050 Гц и быть нормализован по пиковому уровню; передача всего трека за один проход означает, что расход памяти растёт с его длительностью. Граф выдаёт вероятности классов, однако показатель confidence не откалиброван — для выбора тональности рекомендуется брать класс с максимальной вероятностью. Модель не отслеживает смены тональности внутри трека и не охватывает модальные, атональные и неоднозначные случаи. Экспорт воспроизводит поведение исходного чекпойнта Deezer/skey; README указывает лицензию MIT для исходных весов и кода.

Smart Turn v2 — открытая модель Pipecat AI для семантического определения конца реплики по аудиосигналу. Она анализирует необработанную форму волны и выдаёт вероятность того, что говорящий закончил высказывание; порог 0,5 обозначает завершённую реплику. Модель предназначена для голосовых агентов, систем транскрибации в реальном времени и анализа разговоров. Модель использует энкодер wav2vec2 с неглубоким линейным классификатором и содержит около 113,3 млн параметров по метаданным. Заявлена поддержка 14 языков: английского, французского, немецкого, испанского, португальского, китайского, японского, хинди, итальянского, корейского, нидерландского, польского, русского и турецкого. По данным README, обработка 8 секунд аудио занимает около 12 мс на NVIDIA L40S; приведённые показатели точности получены на синтетическом тестовом наборе и отдельном англоязычном наборе. Модель подходит для выбора момента ответа голосового агента, запуска синтеза речи после окончания пользовательской реплики и сегментации разговоров. Это специализированная модель определения конца хода, а не транскрибатор: она выдаёт вероятность, а не текст. Опубликована под лицензией BSD-2-Clause.

HuggingFaceTB разработала stack-edu-classifier-python — классификатор, оценивающий образовательную ценность файлов с кодом на Python. Модель дообучена на bigcode/starencoder и снабжена классификационной головой; её использовали для построения набора данных Stack-Edu для обучения SmolLM2. Модель содержит 151 млн параметров, работает с контекстом до 1024 токенов и распространяется в формате safetensors. Модель предназначена для оценки качества Python-кода и отбора обучающих примеров. Она анализирует отдельные файлы, поэтому не учитывает их связи с остальным проектом. Качество оценок может снижаться на данных, отличающихся от обучающих, а также из-за смещений в аннотациях; модель может отдавать предпочтение подробно прокомментированному коду. Лицензия в предоставленных данных не указана.

stanfordnlp/stanza-el — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа греческого языка. Она предназначена для разметки текста на уровне токенов в составе инструментов Stanza; набор также охватывает синтаксический анализ и распознавание сущностей, но карточка этой модели подтверждает только задачу token-classification. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели или длину контекста.

Stanza для фарерского языка (fo) — модель лингвистического анализа текста из набора инструментов Stanza, разработанного Stanford NLP. Она предназначена для обработки текста на фарерском языке в задачах NLP; метаданные Hugging Face относят её к классификации токенов. Stanza предлагает инструменты анализа от исходного текста до синтаксического разбора и распознавания сущностей. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

timm/tf_efficientnet_b4.ap_in1k — сверточная модель EfficientNet-B4 для классификации изображений и извлечения признаков. Её обучили авторы исходных работ на ImageNet-1k с применением AdvProp, то есть обучения с состязательными примерами; в PyTorch модель перенёс Росс Вайтман. Веса доступны в форматах PyTorch и safetensors, библиотека для работы с моделью — timm. Модель содержит около 19,3 млн параметров, требует изображения размером 380 × 380 пикселей и может использоваться как классификатор или как основа для извлечения карт признаков и эмбеддингов изображений. Она предназначена для распознавания объектов из общего набора классов ImageNet-1k, а не для отдельной прикладной области. Лицензия — Apache-2.0.

Модель shossain11/videomae-base-finetuned-inhard — версия VideoMAE-base, дообученная для классификации видео. Она основана на MCG-NJU/videomae-base и содержит 113,2 млн параметров; веса опубликованы в формате Safetensors. На оценочном наборе автор сообщает accuracy 0,7151 и loss 1,0630, но описание набора данных и классов отсутствует. Модель предназначена для присвоения видео меток классов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

YOLOv26l — детектор объектов семейства Ultralytics YOLO26, дообученный на наборе VisDrone2019-DET для анализа изображений с беспилотников. Модель предназначена для обнаружения объектов на аэрофотоснимках и видеокадрах, включая пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы и мотоциклы. Для запуска используется библиотека Ultralytics; веса представлены в формате PyTorch. На тестовой выборке VisDrone указаны mAP@50 37,65%, mAP@50–95 21,75% и точность 51,6%. Набор охватывает городские и жилые районы, перекрёстки и места скопления пешеходов. Качество может снижаться в плотных толпах, при сильных перекрытиях и размытии, на очень мелких объектах, а также при ночной съёмке и слабом освещении. Лицензия модели — AGPL-3.0.

Это крупная модель Vision Transformer (ViT) для извлечения признаков из изображений. Её предварительно обучили авторы статьи «An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale» на ImageNet-21k в JAX, а затем перенёс в PyTorch Ross Wightman. Модель распространяется в репозитории timm/vit_large_patch16_224.orig_in21k и использует библиотеку timm. Архитектура ViT-Large разбивает изображение на патчи 16×16; ожидаемый размер изображения — 224×224. В модели около 303,3 млн параметров. Классификационной головы нет: модель предназначена прежде всего для получения признаковых представлений и как основа для последующего дообучения под классификацию или другие задачи компьютерного зрения. Модель принимает изображения и выдаёт признаки. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения качества или области применения; для практических задач может потребоваться отдельная классификационная голова или дообучение.

Карточка модели torchgeo/vit_small_patch16_224_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Карточка модели torchgeo/resnet50_sentinel2_all_dino на Hugging Face совпадает с карточкой torchgeo/resnet18_sentinel2_all_moco, поэтому описание составлено по ней. Карточка модели torchgeo/resnet18_sentinel2_all_moco на Hugging Face совпадает с карточкой torchgeo/resnet50_sentinel2_all_dino, поэтому описание составлено по ней. Это веса ResNet-50 для изображений Sentinel-2, опубликованные TorchGeo и изменённые для загрузки с помощью timm. Модель предназначена для классификации спутниковых изображений; метаданные Hugging Face также указывают задачу image-classification и библиотеку TorchGeo. В репозитории хранятся веса PyTorch, лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Это компактный визуальный энкодер timm на архитектуре Vision Transformer ViT-Small с патчами 16×16, представляющий семейство DINOv3. Модель содержит 21,6 млн параметров и была дистиллирована на датасете LVD-1689M из DINOv3 ViT-7B; для обработки изображений указано разрешение 256×256 пикселей. Энкодер преобразует изображения в признаки и эмбеддинги. Его можно использовать как визуальный backbone для извлечения признаков, классификации изображений и последующей адаптации к задачам компьютерного зрения, включая плотное предсказание и сегментацию. Карточка приводит сравнительные результаты DINOv3 на глобальных и плотных задачах, но не содержит результатов именно для этого чекпойнта по всем перечисленным бенчмаркам. Весовые файлы доступны в форматах PyTorch и safetensors; для работы модель рассчитана на библиотеку timm. README указывает лицензию DINOv3, а метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии DINOv3. Карточка также отмечает численные различия из-за представления RoPE-периодов и настроек QKV bias в реализации timm.

yuval6967/wav2vec2-base-finetuned-gtzan — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на наборе GTZAN. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель предназначена для классификации музыкальных аудиозаписей по жанрам. На оценочной выборке указана точность 0,83 при значении функции потерь 0,7926. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Подробности о составе классов, подготовке аудио и ограничениях применения в карточке не раскрыты.

X-Codec general audio — модель-кодек из семейства X-Codec, разработанная для извлечения признаков и сжатого представления общего аудио. Репозиторий содержит дообученную версию HuBERT-модели ZhenYe234/hubert_base_general_audio; в README исходный чекпойнт назван xcodec_hubert_general_audio_more_data. Модель использует архитектуру XcodecModel и распространяется в формате safetensors. Кодек предназначен для обработки аудио на нескольких битрейтах, включая 0,5, 1, 1,5, 2 и 4 кбит/с. Это подходит для получения компактных аудиопредставлений в задачах кодирования и исследований аудиокодеков. В карточке нет описания поддерживаемых языков или количественных оценок качества. Лицензия — MIT.

Модель anton-l/xtreme_s_xlsr_300m_minds14 — классификатор аудио на базе архитектуры Wav2Vec2. Её разработчик дообучил facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S - MINDS14.ALL; размер модели составляет 402,7 млн параметров. Модель предназначена для классификации речевых аудиозаписей по классам набора MINDS14. На оценочной выборке указаны точность 90,33% и F1 0,9015. Оценки приведены отдельно для вариантов речи на чешском, немецком, английском, испанском, французском, итальянском, корейском, нидерландском, польском, португальском, русском и китайском языках; результаты различаются, в частности, ниже для китайского и русского. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

ADI-NADI-2023 — модель классификации текста на основе BERT, дообученная на обучающей выборке NADI 2023 для одноярлыковой идентификации арабских диалектов. Она предназначена для определения диалекта по арабскому тексту и использовалась в исследовании об ограничениях одноярлыковой классификации диалектов. Модель основана на MarBERT; архитектура — CustomBertForSequenceClassification, размер — 190 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на арабском языке и выдаёт метку класса диалекта. Карточка не сообщает точный набор меток и не приводит результаты качества. Доступны веса в формате PyTorch. Условия лицензии в предоставленных данных не указаны.

CKIP ALBERT Base Chinese — модель CKIP для разметки токенов на традиционном китайском языке. В карточке проекта среди задач инструментов NLP указана маркировка частей речи; метаданные относят модель к token-classification и архитектуре ALBERT с классом AlbertForTokenClassification. Модель содержит 129,5 млн параметров, рассчитана на контекст до 512 токенов и представлена в формате PyTorch. Модель предназначена для определения части речи отдельных токенов в китайском тексте. Проект CKIP также предлагает инструменты сегментации слов и распознавания именованных сущностей, однако карточка этой конкретной модели не подтверждает эти задачи. Для токенизации README рекомендует BertTokenizerFast вместо AutoTokenizer. Лицензия модели — GPL-3.0.

Модель tomragus/ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan — дообученная на наборе GTZAN модель MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST) для классификации аудио. На оценочной выборке GTZAN достигла accuracy 0,8754 после 4,27 эпохи обучения. Модель предназначена для отнесения музыкальных аудиозаписей к классам GTZAN. Веса опубликованы в формате Safetensors и доступны по лицензии BSD-3-Clause. Архитектура содержит около 113,2 млн параметров.

Bert Large Cased — шведская языковая модель семейства BERT, разработанная AI Sweden. Модель обучена на шведской части корпуса Nordic Pile с использованием Wafer-Scale Engine (WSE); её архитектура — BertForMaskedLM, объём — 468,2 млн параметров, контекст — до 512 токенов. Модель предназначена для заполнения пропусков в шведском тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Подходит для языковых экспериментов и задач, где требуется восстановить пропущенные слова или исследовать представления шведского текста. Доступный формат весов — PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

BERTweet-Hedge — модель классификации текста, созданная ChrisLiewJY дообучением базовой модели VinAI BERTweet на корпусе Wiki Weasel 2.0 из Szeged Uncertainty Corpus. Она определяет, содержит ли текст в социальных сетях языковые маркеры неопределённости (hedges), и возвращает одну из двух меток: наличие или отсутствие таких маркеров. Модель основана на архитектуре RoBERTa и содержит 162,4 млн параметров. Она принимает текст на английском языке; длина контекста — 130 токенов. В README приведены показатели Accuracy 0,9680 и F1 0,8765. Модель предназначена для анализа формулировок в социальных сетях, однако её результаты на других типах текстов и языках не подтверждены. Лицензия — MIT.

chest2vec 0.6B — это модель текстовых эмбеддингов для радиологических заключений КТ грудной клетки и рентгенограмм грудной клетки (CXR), разработанная на базе Qwen/Qwen3-Embedding-0.6B и адаптированная контрастивным обучением с LoRA для поиска похожих заключений. Адаптер уже объединён с весами; токенизатор включён в репозиторий, поэтому для загрузки не нужны пакет chest2vec и исходные веса Qwen3. Модель создаёт векторы размерности 1024 с пулингом последнего токена с учётом left padding и L2-нормализацией; поддерживается сокращение векторов до 512 или 256 измерений с повторной нормализацией. Основной сценарий — семантический поиск похожих заключений КТ и CXR. Также модель обучалась для задач, связанных с суммаризацией заключений, извлечением наличия или отсутствия медицинских сущностей и выделением находок по анатомическим областям. Инструкцию рекомендуется добавлять к запросу, оставляя корпус без инструкции. Модель принимает текст и выдаёт векторные представления; она не предназначена для генерации готовых текстовых заключений. В метаданных указана библиотека Transformers и формат safetensors. Базовая модель использует лицензию Apache-2.0; отдельная лицензия адаптированной модели в предоставленных данных не указана.

Это дообученная модель извлечения признаков изображений на основе CLIP ViT-Large/14 от OpenAI. Разработчик дообучил её на датасете RESISC45 cars; в README указана архитектура ViT-Large с размером патча 14, а в метаданных — около 402,7 млн параметров. Модель предназначена для получения признаков изображений в сценариях классификации автомобилей. В README приведены результаты оценки: 0,7101 до дообучения и 0,9738 после него; метрика не уточнена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

CPUBone B0 bfrobust — модель классификации изображений и извлечения визуальных признаков, разработанная авторами работы CPUBone и представленная в формате весов timm. Архитектура сочетает варианты grouped MBConv, уменьшенные свёрточные ядра и механизм внимания LowFormer в двух последних этапах. Модель содержит около 10,4 млн параметров и рассчитана на изображения 224 × 224 пикселя; обучение выполнено на ImageNet-1k. Модель предназначена для классификации изображений по классам ImageNet-1k, получения эмбеддингов изображений и извлечения многомасштабных карт признаков. Её архитектура ориентирована на эффективный вывод на CPU, в том числе на устройствах с ограниченными возможностями параллельной обработки. Для предобработки используются бикубическое масштабирование, нормализация со статистиками ImageNet и центральное кадрирование. В отчёте авторов для разрешения 224 пикселя указана точность ImageNet-1k Top-1 77,632% и Top-5 93,548% в FP32. Фактическая задержка CPU зависит от оборудования, среды выполнения, способа экспорта и размера пакета. Лицензия — Apache 2.0.

fffmath/distilhubert-finetuned-gtzan — модель классификации аудио, созданная дообучением ntu-spml/distilhubert на наборе GTZAN. Она предназначена для распознавания музыкальных жанров по аудиозаписям. Модель использует архитектуру HuBERT для классификации последовательности и содержит 18,9 млн параметров; веса опубликованы в формате safetensors. В README указана точность 0,85 и значение loss 0,5595 на оценочной выборке. Модель распространяется по лицензии Apache-2.0. Подробности о поддерживаемых жанрах, длине и формате аудиовхода, а также известных ограничениях карточка не приводит.

Модель imrajeshkr/distilhubert-finetuned-gtzan — дообученная на наборе GTZAN версия компактной аудиомодели DistilHuBERT от NTU. Она построена на архитектуре HuBERT и содержит 18,9 млн параметров; предназначена для классификации аудиозаписей по музыкальным жанрам. В README указана точность 0,87 на оценочной выборке, однако подробности протокола оценки и ограничения применения не приведены. Модель принимает аудио и выдаёт метку класса. Распространяется по лицензии Apache-2.0.

Модель MohammadDaleen/distilhubert-finetuned-gtzan — дообученная версия компактной модели NTU distilhubert для классификации аудио по музыкальным жанрам на наборе GTZAN. Она построена на архитектуре HuBERT и содержит 18,9 млн параметров. По данным карточки, на оценочной выборке GTZAN модель достигла точности 0,87 при значении функции потерь 0,7235. Модель предназначена для автоматической классификации музыкальных записей по жанрам и может использоваться для сортировки музыкальных коллекций или как компонент систем музыкального поиска и анализа. Базовая distilhubert извлекает представления из аудио с частотой 16 кГц; карточка не уточняет формат входных аудиоданных и полный список жанров. Модель опубликована в формате safetensors по лицензии Apache 2.0.