II.8Инженерия данных и аналитика

Модель timm/mobilenetv4_conv_small.e1200_r224_in1k — сверточная модель MobileNetV4 для классификации изображений и использования в качестве визуального backbone. Её обучил Росс Уайтман на ImageNet-1k с помощью скриптов timm и гиперпараметров, основанных на статье о MobileNetV4 и дополненных настройками timm. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. В модели около 3,8 млн параметров и 0,2 GMACs. Обучение проводилось на изображениях 224×224 пикселя; для оценки указано разрешение 256×256. Модель подходит для распознавания объектов из классов ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. README отмечает, что это одни из немногих известных весов MobileNetV4, а официальные веса TensorFlow на момент публикации не выпущены.

mobilenetv4_hybrid_large.ix_e600_r384_in1k — модель классификации изображений семейства MobileNetV4, обученная Россом Уайтманом с помощью timm на ImageNet-1k. Это гибридная крупная архитектура, предназначенная для классификации изображений и использования в качестве визуального backbone для извлечения карт признаков и эмбеддингов. Веса доступны в форматах PyTorch и safetensors; модель содержит 37,8 млн параметров и обучалась на изображениях размером 384 × 384 пикселя, а для оценки использовался размер 448 × 448. Обучение выполнено с гиперпараметрами, вдохновлёнными статьёй MobileNetV4 и дополненными настройками timm. Модель распространяется по лицензии Apache-2.0. В README отмечено, что официальные веса TensorFlow на момент публикации не были доступны.

MobileNetV4 Hybrid Medium — модель классификации изображений и извлечения признаков, обученная Россом Уайтманом с помощью timm на ImageNet-1k. Это гибридная архитектура семейства MobileNetV4; в чекпойнте около 11,1 млн параметров и 1,0 GMAC на изображение. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 256 × 256. Модель подходит для классификации изображений по категориям ImageNet-1k, использования в качестве визуального бэкбона и извлечения карт признаков или эмбеддингов. Компактный размер и вычислительная стоимость рассчитаны на сценарии, где важна эффективность на мобильных и других ограниченных по ресурсам устройствах. В README указано, что это известные на данный момент веса MobileNetV4; официальные веса TensorFlow-моделей не выпущены. Модель опубликована в форматах PyTorch и safetensors и предназначена для использования с библиотекой timm. Лицензия — Apache-2.0. Карточка не приводит сведений о точности именно этого чекпойнта; приведённая в ней сравнительная таблица относится к другим вариантам модели.

MobileViT XS — лёгкая модель классификации изображений и извлечения признаков, опубликованная авторами статьи MobileViT и обученная на ImageNet-1k. Она сочетает свёрточные блоки с Vision Transformer и рассчитана на эффективную работу, в том числе на мобильных устройствах. Модель содержит около 2,3 млн параметров, требует изображение размером 256 × 256 пикселей и выполняет примерно 1,1 GMAC на изображение. Модель подходит для определения объектов и сцен по изображению, получения карт признаков и построения векторных представлений для последующих задач компьютерного зрения. Репозиторий использует библиотеку timm; веса доступны в форматах PyTorch и safetensors. Указана лицензия other; конкретные условия следует сверить с лицензионными материалами разработчика.

OpenMed-ZeroShot-NER-BloodCancer-Medium-209M — модель OpenMed для распознавания именованных сущностей в медицинских текстах, специализированная на хроническом лимфолейкозе (CLL). Она основана на архитектуре GLiNER и дообучена на корпусе CLL; заявленный размер в названии — 209 млн параметров. Модель принимает текст и возвращает найденные сущности с метками, заданными пользователем, поддерживая zero-shot извлечение без отдельного дообучения под каждый тип сущностей. Модель предназначена для извлечения упоминаний заболеваний, биомаркеров, методов лечения и других клинических понятий из медицинских записей и научной литературы. В README заявлен F1 0,913 на тестовом наборе CLL, исключённом из обучения. Основной язык карточки — английский. Репозиторий распространяется по лицензии Apache-2.0. Результаты извлечения следует проверять перед использованием в клинических решениях; заявленная оценка относится к специализированному набору CLL и не гарантирует качество на иных текстах или типах сущностей.

Это модель извлечения признаков изображений на основе нативного визуального энкодера Qwen3.5-2B, преобразованного для библиотеки timm. В репозитории представлены визуальные веса энкодера, включая пространственный merger и проекцию в размерность исходной языковой модели; языковые веса и обученная голова классификации отсутствуют. Параметры визуальной модели — около 330,6 млн, ширина backbone — 1024, ширина проекции — 2048; исходный размер изображения — 768 × 768. Модель предназначена для получения пространственных признаков и токенов изображений, которые можно использовать в мультимодальных конвейерах и последующей обработке. Она принимает RGB-изображения, поддерживает прямоугольные размеры и возвращает пространственно объединённые токены; отдельный метод также выдаёт необработанные признаки backbone в формате NHWC. Для обработки размеры изображения должны делиться на 16, а для варианта с merger 2 × 2 — на 32. Веса исходного временного свёрточного слоя сведены к двумерной свёртке для реализации только для изображений. Архитектура использует MLP с GELU-tanh, обучаемые абсолютные позиционные эмбеддинги с интерполяцией и осевое двумерное RoPE. По README это перенос весов в timm без дополнительного обучения, хотя метаданные обозначают связь с Qwen3.5-2B как finetune. Лицензия — Apache 2.0. Модель не содержит языкового декодера и классификационной головы, поэтому сама по себе не предназначена для диалогов, генерации текста или готовой классификации изображений.

Koichi Yasuoka подготовил компактную GPT-2 модель на основе rinna/japanese-gpt2-xsmall для морфосинтаксического анализа японского текста. Она дообучена на корпусе UD_Japanese-GSDLUW и предназначена для определения частей речи и синтаксических зависимостей между словами; результат можно использовать в конвейерах разметки Universal Dependencies. Модель принимает текст и возвращает токенную разметку. Архитектура — GPT-2 для классификации токенов, формат весов — PyTorch, контекст — до 1024 токенов. Поддерживается японский язык. Лицензия — MIT. Для загрузки через Transformers в README используется trust_remote_code=True.

Koichi Yasuoka разработал RoBERTa-модель, предварительно обученную на текстах тайской Википедии и основанную на wangchanberta-base-wiki-syllable. Это плотная модель архитектуры RoBERTa с 126 млн параметров, реализованная как RobertaForMaskedLM; для токенизации используется BertTokenizerFast с изменёнными символьными эмбеддингами. Контекст составляет до 514 токенов. Модель предназначена для восстановления замаскированных токенов в тайском тексте и как основа для дообучения под задачи разметки частей речи и синтаксического анализа зависимостей. Она принимает текст и предсказывает пропущенные фрагменты. Распространяется по лицензии Apache-2.0.

SapBERT-from-roberta-base-biomedical-clinical-es — модель эмбеддингов испанских биомедицинских понятий, разработанная группой NLP4BIA Барселонского суперкомпьютерного центра. Она основана на PlanTL-GOB-ES/roberta-base-biomedical-clinical-es и обучена по процедуре, подобной SapBERT, на испанских записях UMLS 2023AA и торговых названиях лекарств. В репозитории указаны архитектура RoBERTa и 153,2 млн параметров; модель принимает текст и формирует числовые векторные представления. Длина контекста — 514 токенов. Модель предназначена для вычисления семантического сходства биомедицинских понятий и связывания упоминаний сущностей с концептами UMLS, в том числе в испанских клинических текстах. Её оценивали в контексте задачи связывания медицинских сущностей на испанском языке. Лицензия — Apache 2.0. Авторы предупреждают о возможных смещениях и нежелательных искажениях; риски применения следует учитывать в соответствии с применимыми требованиями.

izzako/segformer-b5-finetuned-IDD-L2_v2 — модель семантической сегментации изображений, дообученная на наборе IDD 20K Semantic Segmentation Dataset на базе nvidia/mit-b5. Она размечает пиксели уличных сцен, включая дороги, парковки, тротуары, железнодорожные пути, людей, транспорт, здания, растительность и небо. Модель подходит для анализа дорожных сцен и восприятия городской инфраструктуры по изображениям. В README приведены результаты на оценочной выборке: mean IoU 0,718, mean accuracy 0,822 и общая точность 0,908. Качество различается по классам: например, IoU дороги составляет 0,939, а ограждений — 0,457. Файлы модели представлены в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

Это зеркало официального чекпойнта STDC1-Seg75 для семантической сегментации изображений на наборе Cityscapes. Модель разработана авторами проекта STDC-Seg; архитектура Short-Term Dense Concatenate Network со backbone STDCNet813 описана на CVPR 2021. В репозитории размещены неизменённые веса fp32 в формате PyTorch, первоначально опубликованные в MichaelFan01/STDC-Seg. Чекпойнт предназначен для разметки городских сцен по 19 классам, например для анализа изображений улиц и дорожной инфраструктуры. Для загрузки требуется код архитектуры из исходного репозитория STDC-Seg; он не включён в зеркало. Лицензия репозитория — MIT.

THOR-1.0-tiny — геопространственная фундаментальная модель, разработанная Норвежским вычислительным центром (NR), Университетом Тромсё и ESA Φ-lab. Это вариант семейства THOR на архитектуре Vision Transformer FlexiViT, предназначенный для извлечения признаков из спутниковых наблюдений и последующей адаптации к прикладным задачам дистанционного зондирования Земли. Модель объединяет данные Sentinel-1 (SAR), Sentinel-2 (MSI) и Sentinel-3 (OLCI и SLSTR), работая с их исходным разрешением от 10 до 1000 метров. Благодаря предобучению со случайным выбором размеров патчей и входных изображений THOR можно применять с разными размерами патчей, регулируя вычислительные затраты и детализацию признаков без переобучения. Для тонкой настройки подходят задачи классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений; модель также показывает высокие результаты в условиях ограниченной обучающей выборки. Модель распространяется в формате PyTorch под лицензией Apache-2.0. В описании репозитория не приведены точные число параметров и длина контекста; поскольку это модель для спутниковых изображений, текстовый контекст к ней не относится.

VecLang-4B — мультимодальная модель компьютерного зрения для дистанционного зондирования Земли, созданная дообучением Qwen3-VL-4B-Instruct. Она предназначена для обнаружения объектов на спутниковых изображениях и рассуждений о векторных атрибутах зданий, представленных как Polygon, и дорог, представленных как MultiLineString. Модель принимает изображения и текстовые инструкции и выдаёт текстовые ответы со структурированными результатами. Она построена на плотной архитектуре Qwen3-VL с 4 млрд параметров; веса сохранены в формате BF16 в двух файлах safetensors. В карточке указаны китайский и английский языки. Для запуска рекомендуются шаблон qwen3_vl_nothink и конфигурация вывода из проекта. Модель обучалась и проверялась преимущественно на данных дистанционного зондирования. Качество может снизиться при работе с другими сенсорами, пространственными разрешениями, регионами и изображениями общего назначения; результаты обнаружения и векторные данные следует проверять на корректность формата и выборочно вручную. Сведения о лицензии в предоставленных данных отсутствуют.

Это модель обнаружения объектов YOLO26m, дообученная на наборе VisDrone-DET разработчиком репозитория dronefreak в рамках DetectionBench. Она предназначена для поиска и классификации объектов на изображениях с дронов, в том числе небольших и плотно расположенных объектов. Модель построена на базе Ultralytics/YOLO26 и распространяется в формате PyTorch; для работы используется библиотека Ultralytics. На тестовой выборке VisDrone-DET указаны mAP@50 49,11% и mAP@50–95 29,24%.\n\nМодель распознаёт пешеходов, людей, велосипеды, автомобили, фургоны, грузовики, трициклы, автобусы, мотоциклы и другие классы VisDrone. Карточка отмечает сильный дисбаланс классов: редкие классы могут распознаваться хуже, а класс others фактически непригоден для обнаружения из-за отсутствия примеров в обучающей выборке. Лицензия репозитория — AGPL-3.0; README также указывает, что ограничения лицензии датасета VisDrone (CC BY-NC-SA 3.0, некоммерческое исследовательское использование) применяются к обученной на нём модели.

Это дообученная Ultralytics YOLOv8s для обнаружения объектов на аэрофотоснимках с дронов. Модель обучена на VisDrone-DET в рамках DetectionBench и предназначена для поиска людей и транспортных средств на изображениях с высокой плотностью мелких объектов. Для тестовой выборки VisDrone-DET в README приведены mAP@50 43,47% и mAP@50–95 25,77%.

Модель audeering для оценки возраста и распознавания гендерной категории по необработанному аудиосигналу. Она основана на Wav2Vec2-Large-Robust и дообучена на наборах aGender, Mozilla Common Voice, TIMIT и VoxCeleb 2; в этой версии обучались первые шесть слоёв трансформера. Модель содержит около 100,7 млн параметров. На выходе модель предсказывает приблизительный возраст в диапазоне от 0 до 100 лет, вероятности категорий «ребёнок», «женщина» и «мужчина», а также объединённые представления последнего слоя трансформера. Она предназначена для анализа возрастных и гендерных характеристик по голосу; pooled-представления также могут использоваться в последующих аудиозадачах. Доступна в форматах PyTorch и Safetensors; для модели также опубликован экспорт ONNX. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных работ на тех же условиях.

Fasih779/wavlm-base-plus-finetuned-gtzan — дообученная на наборе GTZAN модель Microsoft WavLM-Base-Plus для классификации аудио. Она использует архитектуру WavLMForSequenceClassification и содержит 113,3 млн параметров; модель доступна в формате Safetensors и предназначена для определения жанра музыкальной записи по аудиосигналу. На оценочном наборе указаны accuracy 0,8794 и loss 0,5247. Карточка не уточняет поддерживаемые жанры, ограничения по длительности или частоте дискретизации аудио. Базовая модель WavLM-Base-Plus предварительно обучена для извлечения признаков речи, тогда как этот вариант дообучен для классификации музыки на GTZAN. Лицензия в предоставленных данных не указана.

Это модель распознавания именованных сущностей на основе XLM-RoBERTa-base, дообученная Майклом Бёкманом в Университете Витватерсранда на амхарской части набора MasakhaNER. Она размечает токены текста и предназначена для извлечения сущностей из новостных статей на амхарском языке, а также для исследований в области интерпретируемости и переноса обучения. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает контекст длиной до 514 токенов. В карточке указаны PyTorch и лицензия Apache License 2.0. При оценке на тестовой части MasakhaNER качество измерялось агрегированным F1; модель показала лучший результат среди пяти запусков с разными случайными начальными значениями. Обучение проводилось на одном сравнительно небольшом наборе новостных данных, поэтому качество может снижаться на других жанрах и распределениях. Модель хуже справлялась с датами, длинными сущностями и сущностями, отсутствовавшими в обучающих данных; результаты на других языках также могут быть хуже. Автор не рекомендует использовать её в производстве или в важных сценариях, влияющих на людей, без тщательной проверки.

keremberke/yolov8s-scene-classification — модель компьютерного зрения на базе Ultralytics YOLOv8s, опубликованная пользователем keremberke. Она предназначена для классификации изображений сцен и подходит для определения типа сцены на фотографии. В карточке указана библиотека Ultralytics и формат PyTorch; модель связана с датасетом keremberke/indoor-scene-classification. Модель принимает изображение и выдаёт класс сцены. README содержит раздел с поддерживаемыми метками, но сами метки в предоставленных данных опущены, поэтому конкретные классы и точность модели определить нельзя. Условия лицензии в предоставленных данных не указаны.

Aria-MIDI-MLM — модель-кодировщик SyMuPe для извлечения признаков из символической фортепианной музыки в формате MIDI. Это 12-слойный Transformer Encoder со скрытым размером 768 и 12 головами внимания, предварительно обученный методом Multi-Mask Language Modeling на 371 053 MIDI-файлах фортепиано из дедуплицированного набора Aria-MIDI. Принимает последовательности событий нот, включая высоту, velocity, сдвиг и длительность времени, а также абсолютную временную позицию; при обучении использовались отрезки по 512 нот.

Модель разработана Zorlu5454 и представляет собой Audio Spectrogram Transformer (AST), дообученный на базе MIT/ast-finetuned-audioset-10-10-0.4593 для классификации музыкальных жанров. В модели заменена исходная голова классификации AudioSet на линейную голову из 10 классов; дообучалась вся сеть. Размер модели — 113,2 млн параметров. Модель принимает монофонические аудиофрагменты длительностью около 10 секунд, приведённые к частоте 16 кГц, и относит их к одному из жанров: блюз, классика, кантри, диско, хип-хоп, джаз, металл, поп, регги или рок. На тесте GTZAN указана точность 0,8978 для фрагментов; при усреднении оценок по фрагментам точность на уровне клипов составила 0,9133. Для трека длительностью 30 секунд README рекомендует классифицировать три непересекающихся 10-секундных фрагмента и усреднять их оценки. Модель предназначена для распознавания жанров музыки, а не для общей классификации звуковых событий. GTZAN — небольшой набор данных с известными проблемами дубликатов, ошибочных меток и повторов исполнителей, поэтому реальная точность может быть ниже приведённых результатов. Лицензия — BSD-3-Clause.

Это модель BERT Base для японского языка, разработанная для автоматического распознавания иронии и сарказма в сообщениях. Она дообучена на наборе ироничных и саркастических твитов и предназначена для классификации текста. Модель содержит около 118 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. Она подходит для анализа коротких японских сообщений, например публикаций в социальных сетях. Репозиторий содержит веса в формате PyTorch. Модель распространяется по лицензии CC BY-SA 4.0. Её специализация на твитах может ограничивать качество на других жанрах и типах текста.

Японская модель BERT-base от hitachi-nlp для восстановления скрытых токенов в тексте и других задач на основе masked language modeling. Она содержит 136,3 млн параметров, использует архитектуру BERT с классом BertForMaskedLM и рассчитана на контекст до 512 токенов. Для токенизации применяется схема Nothing + WordPiece; для загрузки токенизатора требуется файл словаря из репозитория разработчика. В карточке указаны датасеты Wikipedia и CC-100. Модель доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

wsqstar/bert-finetuned-weibo-luobokuaipao — дообученная модель BERT для классификации китайскоязычного текста. Она основана на google-bert/bert-base-chinese, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для отнесения текста к классам; название указывает на возможную связь с темой «萝卜快跑» (Apollo Go), однако карточка не подтверждает конкретную предметную задачу или набор меток. На указанном в карточке наборе оценки точность составила 0,5981, а значение функции потерь — 1,1020. Данные обучения, состав классов и практические ограничения не описаны. Файлы опубликованы в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

CamInject-8B — модель для понимания движений камеры в видео, созданная на основе Qwen/Qwen3-VL-8B-Instruct. Она использует замороженные токены камеры VGGT, которые формируются VGGT во время инференса, и выдаёт структурированный JSON с описанием сегментов движения камеры во времени. Модель предназначена для анализа видеозаписей и временной локализации смены движений камеры. Модель дообучена на мультимодальной архитектуре Qwen3-VL с 8 млрд параметров. Для работы требуется специальный тип модели, подключаемый через плагин, и репозиторий CamDistill вместе с VGGT-Omega; загрузка как обычной модели Transformers не обеспечивает корректную работу. Лицензия — Apache-2.0.

Модель tanganke/clip-vit-base-patch32_oxford-iiit-pet — дообученная на наборе Oxford-IIIT Pet модель извлечения признаков на основе CLIP ViT-B/32 от OpenAI. Она предназначена для получения визуальных признаков изображений животных; на тестовом наборе точность после дообучения составила 0,925 против 0,833 у исходной модели. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Метаданные указывают лицензию? Нет сведений о лицензии в предоставленных источниках.

COA Mapper v1 — модель GyaanByte Labs для подбора соответствия между счетами бухгалтерского плана QuickBooks Desktop или Sage 50 и счетами целевого плана QuickBooks Online. Она преобразует названия и типы счетов в эмбеддинги, чтобы найти наиболее подходящие счета среди кандидатов из целевого плана; модель не создаёт новые счета. Это дообученная на базе BAAI/bge-small-en-v1.5 компактная BERT-модель примерно на 40 млн параметров с контекстом до 512 токенов. Репозиторий содержит форматы Safetensors и ONNX, включая вариант для запуска в браузере. Модель предназначена для англоязычных бухгалтерских структур США, ориентированных на US GAAP. В описанном рабочем процессе она используется для поиска кандидатов, после чего результаты ранжирует LLM, а сомнительные соответствия направляются на проверку человеком. Внутренний тест на синтетических данных показывает полезность для сопоставления счетов, но качество на реальных бухгалтерских данных не подтверждено; названия счетов уже дают сильный сигнал для поиска. Лицензия — Apache-2.0.

Marcoson320 разработал эту экспериментальную дообученную версию GPT-2 для генерации и автодополнения кода на Python. Она основана на Marcoson320/codeparrot-gpt2-mi50 и обучалась добавлять токен конца последовательности (EOS) к фрагментам кода, чтобы генерация могла останавливаться на границах документов. Модель принимает текст и выдаёт текст; её контекст составляет 1024 токена. В карточке указан набор данных huggingface-course/codeparrot-ds-train и библиотека Transformers. Это исследование осуществимости с частичным успехом: на небольшом наборе из пяти запросов модель выдала EOS в пределах 80 токенов для двух. Иногда токен завершения появляется посреди выражения, а качество кода наследует ограничения базовой модели. Модель распространяется по лицензии Apache-2.0.

CodeParrot small — языковая модель с архитектурой GPT-2, содержащая 110 млн параметров. Её разработали авторы книги NLP with Transformers и обучили с нуля на наборе Python-кода CodeParrot в рамках главы о самостоятельном обучении трансформеров. Модель предназначена для генерации Python-кода и экспериментов с обучением языковых моделей. Она принимает текстовый контекст и продолжает его; длина контекста составляет 1024 токена. Репозиторий содержит веса PyTorch. Модель обучена на коде Python, поэтому её пригодность для обычного текста и других языков не подтверждена. Лицензия в доступных данных не указана.

combined-diacritized-scratch — модель классификации текста на базе RoBERTa, дообученная автором репозитория lazymonster на неизвестном наборе данных. В метаданных указана архитектура RobertaForSequenceClassification, размер 17,1 млн параметров и контекст до 132 токенов; веса представлены в формате safetensors. Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy 0,6415 и macro-F1 0,6382. Назначение классов и конкретные сценарии применения не описаны, поэтому практическая область использования по доступным сведениям не определяется. Лицензия — MIT.