II.8Инженерия данных и аналитика

abhijain19/memecoin-all-MiniLM-L6-v2 — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный для работы с текстами о мемкоинах. Энкодер на архитектуре BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство между ними можно оценивать по косинусной мере. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога указывают контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов о мемкоинах, поиска перефразировок, кластеризации и классификации. Она обучена с TripletLoss на наборе memecoin-eval; в README приведён результат cosine_accuracy 1.0 на оценочном наборе. Эта метрика сама по себе не гарантирует такое же качество на других данных. Для использования нужны тексты на входе; модель выдаёт векторы, а не готовые ответы или финансовые рекомендации. Лицензия в предоставленных источниках не указана.

Moirai-1.1-R — обновлённая версия модели Moirai-1.0 для прогнозирования временных рядов. Модель разработана Salesforce и содержит 99,1 млн параметров; веса опубликованы в формате safetensors. В версии 1.1 сообщается об улучшении примерно на 20% по метрике NMAE для годовых и квартальных рядов на 40 наборах данных репозитория Monash. Модель предназначена для прогнозирования временных рядов, в том числе низкочастотных данных с годовыми и квартальными наблюдениями. Разработчики указывают, что выпуск сопровождает академическую статью и предназначен для исследований; перед применением результаты следует оценить для конкретной задачи. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое использование.

SLIP (Sensor Language-Informed Pretraining) — мультимодальная модель и framework для создания переносимых представлений данных датчиков, разработанные исследователями Dartmouth College. Эта версия использует Gemma-3-270M как текстовую основу и дообучена для совместного представления сигналов и языка. Веса репозитория представлены в формате Safetensors; лицензия — MIT. Модель принимает многомерные временные ряды с разных датчиков и связывает их с текстом с помощью контрастивного обучения в стиле CLIP и генерации описаний по сигналам. Архитектура включает сенсорный трансформер с FlexMLP для переменной длины и временного разрешения, текстовый энкодер и мультимодальный декодер. README указывает около 220 млн параметров всего, из которых 67 млн обучаемые. Предусмотрены получение представлений сигналов и ответы на вопросы по ним; в карточке также отмечены английский язык и задача feature-extraction. SLIP предназначена для переноса между разными конфигурациями датчиков и задачами в областях активности человека, здоровья, окружающей среды, IoT, энергетики и транспорта. Ограничения: README не приводит длину контекста или точный перечень поддерживаемых датчиков; результаты зависят от предметной области и требуют проверки на целевых данных. Для использования и распространения применяется лицензия MIT.

BnLM-F — это предварительно обученная языковая модель для бенгальского языка из семейства BnLM, разработанного для эффективной обработки текстов на бенгали. Модель содержит 135 млн параметров, использует архитектуру DistilBERT и обучалась с нуля на корпусе B-CORE с помощью задачи masked language modeling. Токенизатор — WordPiece с бенгальским словарём размером 120 тыс. токенов; длина контекста составляет 512 токенов. Модель подходит для заполнения пропусков в бенгальском тексте и извлечения признаков. Она не дообучена для классификации, распознавания именованных сущностей и других прикладных задач, поэтому для них потребуется дополнительное обучение. В README заявлены высокая точность на BLUGE и других бенчмарках, а также меньшие вычислительные затраты по сравнению с многоязычными альтернативами. Веса доступны в формате safetensors по лицензии CC BY 4.0.

DTA Character 6-gram — компактная символьная языковая модель проекта histde для оценки качества OCR исторических немецких текстов. Она обучена на транскрипциях Deutsches Textarchiv, охватывающих печатные тексты 1500–1900 годов. Модель использует символьные 6-граммы со сглаживанием stupid backoff; вместо обучаемых параметров в файле safetensors хранятся таблицы частот. Подсчёт оценок выполняется на CPU, а интерфейс совместим с causal language models библиотеки Transformers. Модель присваивает текстовым страницам оценку bits-per-character (bpc): более низкая оценка обычно соответствует чистому историческому немецкому, более высокая — ошибкам распознавания, искажениям и шуму. Она предназначена для ранжирования страниц в крупных оцифрованных газетных корпусах. Токенизатор нормализует исторические символы, регистр, цифры, переносы и пробелы, поэтому оценка намеренно не учитывает ошибки регистра и цифр. В испытании на контролируемых OCR-искажениях оценки росли с уровнем повреждения; результаты также хорошо коррелировали с KenLM на проверенной выборке. Модель ориентирована на печатный исторический немецкий и может давать завышенные оценки для современного немецкого, других языков и непечатного текста. Она слабо замечает перестановку целых слов, а bpc подходит для сравнения страниц внутри одной версии модели, но не является калиброванной вероятностью и не переносится напрямую на другие оценщики. Генерация технически поддерживается, однако основное назначение модели — оценка качества. Код и таблицы частот выпущены под Apache License 2.0; исходный корпус имеет различные лицензии по документам.

PDM/finetuning-sentiment-model-3000-samples — модель классификации текста на базе DistilBERT, дообученная на датасете IMDb для анализа тональности отзывов. Она принимает текст и относит его к одному из классов тональности. В README указаны результаты на оценочной выборке: accuracy 0,8733 и F1 0,8742; архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. Модель подходит для автоматической классификации отзывов о фильмах и других похожих текстов на положительные и отрицательные. Она разработана на основе distilbert-base-uncased и распространяется по лицензии Apache-2.0. Карточка не описывает ограничения применения и детали обучающего набора сверх указания IMDb.

PatchTSMixer — компактная модель прогнозирования многомерных временных рядов, опубликованная IBM на Hugging Face и основанная на архитектуре MLP-Mixer. Этот чекпойнт предварительно обучен на наборе ETTh1 и охватывает все семь его каналов: HUFL, HULL, MUFL, MULL, LUFL, LULL и OT. Модель содержит 64,5 тыс. параметров и распространяется в форматах PyTorch и Safetensors. Модель прогнозирует следующие 96 часов по данным за предыдущие 512 часов. Для тестовой части ETTh1 README сообщает MSE 0,37. Архитектура смешивает данные по временным патчам, каналам и скрытым признакам; для применения важны совпадение каналов с ETTh1 и нормализация входных данных. Чекпойнт можно дообучать или оценивать на подходящих данных. Лицензия — Apache-2.0.

GGARA02 разработала классификатор эмоций в корейском тексте на основе KcELECTRA-base-v2022, дообученный на корпусе AI-Hub Emotional Dialogue Corpus. Модель принимает отдельную реплику или текст высказываний одного говорящего и относит его к одному из шести классов: гнев, радость, тревога, смущение, грусть или обида. Это ELECTRA-дискриминатор с архитектурой ElectraForSequenceClassification и 155 млн параметров. Контекст модели составляет до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. Для тестового раздела AI-Hub автор сообщает точность 86,95% и Macro F1 0,8672. Модель предназначена для классификации корейских высказываний по эмоциям; результаты следует использовать как вспомогательный сигнал, поскольку эмоциональная интерпретация субъективна. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

Moirai-1.1-R-large — версия модели прогнозирования временных рядов Moirai-1.0 от Salesforce. Модель содержит 352,3 млн параметров и распространяется в формате safetensors. В README указано, что обновлённая версия улучшила результаты примерно на 20% по NMAE для низкочастотных годовых и квартальных рядов на 40 наборах данных из репозитория Monash. Модель предназначена для прогнозирования временных рядов, в том числе данных с годовой и квартальной частотой. Это исследовательский выпуск для поддержки академической статьи; качество и пригодность для конкретных сценариев следует оценивать отдельно. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Это предварительно обученная модель PatchTST на основе Transformer, опубликованная IBM Research для прогнозирования временных рядов датасета ETTh1. Она обрабатывает все семь каналов набора данных: HUFL, HULL, MUFL, MULL, LUFL, LULL и OT. Модель предназначена для дообучения или оценки на данных электрических трансформаторов с теми же каналами. PatchTST разбивает временной ряд на патчи и кодирует их Transformer-архитектурой; веса эмбеддингов и Transformer совместно используются между независимыми каналами. В карточке приведён результат MSE 0,3881 на тестовой части ETTh1 для прогноза на 96 часов по истории длиной 512 часов. Для работы требуется нормализация входных данных. Модель распространяется под лицензией Apache-2.0.

RT-J — чекпойнт Relational Transformer, разработанный исследовательской группой Stanford STAR для предсказаний по реляционным базам данных. Модель содержит 85 млн параметров, 12 блоков, размерность 512 и 8 голов внимания; текстовые столбцы кодируются с помощью all-MiniLM-L12-v2. RT-J выполняет классификацию и регрессию объектов в режиме in-context learning без отдельного дообучения под каждую задачу. Модель предварительно обучена на PluRel, а затем на наборе The Join; на момент подачи статьи она занимала первое место среди in-context моделей в рейтинге RelBench. В карточке Hugging Face указана задача tabular-classification, формат весов safetensors и лицензия CC BY 4.0.

stanfordnlp/stanza-fi — модель Stanza для финского языка, подготовленная Stanford NLP. Она входит в набор инструментов для лингвистического анализа текста и предназначена для разметки последовательностей токенов; в каталоге её задача указана как token-classification. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Модель подходит для запуска анализа финского текста в Stanza и задач классификации токенов. Карточка не уточняет конкретные типы разметки, размер модели, контекстное окно или отдельные ограничения качества.

Nekshay/SWIN_Angle_Detection_Car — модель классификации изображений, разработанная пользователем Nekshay на Hugging Face. Она предназначена для определения угла обзора или ориентации автомобиля по изображению. Модель основана на архитектуре Swin Transformer и содержит около 58,7 млн параметров. Она опубликована для задачи image classification и также имеет конвертацию в формат ONNX, что может упростить развёртывание в прикладных системах компьютерного зрения. Основное применение — анализ изображений автомобилей с классификацией их угла или положения, например для задач автомобильной аналитики и подготовки данных для систем распознавания транспортных средств. Сведения о поддерживаемых естественных языках, длине контекста, точном наборе классов, обучающем датасете и лицензии надёжно не установлены.

Tessellating the Earth (TTE) — географический энкодер, разработанный Daniel Cher, Hamza Iqbal, Eric Xing, Brian Wei и Nathan Jacobs из Washington University in St. Louis. Он преобразует координаты широты и долготы в обучаемые векторные представления. В основе представления лежит обучаемое сферическое разбиение поверхности S² на ячейки Вороного с глобальными семантическими токенами. Модель предназначена для извлечения признаков из географических координат и сценариев геопространственного анализа, в том числе связанных с дистанционным зондированием Земли. Её можно использовать как энкодер местоположений в системах, которым нужны векторные представления координат. Во время обучения использовался замороженный визуальный backbone SSL4EO-S12 MAE ViT-L/16; для кодирования координат он не требуется. Модель распространяется в формате safetensors под лицензией MIT. В карточке заявлена связь с работой ECCV 2026.

AfroXLMR-Social — языковая модель на базе XLM-RoBERTa, разработанная для текстов из социальных сетей на африканских языках. Она предназначена для задач заполнения маскированных токенов и может служить основой для анализа текстов в социальных сетях на 19 языках. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для masked language modeling и принимает текст с контекстом до 514 токенов. В предварительном обучении использован корпус AfriSocial. Репозиторий содержит веса в формате Safetensors; модель доступна по лицензии MIT.

Карточка модели CollectionStudio/chronos-2-synth на Hugging Face совпадает с карточкой autogluon/chronos-2-synth, поэтому описание составлено по ней. Chronos-2-Synth — вариант модели Chronos-2, разработанный AutoGluon и обученный только на синтетических одномерных и многомерных временных рядах. Модель предназначена для прогнозирования временных рядов и относится к архитектуре T5; размер составляет 99,1 млн параметров. Модель принимает временные ряды и выдаёт прогнозы. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка не описывает отдельные прикладные отрасли или ограничения качества.

Это дообученная модель зрения CLIP ViT-Base с размером патча 32, разработанная на основе openai/clip-vit-base-patch32 и обученная на наборе EuroSAT. В репозитории указана архитектура CLIPVisionModel и формат весов safetensors; размер модели — 113,2 млн параметров. Модель предназначена для извлечения признаков изображений, в частности для сценариев компьютерного зрения, связанных с EuroSAT. В карточке приведены результаты оценки до и после дообучения: 0,4556 и 0,9907 соответственно; метрика не уточнена. Лицензия в доступных данных не указана.

digitalepidemiologylab/covid-twitter-bert-v2-mnli — модель семейства BERT для классификации текстов без предварительно размеченных примеров. Она предназначена для исследователей и аналитиков, которым нужно классифицировать твиты о COVID-19 по заданным категориям, например определять, связан ли текст с вакцинами. Категории задаются формулировками вроде «Этот текст о вакцинах», а модель оценивает соответствие текста каждой из них. Модель основана на CT-BERT и дообучена на данных MNLI для zero-shot-классификации по схеме распознавания текстовых следствий. Она принимает текст и названия или описания категорий; контекстное окно — 512 токенов. В метаданных указано 433,9 млн параметров, а среди доступных форматов — PyTorch и Flax. Основной язык карточки — английский, поэтому применение к другим языкам не подтверждено. Формулировка категорий влияет на результаты. README отмечает, что обучение на размеченных примерах, вероятно, даст более высокую точность. Модель распространяется по лицензии MIT.

Модель Steeve2ml/globatrend-sentiment-distilbert разработана как часть портфолио-проекта GlobaTrend Insights. Это DistilBERT — трансформерный энкодер с классификационной головой, дообученный для бинарной классификации тональности англоязычных текстов на положительные и отрицательные. Обучение проводилось на корпусе NLTK Movie Reviews; модель рассчитана прежде всего на отзывы о фильмах и похожие по стилю длинные тексты. Модель принимает текст и выдаёт метку тональности для текста целиком. Максимальная длина контекста — 512 токенов; более длинные тексты обрезаются. На отложенной выборке из того же корпуса указана точность 0,818. Модель может служить базовым классификатором или отправной точкой для разработки анализа тональности по аспектам, но сама по аспектам тональность не определяет. Разработчик предупреждает о малом объёме дообучения — 1 600 примеров — и возможных смещениях, связанных с именами актёров и режиссёров в обучающем корпусе. Модель обучена и проверена только на английских отзывах о фильмах; результаты для отзывов о товарах и услугах не проверены. Лицензия — MIT.

Карточка модели BriskBank/Kronos-base 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.

OlmoEarth-v1_2-Base — базовая модель компьютерного зрения от Allen Institute for AI (Ai2) для задач дистанционного зондирования Земли. В README она описана как модель семейства OlmoEarth на основе ViT-Base с 114 млн параметров, предназначенная для работы со спутниковыми снимками Sentinel-1, Sentinel-2 и Landsat, а также с временными рядами изображений. Указанная в карточке задача — извлечение признаков изображений; полученные представления можно использовать для последующего дообучения под прикладные задачи, например сегментацию. Модель рассчитана на построение эмбеддингов и адаптацию к задачам анализа спутниковых данных. Репозиторий содержит веса PyTorch. Для применения действуют условия лицензии OlmoEarth Artifact License и рекомендации Ai2 по ответственному использованию. Карточка README называет модель OlmoEarth-v1_1-Base, хотя идентификатор репозитория и заголовок описывают версию v1_2; это расхождение требует проверки.

aychang/roberta-base-imdb — модель классификации текста на архитектуре RoBERTa, дообученная на наборе отзывов IMDB. Она предназначена для определения тональности англоязычных отзывов о фильмах и может применяться для пакетной разметки пользовательских текстов по категориям тональности. Модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель разработана пользователем aychang и распространяется под лицензией MIT. Доступны веса PyTorch и Flax. Карточка характеризует её как минимальную языковую модель, обученную на одном бенчмарк-наборе, поэтому результаты за пределами отзывов о фильмах могут быть менее надёжными; подробные оценки качества здесь не приведены.

stanfordnlp/stanza-ko — модель из набора Stanza, разработанного Stanford NLP для лингвистического анализа корейского языка. Она предназначена для обработки текста в конвейере Stanza; метаданные Hugging Face относят её к задаче классификации токенов. Набор Stanza также предоставляет инструменты синтаксического анализа и распознавания сущностей, но карточка этой модели не уточняет, какие именно компоненты входят в данный репозиторий. Модель хранится в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, длину контекста или конкретные ограничения качества.

Это модель классификации спутниковых снимков, созданная дообучением Swin-Tiny от Microsoft на наборе EuroSAT. Она принимает изображение и относит его к одному из классов землепользования EuroSAT. В основе лежит архитектура Swin Transformer; модель содержит около 33 млн параметров и опубликована в формате PyTorch. На оценочной выборке указана точность 0,9744 и значение Loss 0,0664. Модель подходит для классификации снимков земной поверхности в задачах дистанционного зондирования и анализа землепользования. Лицензия Apache-2.0.

CardiffNLP Twitter RoBERTa-base — англоязычная модель семейства RoBERTa, обученная на 90 млн твитов, опубликованных до конца 2019 года. Она предназначена прежде всего для предсказания пропущенных токенов в тексте и анализа языка Twitter; карточка также показывает пример получения эмбеддингов твитов. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForMaskedLM и принимает последовательности длиной до 514 токенов. Модель подходит для восстановления замаскированных слов и извлечения представлений твитов. Для предобработки авторы рекомендуют заменять имена пользователей на @user, а ссылки — на http. Веса доступны в формате PyTorch по лицензии MIT. Поскольку обучение ограничено твитами до конца 2019 года, модель может хуже отражать более поздний язык и лексику платформы; её доменная специализация также ограничивает перенос на тексты других типов.

RoBERTa-base, разработанная Cardiff NLP в рамках проекта TimeLMs, обучена на 123,86 млн твитов, опубликованных до конца 2021 года. Это англоязычная модель заполнения масок: она предсказывает подходящие слова в замаскированных позициях текста и может использоваться для получения представлений твитов. Модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она принимает текст; максимальная длина контекста составляет 514 токенов. Перед обработкой авторы рекомендуют заменять имена пользователей и ссылки на заполнители «@user» и «http». Обучение на сообщениях Twitter и временная привязка к концу 2021 года делают модель подходящей для анализа языка твитов этого периода. Она не предназначена специально для генерации длинных текстов или понимания изображений, а её языковая и тематическая применимость за пределами англоязычных твитов может быть ограничена. Лицензия — MIT.

Twitter-XLM-RoBERTa-large — многоязычная модель Cardiff NLP на архитектуре XLM-RoBERTa с 658,7 млн параметров. Её специализация — тексты Twitter: базовую модель XLM-R переобучили на более чем 1 млрд твитов на разных языках, опубликованных до декабря 2022 года. Модель подходит для анализа и предсказания текста в задачах, связанных с Twitter, включая восстановление замаскированных токенов. Она совместима с библиотекой TweetNLP; для оценки на данных, ориентированных на Twitter, авторы направляют к основному репозиторию XLM-T. Контекст составляет 514 токенов. Лицензия — MIT.

Модель dima806/vehicle_10_types_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений транспортных средств. Она принимает изображение и возвращает вероятности принадлежности к одному из десяти типов транспорта. В README заявлена точность около 93%; способ и условия измерения не описаны. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и распространяется в формате safetensors. Она предназначена для распознавания типа транспортного средства на изображении, например в системах сортировки или анализа фотоматериалов. Лицензия — Apache-2.0.

Chronos-2-Synth — вариант модели Chronos-2, разработанный AutoGluon и обученный только на синтетических одномерных и многомерных временных рядах. Модель предназначена для прогнозирования временных рядов и относится к архитектуре T5; размер составляет 99,1 млн параметров. Модель принимает временные ряды и выдаёт прогнозы. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка не описывает отдельные прикладные отрасли или ограничения качества.

tanganke/clip-vit-large-patch14_eurosat — дообученная на наборе EuroSAT модель визуального энкодера CLIP ViT-Large с размером патча 14. Она извлекает признаки из спутниковых изображений и предназначена для задач классификации земного покрова и других сценариев, связанных с содержимым EuroSAT. В метаданных указано 402,7 млн параметров; веса представлены в формате safetensors. В README приведены результаты оценки до и после дообучения: 0,615 и 0,992 соответственно, однако метрика и протокол оценки не описаны. Модель принимает изображения и возвращает векторные признаки. Она дообучена на EuroSAT; сведений о поддержке текстового ввода, контекстном окне или лицензии в предоставленных источниках нет.