II.8Инженерия данных и аналитика

combined-raw-scratch — модель классификации текста, дообученная на базе roberta-base. Она предназначена для присвоения тексту классов; набор меток и область применения не описаны. Архитектура — RoBERTa для классификации последовательностей, размер — 17,1 млн параметров, длина контекста — 132 токена. Модель опубликована в формате safetensors и доступна по лицензии MIT. В README приведены результаты оценки: accuracy 0,6704 и macro-F1 0,6712 при loss 1,1006. Данных о наборе обучения, классах и целевых языках нет, поэтому результаты нельзя интерпретировать для конкретного сценария или языка.

Depth-Anything-V2-Metric-Indoor-Large-hf — версия Depth Anything V2, дообученная для оценки метрической глубины на изображениях помещений. Модель впервые опубликована в этом репозитории; исходная Depth Anything V2 разработана Lihe Yang и соавторами. Чекпойнт совместим с библиотекой Transformers и использует архитектуру DPT с backbone DINOv2. Размер базовой модели Large в семействе — 335,3 млн параметров. Модель принимает изображение и предсказывает карту абсолютной глубины для внутренних сцен. Для метрической версии использованы синтетические данные Hypersim; базовая Depth Anything V2 обучалась на синтетических размеченных и реальных неразмеченных изображениях. Модель подходит для оценки глубины без дополнительной настройки на целевом изображении. Карточка не сообщает лицензию этого чекпойнта, поэтому условия его распространения и коммерческого использования по имеющимся данным определить нельзя. Предназначение модели ограничено внутренними сценами; результаты на уличных и иных существенно отличающихся данных могут быть ненадёжны.

Janos98 дообучил компактную модель ntu-spml/distilhubert для классификации аудио на наборе GTZAN. Это модель HuBERT с архитектурой HubertForSequenceClassification и 18,9 млн параметров; она принимает аудио и выдаёт метку класса. На оценочной выборке GTZAN указаны accuracy 0,8197 и loss 0,9350. Модель подходит для классификации музыкальных аудиофрагментов по жанрам. Распространяется по лицензии Apache-2.0.

VinayHajare/distilhubert-finetuned-gtzan — компактная модель аудиоклассификации на архитектуре HuBERT, дообученная на базе ntu-spml/distilhubert на наборе GTZAN. Модель содержит 18,9 млн параметров и предназначена для распознавания музыкальных жанров по аудиозаписям. В README указана точность 0,89 и значение функции потерь 0,5167 на оценочном наборе. Модель принимает аудио и выдаёт метку класса жанра. Базовая DistilHuBERT разработана для извлечения речевых представлений из аудио с частотой 16 кГц; применение к жанровой классификации обусловлено дообучением на GTZAN. Доступна в форматах PyTorch и safetensors. Лицензия — Apache-2.0. README не содержит подробностей о языках, допустимой длительности аудио или ограничениях оценки, поэтому результаты на GTZAN не следует считать гарантией качества на других музыкальных данных.

DPN-98 MXNet ImageNet-1k — модель классификации изображений на архитектуре Dual-Path Network (DPN). Её обучили авторы статьи на ImageNet-1k в MXNet, а Ross Wightman перенёс веса в PyTorch; модель распространяется через библиотеку timm. В ней 61,6 млн параметров, а штатный размер входного изображения составляет 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. Она обучена на ImageNet-1k, поэтому её классы и качество ориентированы на эту задачу. Репозиторий содержит веса в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0.

DPRNNTasNet-ks16_WHAM_sepclean — модель разделения аудио, обученная Мануэлем Паренте с помощью рецепта DPRNN в библиотеке Asteroid. Она предназначена для задачи sep_clean на наборе данных WHAM! и принимает аудио, чтобы выделять источники и возвращать разделённые аудиодорожки. Архитектура основана на DPRNNTasNet с размером блока ks=16; в репозитории указаны веса PyTorch. В README приведены метрики качества разделения, включая SI-SDR 18,23 и STOI 0,972. Модель ориентирована на разделение чистых речевых сигналов в условиях набора WHAM!; качество на других типах аудио и сценариях не подтверждено. Лицензия — CC BY-SA 4.0.

mhtccc/ernie-4-5-0.3B-finance-sft — текстовая плотная авторегрессионная модель семейства ERNIE 4.5, дообученная разработчиком на датасете finance_sentiment. Она предназначена для генерации текста и диалогов, в частности для задач анализа финансовых настроений. Модель содержит 316,1 млн параметров, поддерживает контекст до 131 072 токенов и работает с текстом; метаданные указывают библиотеку Transformers и возможность диалога. В README приведено значение loss 0,4226 на оценочной выборке. Модель основана на baidu/ERNIE-4.5-0.3B-PT. Карточка не описывает точные метрики классификации тональности, языки датасета или ограничения применения. Лицензия указана как other, поэтому условия использования следует сверить с лицензиями базовой модели и самого репозитория.

Модель dima806/face_obstruction_image_detection — дообученный Vision Transformer ViT-Base для классификации изображений лица по типу препятствия или закрытия. По данным карточки, точность составляет около 91%; модель предназначена для анализа изображений лиц и определения вида перекрывающего их объекта или области. Модель содержит 113,2 млн параметров, основана на google/vit-base-patch16-224-in21k и использует архитектуру ViTForImageClassification. Она принимает изображения и выдаёт метку класса. Доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Сведения о конкретных классах и условиях оценки точности в карточке не приведены.

KannadaBERT — модель семейства BERT от L3Cube-Pune, предварительно обученная на общедоступных одноязычных наборах данных на каннада. Она предназначена для обработки текста на каннада и заполнения пропусков в тексте: модель предсказывает скрытые токены по окружающему контексту. Модель имеет архитектуру BERT с 264,8 млн параметров и контекстным окном до 512 токенов. Для работы доступны веса в форматах PyTorch и Safetensors. Карточка ссылается на предварительные сведения о данных и результатах в исследовательской статье. Модель подходит для маскированного языкового моделирования и как предварительно обученная основа для задач обработки текста на каннада. Она не предназначена для генерации связных ответов в формате диалога; качество может зависеть от предметной области и текста на входе. Лицензия — CC BY 4.0.

Kawai Aesthetic Scorer — модель классификации изображений, разработанная автором kawaimasa для оценки иллюстраций в соответствии с личными эстетическими предпочтениями, главным образом в аниме и 2D-арте. Она дообучена на ConvNeXtV2 Large с весами facebook/convnextv2-large-22k-384 и распределяет изображение по пяти классам от SS до C, выдавая вероятности классов. Обучение проходило с progressive resizing от 384 до 768 пикселей; для предсказаний важно сохранять описанную в карточке предобработку: пропорциональное изменение размера, черные поля до квадрата, нормализация ImageNet. Модель предназначена для отбора и ранжирования изображений в датасетах аниме и иллюстраций по предпочтениям автора. Её оценки субъективны и не являются универсальной оценкой качества или красоты. На фотографиях, 3D, реалистичном и западном художественном стилях результат может быть ненадежным. Модель не служит NSFW-классификатором или фильтром безопасности. Лицензия — Apache-2.0.

LeetCodeWizard_13B_v1.1a — языковая модель для решения и объяснения задач LeetCode и других задач программирования. В README указано, что её разработали дообучением WizardCoder-Python-13B на наборе задач LeetCode; метаданные описывают архитектуру как плотную LlamaForCausalLM с 12,9 млрд параметров, а максимальный контекст составляет 16 384 токена. Модель генерирует код и объяснения решений. Она рассчитана на подготовку к техническим собеседованиям и решение алгоритмических задач; в карточке приведён шаблон запросов в стиле Alpaca. В метаданных указаны английский язык и тег Python. Лицензия — Llama 2; условия её применения определяются соответствующей лицензией.

Llama-PortOIE3 — модель семейства Llama 3, опубликованная bratao как один файл GGUF для запуска в совместимых с llama.cpp системах. Она дообучена для извлекательного Open Information Extraction на португальском языке: по предложению генерирует отношения в формате ARG0, V, ARG1. В GGUF-метаданных указаны архитектура Llama, около 8,03 млрд параметров и контекст 8192 токена; фактическая поддержка длинного контекста зависит от среды запуска, а документация отмечает, что длинные входы не оценивались. Модель предназначена для выделения отношений и структурирования утверждений в португальских предложениях. В описанной оценке на небольшом наборе из 100 предложений лексический F1 для исследовательской системы PortOIE-Llama3 составил 0,2446, однако авторы README подчёркивают, что этот результат не подтверждён для конкретного опубликованного файла из-за неустановленной связи между контрольной точкой оценки и GGUF. Файл занимает около 8,54 ГБ; для запуска нужны llama.cpp и соответствующая обвязка, а ориентир для CPU — 10–12 ГБ свободной оперативной памяти. Модель может пропускать или дублировать отношения, галлюцинировать содержание и выдавать результаты, которые парсер не сможет нормализовать; извлечённые утверждения требуют сверки с исходным текстом и не являются проверкой фактов. Точная базовая модель, квантизация, версия обучающих данных и лицензия в публичной карточке не установлены.

Mage-ViT — визуальный энкодер, разработанный Microsoft и предназначенный прежде всего для обработки видео; изображение рассматривается как видео из одного кадра. Это 24-слойный Vision Transformer с 16 головами внимания, размером скрытого представления 1024 и пуллингом с многоголовым вниманием. Метаданные указывают 402,7 млн параметров, а README — около 316 млн; источники расходятся в оценке размера модели. Модель принимает изображения или последовательности видеокадров и возвращает признаки для отдельных патчей и глобальное векторное представление. Энкодер обучен с нуля на примерно 100 млн неразмеченных изображений и видео с использованием кластеризационной цели. При подготовке видео он поддерживает разреженный выбор патчей по важности, связанной с распределением битов видеокодека; для 64 кадров заявлен бюджет 4096 токенов и сокращение числа токенов примерно на 75%. В этом репозитории находится только предварительно обученный визуальный энкодер, без совместного обучения Mage-VL с языковой моделью. Лицензия — MIT.

Это модель MobileNetV3 Large для классификации изображений, обученная Россом Уайтманом на ImageNet-1k с использованием скриптов timm. Она также предназначена для работы в качестве визуального backbone и извлечения карт признаков и эмбеддингов. В модели 14,6 млн параметров и около 1,0 GMAC; размер изображения при обучении — 256 × 256, при тестировании — 320 × 320 пикселей. Модель подходит для присвоения изображению меток из набора ImageNet-1k, а также как компактная основа для извлечения визуальных признаков. README указывает на обучение с гиперпараметрами, вдохновлёнными MobileNetV4 Small и практиками timm. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Количественные результаты из таблицы README относятся к другим моделям, поэтому их нельзя считать оценкой этой модели.

Mossez-100M-Coder-Instruct — экспериментальная модель Mossez Systems для генерации кода по инструкциям. Это дообученная на базе Mossez-100M-Coder-Base плотная decoder-only Transformer-архитектура, совместимая с Llama, с 100,1 млн параметров и контекстом 1024 токена. Модель ориентирована на генерацию и дополнение кода, включая заполнение пропусков, а также на диалоговое взаимодействие с инструкциями. Для дообучения использовались 2 640 созданных разработчиком примеров за одну эпоху; веса Mossez-100M-Instruct источником не были. Модель небольшая и экспериментальная: набор обучения узкий и шаблонный, поэтому результаты на тестовых примерах могут завышать её возможности в реальных задачах. Возможны повторы, неверные значения и API, синтаксически некорректный код, слабое следование инструкциям и преждевременное завершение генерации. Разработчик не рекомендует использовать её как надёжного или безопасного производственного помощника; сгенерированный код следует проверять и тестировать. Распространяется по лицензии Apache-2.0.

SeyedAli/Musical-genres-Classification-Hubert-V1 — модель SeyedAli для классификации музыкальных жанров по аудио. Это дообученная на GTZAN модель NTU SPML distilhubert с архитектурой HuBERT; число параметров — 18,9 млн. Для оценки на тестовой выборке указана точность 0,84 и loss 0,5068. Модель предназначена для автоматической жанровой разметки музыкальных записей и может использоваться в музыкальных каталогах и системах организации аудиоколлекций. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не описывает ограничения и детали подготовки данных.

Модель dima806/music_genres_classification разработана Dima806 для классификации музыкальных аудиозаписей по жанрам. Она дообучена на базе facebook/wav2vec2-base-960h и использует архитектуру Wav2Vec2ForSequenceClassification; содержит 113,3 млн параметров. Модель обучалась на датасете GTZAN из 1000 аудиофрагментов длительностью 30 секунд, размеченных десятью жанрами: блюз, классическая музыка, кантри, диско, хип-хоп, джаз, металл, поп, регги и рок. Она предназначена для автоматической разметки музыки, организации музыкальных коллекций и рекомендаций. Модель принимает аудио и выдаёт метку жанра. В README не описаны требования к формату и длительности входного аудио или результаты оценки качества, поэтому точность на других жанрах и типах аудиозаписей не установлена. Лицензия — Apache-2.0.

Репозиторий содержит эталонные модели PatchTST, разработанные eulogik для сопоставления с NanoForecast в стандартном бенчмарке прогнозирования временных рядов. Каждая модель обучена отдельно на одном наборе данных, с независимой обработкой каналов, по гиперпараметрам из статьи PatchTST. В репозитории размещены веса PyTorch и результаты бенчмарков для ETTh1, ETTh2, ETTm1, exchange_rate, electricity и traffic. Модели предназначены для прогнозирования временных рядов и служат базовыми ориентирами при оценке других моделей на перечисленных датасетах. В README приведены метрики MASE, MAE, MSE и sMAPE для части результатов. Лицензия — Apache-2.0. Описание ориентировано на бенчмаркинг; данных о пригодности к другим наборам данных или сценариям не приведено.

Модель разработана на базе NbAiLab и предназначена для определения одного из пяти крупных региональных диалектов норвежского языка по аудиозаписи речи. Это энкодер NbAiLab/nb-whisper-medium с классификационной головой WhisperForAudioClassification; все слои дообучены для классификации последовательностей. Модель содержит около 455,8 млн параметров и принимает монофоническое аудио, подготовленное с частотой 16 кГц. Модель подходит для исследований норвежских диалектов, создания диалектно-ориентированных речевых конвейеров и в качестве отправной точки для дальнейших экспериментов. Обучение проводилось на взрослых выступлениях в парламенте; пять меток обозначают широкие регионы, а границы между ними могут быть нечёткими. Качество на разговорной речи, детской речи и речи неносителей не гарантируется; в последней эпохе обучения наблюдались признаки переобучения, поэтому опубликован лучший чекпойнт по точности на оценочной выборке. Лицензия — Apache-2.0.

Qwen2.5-3B ADE Relation Extractor — дообученная модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная для извлечения связей между лекарственными препаратами и нежелательными явлениями (ADE) из клинических предложений. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и принимает текст, выдавая текстовые структурированные результаты. Контекст — до 32 768 токенов. Модель дообучена методом QLoRA на ADE Corpus V2; адаптер LoRA объединён с базовой моделью, поэтому репозиторий можно загружать напрямую через Transformers. В README приведены метрики: Strict Pair F1 — 71,98%, Drug F1 — 92,82%, Effect F1 — 76,44%. Модель предназначена для экспериментов и исследований в области клинического извлечения информации; английский язык следует из используемого корпуса ADE Corpus V2. Лицензия в предоставленных данных не указана.

RDNet Tiny — модель классификации изображений и извлечения визуальных признаков, опубликованная Naver AI. Это исходные веса torchvision, обученные на ImageNet-1k. Модель содержит 24 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость 5,0 GMACs; точность top-1 на валидации ImageNet-1k составляет 82,8%.

RepViT M1.1 distill — модель классификации изображений, разработанная авторами статьи RepViT и обученная с дистилляцией на ImageNet-1k. Она также может использоваться как сверточный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 8,8 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 1,4 GMAC. Репозиторий предоставляет веса PyTorch и SafeTensors для библиотеки timm. Лицензия — Apache-2.0. Подходит для классификации изображений и извлечения визуальных признаков в компьютерном зрении. Карточка не приводит ограничений по качеству или сведения о поддержке иных размеров изображений.

ResNet-34 — свёрточная модель классификации изображений, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,8 млн параметров и требует около 3,7 GMACs. Размер изображения при обучении — 224 × 224 пикселя; для тестирования в карточке указан размер 288 × 288. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

AlexStamp разработала модель на архитектуре RoBERTa-base, дообучив FacebookAI/roberta-base для пяти классов оценки отзывов Yelp. На вход подаётся текст отзыва, а модель предсказывает оценку от одной до пяти звёзд. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате safetensors; для запуска используется Transformers. Модель подходит для классификации англоязычных отзывов Yelp и учебных экспериментов с дообучением трансформеров и сравнением их с классическими методами NLP. В README указана точность 0,639 и Macro F1 0,631 на тестовой выборке из 1 000 отзывов. Обучение проводилось на подмножестве из 10 000 отзывов Yelp. Небольшая обучающая выборка и дисбаланс классов ограничивают обобщение; модель использует только текст и может хуже работать на отзывах из других областей. Лицензия — MIT.

RoBERTa-es-mental-large — испаноязычная языковая модель для анализа текстов о психическом здоровье, разработанная группой ELiRF института VRAIN при Политехническом университете Валенсии. Это плотная модель RoBERTa-large с 454,1 млн параметров, дообученная на тематических текстах из Reddit, автоматически переведённых на испанский. Модель обучена предсказывать скрытые токены и принимает последовательности длиной до 514 токенов. Модель подходит для извлечения признаков и последующего дообучения на задачах выявления признаков психических расстройств, скрининга и классификации текстов на уровне пользователя или отдельного контекста. Она предназначена для исследовательского NLP в области психического здоровья и анализа публикаций в социальных сетях и сообществах поддержки. Для таких сценариев модель может учитывать тематическую лексику и контекст испаноязычных рассказов. Обучающие данные происходят из социальных сетей, поэтому возможны демографические, культурные и языковые смещения; машинный перевод мог внести смысловые искажения. Предсказания могут быть ненадёжны при недостатке контекста, модель не объясняет результаты и не предназначена для клинической диагностики, медицинских решений или автоматического вмешательства без надзора специалиста. Лицензия унаследована от PlanTL-GOB-ES/roberta-large-bne.

Haon-Chen/speed-synthesis-8b-revisor — модель-пересмотрщик данных проекта SPEED, описанного в работе «Little Giants: Synthesizing High-Quality Embedding Data at Scale» (2024). Она дообучена на базе Meta-Llama-3-8B и предназначена для пересмотра данных формата sequence-to-sequence, используемых при синтезе обучающих данных для эмбеддингов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру Llama и принимает текст для генерации текста. Контекст составляет до 8192 токенов; в карточке указан английский язык. Репозиторий содержит веса Safetensors. Лицензия — MIT. Карточка называет модель пересмотрщиком данных SPEED и приводит пример её применения для переработки s2s-данных. Она не сообщает количественных оценок качества или подробных критериев пересмотра, поэтому пригодность для конкретного набора данных следует проверять отдельно.

ShengdingHu/sst2 — адаптер LoRA для BigBird-RoBERTa-large, опубликованный Shengding Hu и дообученный для классификации тональности на английской части набора SST-2. В метаданных репозитория указана архитектура BigBirdForMaskedLM с 454,2 млн параметров и максимальной длиной последовательности 4096 токенов; конфигурация обучения указывает на изменение слоёв query и key и обучение в течение трёх эпох. Модель предназначена для определения тональности коротких английских текстов по схеме SST-2, например отзывов и предложений с положительной или отрицательной оценкой. Однако карточка и метаданные задают её как fill-mask-модель, а опубликованная конфигурация обучения описывает SST-2; доступные сведения не подтверждают, что репозиторий предоставляет готовую классификационную голову или стандартный pipeline для классификации. Архитектура BigBird использует разреженное внимание и поддерживает длинные последовательности, хотя указанный датасет и максимальная длина источника обучения — 128 токенов. Репозиторий содержит PyTorch-веса. Лицензия в проверенных сведениях не установлена; перед применением следует проверить её на карточке модели. Модель ориентирована на английский язык, а её практическая пригодность для классификации зависит от наличия совместимого адаптера и способа подключения задачи SST-2.

StarCoder-1b-textbook — языковая модель для генерации кода, выпущенная Jina AI. Это полно-параметрическое дообучение starcoderbase-1b на наборе code_exercices; модель содержит 1 млрд параметров и использует архитектуру GPTBigCode. Контекст составляет 8192 токена, формат весов — PyTorch. Модель предназначена для генерации решений упражнений по программированию и продолжения кода. В README указано значение 27,0 pass@1 на HumanEval, однако этот результат не гарантирует сопоставимого качества в роли универсального помощника. Модель не настроена на выполнение инструкций и не предназначена для чат-диалогов. Модель выпущена под лицензией CC-BY-NC-SA-4.0. Она обучалась на данных, сгенерированных ChatGPT 3.5, а авторы предупреждают, что результаты HumanEval ограниченно отражают практические способности модели и что модель не выровнена с человеческими предпочтениями.

Модель rmDuarte27/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная на наборе данных EuroSAT модель компьютерного зрения для классификации изображений. Она основана на Swin-Tiny от Microsoft, использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель принимает изображения и предсказывает их классы; в оценке на тестовом наборе указаны loss 0,0493 и accuracy 0,9841. Модель предназначена для классификации спутниковых снимков по категориям земного покрова и землепользования. Лицензия репозитория — Apache-2.0. В README нет подробностей о составе классов и условиях оценки, поэтому приведённые метрики не позволяют судить о качестве на других данных.

kuppuluri/telugu_bertu_pos — модель BERT для разметки последовательностей на уровне токенов, предназначенная для определения частей речи в тексте на телугу. Модель содержит 137,8 млн параметров, имеет контекст до 512 токенов и доступна в форматах PyTorch и Flax. Автор сообщает о результатах на тестовом наборе: F1 0,9984, точность 0,9984 и полнота 0,9983. Карточка предупреждает о проблемах с кодировкой телугу в веб-интерфейсе Hugging Face и рекомендует запускать инференс из Python. Сведения об обучающих данных и лицензии в доступных материалах не приведены.