II.8Инженерия данных и аналитика

theuerc/TinyLlama-1.1B-Chat-Math-v1.0 — дообученная языковая модель на архитектуре Llama, созданная Coulton Theuer, Bret Ellenbogen и Victoria Chang на основе TinyLlama-1.1B. Модель предназначена для генерации решений задач базовой алгебры, в частности систем линейных уравнений. Её обучили на 8 тысячах синтетических решений, созданных OpenMath-Mistral-7B-v0.1-hf на наборе ALG-514, с помощью SFTTrainer. Модель содержит около 1 млрд параметров, принимает текст и генерирует текст; карточка указывает поддержку английского языка и контекст до 2048 токенов. В примере предусмотрен сценарий с исполнением кода, однако сам генератор кода в карточке представлен как часть внешнего конвейера инференса. Zero-shot качество авторы оценивают как слабое, хотя отмечают пригодность модели для быстрого создания синтетических данных. Лицензия — Apache-2.0.

UniverSat — разработанная авторами репозитория универсальная модель-энкодер для дистанционного зондирования Земли на основе Vision Transformer. Она преобразует спутниковые и аэроснимки в пространственные эмбеддинги и рассчитана на классификацию, семантическую сегментацию и обнаружение изменений с помощью замороженного экстрактора признаков или дообучения. Модель принимает сочетания оптических, радиолокационных SAR, гиперспектральных и высотных данных, в том числе временные ряды, с разными разрешениями и числом каналов; входные данные нужно нормализовать по каналам с помощью z-score. Универсальный Patch Encoder отображает патчи разной пространственной, спектральной и временной формы в общее пространство признаков. Выходную детализацию пространственной карты можно выбирать при инференсе, вплоть до признаков на каждый пиксель. Модель предварительно обучена без учителя на 13 сенсорах из 7 наборов данных с маскированным мультимодальным моделированием и межмодальным контрастивным обучением; заявлено обобщение на сенсоры, не встречавшиеся при обучении. UniverSat предназначена для извлечения признаков в задачах анализа спутниковых и аэроснимков, включая сценарии с малым количеством размеченных данных. В однородных сценариях специализированные модели могут быть точнее или эффективнее; перенос на незнакомые неоптические сенсоры менее надёжен, чем на оптические. Репозиторий распространяется по лицензии MIT.

Это модель Vision Transformer (ViT), первоначально обученная авторами статьи на ImageNet-21k в JAX и перенесённая в PyTorch Россом Уайтманом. Она предназначена для извлечения признаков изображений и использования в качестве основы для последующего дообучения; классификационная голова отсутствует. Модель содержит около 87,5 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и имеет архитектуру с патчами 32 × 32. Её можно применять для получения эмбеддингов изображений и построения собственных классификаторов или других задач компьютерного зрения. Доступны веса PyTorch и Safetensors, лицензия — Apache-2.0. Ограничение: для готовой классификации потребуется добавить классификационную голову и при необходимости дообучить модель.

Карточка модели Aliados/voice-gender-classifier на Hugging Face совпадает с карточкой JaesungHuh/voice-gender-classifier, поэтому описание составлено по ней. JaesungHuh разработал классификатор пола по человеческому голосу. Модель принимает аудио и относит голос к категориям пола; для запуска доступны предварительно обученные веса и демонстрация на Hugging Face. В метаданных указаны задача audio-classification, формат safetensors и обучающий датасет VoxCeleb. Модель подходит для автоматической классификации голосовых записей в приложениях и исследовательских прототипах. Она выпущена по лицензии MIT. Представленность VoxCeleb может не соответствовать населению мира, поэтому предсказания могут быть смещены для отдельных групп и условий записи.

facebook/wav2vec2-conformer-rope-large — акустическая модель семейства Wav2Vec2-Conformer, разработанная авторами Changhan Wang, Yun Tang, Xutai Ma, Anne Wu, Sravya Popuri, Dmytro Okhonko и Juan Pino. Модель содержит 402,7 млн параметров и предварительно обучена на 960 часах аудио LibriSpeech с частотой дискретизации 16 кГц; в архитектуре используются rotary position embeddings. Модель предназначена для извлечения акустических представлений речи и может служить основой для систем распознавания речи после добавления токенизатора и дообучения на размеченных текстовых данных. Она принимает аудио с частотой 16 кГц и не выдаёт готовую транскрипцию без такой дополнительной настройки. В карточке указан английский язык и набор данных LibriSpeech ASR. Весы опубликованы в формате PyTorch по лицензии Apache-2.0. Ключевое ограничение — это предобученная на аудио модель без токенизатора, поэтому для распознавания речи требуется отдельная настройка на размеченных данных.

jalaluddin94/xlmr-nli-indoindo — модель классификации текста на базе XLM-RoBERTa Base, дообученная разработчиком jalaluddin94 на неизвестном наборе данных. Она содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Модель предназначена для классификации текстовых последовательностей. В README приведены результаты оценки: accuracy и precision 0,7701, recall 0,7701, F1 0,7693 и loss 0,6699. Название предполагает связь с NLI для индонезийского языка, но карточка не описывает метки классов, набор данных и целевые языки, поэтому это назначение нельзя подтвердить. Модель опубликована в формате PyTorch под лицензией MIT. Качество и применимость за пределами указанной оценки не установлены; назначение набора меток и языковая область требуют проверки перед использованием.

zoobot-encoder-efficientnet_b0 — визуальный энкодер семейства EfficientNet-B0, опубликованный mwalmsley для проекта Zoobot. Модель предназначена для извлечения признаковых векторов из изображений; её можно загружать как энкодер через библиотеку timm и использовать как основу для последующего обучения классификатора или других задач компьютерного зрения. В карточке указаны формат PyTorch и лицензия GPL-3.0. README не сообщает размер модели, набор данных, обучающие характеристики или специализацию на конкретном типе изображений. Поэтому качество признаков для отдельных предметных областей по этой карточке оценить нельзя.

ylacombe/accent-classifier — модель классификации аудио, предназначенная для определения акцента в речевых записях. По названию репозитория и pipeline-тегу audio-classification её можно использовать для анализа аудиосигналов и отнесения речи к категориям акцента. Модель опубликована пользователем или организацией ylacombe и работает через библиотеку Transformers. В метаданных указаны теги wav2vec2 и safetensors; размер модели составляет около 1,3 млрд параметров. Языки, набор категорий акцентов, обучающие данные, контекст обработки и результаты оценки в доступных материалах не описаны. Модель может быть полезна для предварительного анализа речи, исследований вариативности произношения и построения приложений, которым требуется классификация акцента. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Babblu2821 разработала модель обнаружения автомобильных номерных знаков на базе YOLOv8s. Это одно-классовый детектор с 11,1 млн параметров, обученный в течение 100 эпох на изображениях размером 640 пикселей. Модель принимает изображения и возвращает ограничивающие рамки номерных знаков; распознавание символов в её задачи не входит. Модель предназначена для обнаружения номеров на фотографиях и видеокадрах как этапа конвейера автоматического распознавания номерных знаков. В README приведены результаты проверки на 465 изображениях: mAP@50 0,9921 и полнота 0,9979. Данные для обучения включали европейские и индийские номера; качество на номерах других регионов не проверено. Модель выдаёт прямоугольные рамки и не оценивает углы наклона номера, поэтому результат не позволяет корректно выправить перспективно искажённый номер для последующего OCR. Качество на очень маленьких номерах, при сильном смазывании движения и ночной съёмке не охарактеризовано. Проект заявлен как портфолио и учебная работа; обнаружение номеров не означает их чтение. Лицензия репозитория — MIT, а использованные наборы данных указаны как CC BY 4.0. Применение для слежения за людьми не рекомендуется; обработка номеров может подпадать под требования законодательства о персональных данных.

Lucyan85/beto-ner-prostata — модель BETO на архитектуре BERT, дообученная автором Lucyan85 для распознавания именованных сущностей в клинических текстах о раке предстательной железы. Она выделяет десять типов сущностей: возраст пациента, биомаркеры, виды рака, оценку Глисона, классификацию TNM, лечение, лекарства, дозировки, хирургические процедуры и даты медицинских событий. Модель содержит 137,1 млн параметров и принимает испанский текст с контекстом до 512 токенов. В карточке указаны F1 96,18%, точность 95,86% и полнота 96,49%; эти показатели относятся к описанной автором оценке и не гарантируют аналогичных результатов на других данных. Для работы с моделью приведён пример использования через pipeline Transformers с задачей token-classification. Базовая модель — dccuchile/bert-base-spanish-wwm-cased. Лицензия в предоставленных данных не указана.

caformer_s18.sail_in22k — модель классификации изображений семейства CAFormer, разработанная авторами статьи MetaFormer Baselines for Vision и обученная на ImageNet-22k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 69 млн параметров, имеет вычислительную стоимость 4,2 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Она принимает изображения и выдаёт классовые оценки; также поддерживает извлечение визуальных признаков. Репозиторий содержит веса PyTorch и Safetensors, для работы используется библиотека timm. Лицензия — Apache-2.0. Модель предназначена для классификации изображений и извлечения признаков; качество вне обучающего набора ImageNet-22k и для изображений другого размера в карточке не охарактеризовано.

Карточка модели hfl/cino-small-v2 на Hugging Face совпадает с карточкой hfl/cino-base-v2, поэтому описание составлено по ней. CINO-base-v2 — многоязычная предварительно обученная языковая модель лаборатории HFL, совместной лаборатории HIT и iFLYTEK Research. Она построена на XLM-R и дополнительно обучена на корпусах китайского и ряда языков и языковых разновидностей Китая: тибетского, монгольского в уйгурской письменности, уйгурского, казахского в арабской письменности, корейского, чжуанского и кантонского. Модель предназначена для понимания текста на этих языках и может использоваться как основа для NLP-систем; её основная задача в каталоге — восстановление замаскированных токенов (fill-mask). Архитектура — XLM-RoBERTa для masked language modeling, размер — 217,2 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и TensorFlow. Модель принимает текст и предсказывает замаскированные текстовые токены. README не приводит результаты оценивания или конкретные ограничения качества. Лицензия — Apache-2.0.

Модель tanganke/clip-vit-large-patch14_stanford-cars — дообученная версия CLIP ViT-Large/14 на датасете Stanford Cars. Она содержит около 402,7 млн параметров и использует архитектуру CLIPVisionModel для извлечения признаков изображений. Модель подходит для получения представлений изображений автомобилей и задач классификации в сценариях, связанных с набором Stanford Cars. В README приведены результаты оценки: 0,777 для предварительно обученной модели и 0,927 после дообучения. В метаданных указан формат safetensors. Сведения о лицензии и поддерживаемых языках отсутствуют; языковая генерация не заявлена.

Модель tanganke/clip-vit-large-patch14_svhn — дообученная на наборе SVHN зрительная часть CLIP ViT-Large с размером патча 14. Она предназначена для извлечения признаков изображений, в частности для классификации изображений домовыми номерами из SVHN и построения представлений для последующих задач компьютерного зрения. Модель содержит около 402,7 млн параметров; в репозитории веса представлены в формате safetensors. В карточке приведены результаты оценки на SVHN: 0,588 для исходной предварительно обученной модели и 0,979 после дообучения. Эти значения указывают на улучшение в указанной оценке, но карточка не описывает метрику и протокол проверки. Базовая модель — openai/clip-vit-large-patch14. Условия лицензирования в предоставленных данных не приведены.

CoAtNeXt Nano — модель классификации изображений из библиотеки timm, обученная Россом Уайтманом на ImageNet-1k. Архитектура CoAtNeXt сочетает блоки ConvNeXt на ранних этапах с блоками self-attention на последующих; модель содержит около 14,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-1k и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В карточке приведены показатели top-1 81,95% и top-5 95,92% на ImageNet-1k. Репозиторий распространяется под лицензией Apache-2.0.

CrossViT-18-240 — модель классификации изображений и визуальный backbone семейства CrossViT, обученная авторами статьи на ImageNet-1k. Архитектура использует vision transformer с перекрёстным вниманием между масштабами. Модель содержит 43,3 млн параметров, обрабатывает изображения размером 240 × 240 и требует около 9,1 GMACs на проход. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения визуальных признаков и эмбеддингов. Доступны веса PyTorch и safetensors для библиотеки timm. Лицензия — Apache-2.0.

cs3darknet_m.c2ns_in1k — сверточная модель классификации изображений и извлечения признаков из семейства CS3-DarkNet, опубликованная в библиотеке timm. Она обучена на ImageNet-1k и может использоваться как классификатор изображений, базовая сеть для получения карт признаков и источник визуальных эмбеддингов. Модель содержит 9,3 млн параметров и требует изображения размером 288 × 288 при тестировании; обучение проводилось на изображениях 256 × 256. В обучении применялась схема ResNet Strikes Back C без repeat-augmentation, с усиленным mixup, оптимизатором SGD с Nesterov, адаптивным ограничением градиентов AGC и косинусным расписанием скорости обучения с разогревом. Вариант ns не использует stochastic depth. Модель распространяется под лицензией Apache-2.0. Карточка не сообщает о специализированной поддержке языков или других модальностей помимо изображений.

HooshvareLab/distilbert-fa-zwnj-base — персидская модель семейства DistilBERT от HooshvareLab для предсказания пропущенных токенов в тексте. Она обучена на разнотипных корпусах с новым словарём и предназначена, в частности, для работы с символом нулевой ширины, который влияет на написание персидских слов. Модель использует архитектуру DistilBertForMaskedLM, принимает текст и предсказывает замаскированные токены. Максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель ориентирована на персидский язык; README не описывает её пригодность для других языков или задач. Качество на конкретных наборах данных и другие ограничения в карточке не приведены.

Модель gokulan006/distilbert-reddit-mental-health-risk-classifier разработана в рамках проекта Google Summer of Code 2026 совместно с HumanAI. Это дообученная DistilBERT для классификации текстовых публикаций Reddit по трём уровням риска для психического здоровья: низкому, умеренному и высокому. Она принимает текст и выдаёт метку класса; контекст ограничен 512 токенами. В описанной оценке лучшая точность составила 85,80%, а взвешенная F1-мера — 85,71%. Модель рассчитана на исследования, NLP-бенчмаркинг и прототипы мониторинга кризисных состояний. Лицензия в метаданных — Apache-2.0. Классификатор может выделять публикации с упоминаниями суицидальных мыслей и самоповреждения, а также тексты о депрессии, тревоге и эмоциональном неблагополучии. Он не предоставляет медицинских рекомендаций: точность зависит от площадки, стиля письма и популяции, а предсказания не подходят как единственное основание для клинических или экстренных решений; для высокорисковых случаев рекомендуется проверка человеком.

Sandiago21 дообучил модель ntu-spml/distilhubert на наборе GTZAN для классификации аудио. Модель построена на архитектуре HuBERT, содержит 18,9 млн параметров и предназначена для распознавания музыкальных жанров по аудиозаписям. На оценочном наборе указаны точность 0,88 и значение потерь 0,5358. Модель использует PyTorch и доступна в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Extrabinary — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base. Она предназначена для отнесения текста к одному из классов; название Extra_binary может указывать на бинарную классификацию, однако README не уточняет сами классы и назначение разметки. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и принимает текстовые последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,6276, precision 0,5938, recall 0,8055, F1 0,6836 и AUC 0,7116. Датасет указан как None, а сведения о сценариях применения и обучающих данных отсутствуют, поэтому качество для конкретной задачи по этим метрикам определить нельзя. Модель распространяется по лицензии MIT.

Kaludi/food-category-classification-v2.0 — модель компьютерного зрения, разработанная Kaludi для классификации изображений еды. Она построена на архитектуре Swin и содержит 58,7 млн параметров; принимает изображение и относит его к одной из 12 категорий: хлеб, молочные продукты, десерт, яйца, жареная еда, фрукты, мясо, лапша, рис, морепродукты, суп или овощи. Модель подходит для автоматической сортировки фотографий в каталогах фуд-блогов, ресторанов и сайтов с рецептами. В README приведены метрики валидации: точность 0,960 и macro F1 0,959. Эти результаты относятся к описанной проверке и не гарантируют такого же качества на других изображениях и данных. Лицензия в предоставленных источниках не указана.

Dima806 дообучил модель Google ViT Base Patch16 224 In21k для классификации изображений фруктов и овощей. Это Vision Transformer с 113,2 млн параметров, предназначенный для определения класса объекта на изображении. Модель принимает изображения и выдаёт метки классов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Карточка не содержит сведений о наборе классов или качестве распознавания, поэтому их нельзя оценить по доступным данным.

beshkenadze/g2p-multilingual-byT5-tiny-mlx — конвертированная для MLX модель на базе ByT5 от Charsiu для преобразования написания слов в фонемную транскрипцию. Она принимает текст и выдаёт последовательность фонем в IPA; карточка показывает пример для американского английского. Модель поддерживает 100 языков и предназначена для запуска на устройствах Apple с MLX, в том числе через CharsiuG2PKit для Swift. В метаданных указано 11,1 млн параметров, архитектура T5ForConditionalGeneration и формат SafeTensors; README приводит PER 0,096 и WER 0,281. Репозиторий содержит конверсию исходной модели charsiu/g2p_multilingual_byT5_tiny_16_layers_100 из PyTorch в SafeTensors для MLX, а не самостоятельное дообучение. Метаданные указывают лицензию MIT. Число параметров в README отличается от метаданных, поэтому размер приведён по метаданным.

MarekCech разработал эту модель на основе ntu-spml/distilhubert, дообучив её для классификации музыкальных жанров. Модель использует архитектуру HuBERT и содержит 18,9 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для определения жанра по аудиозаписи. В карточке перечислены 18 жанров: блюз, классическая музыка, кантри, Drum & Bass, Dubstep, фолк, Future Bass, Hardstyle, House, джаз, латинская музыка, металл, поп, R&B и соул, рэп, регги, рок и трэп. Лицензия в доступных данных не указана.

German FinBERT Further Pre-trained Version — немецкоязычная модель BERT для финансовых текстов, разработанная Морицем Шеррманном. Это продолжительно предобученный чекпойнт на основе deepset/gbert-base: модель обучалась на корпусе финансовых и новостных документов на немецком языке, охватывающем период с 1996 по 2023 год. Модель предназначена для заполнения пропусков в немецких финансовых текстах и служит основой для специализированных задач, таких как классификация финансовых новостей, анализ тональности и извлечение ответов на вопросы. Архитектура — BERT base с 137,1 млн параметров; максимальная длина контекста составляет 512 токенов. Репозиторий предоставляет веса PyTorch, лицензия — Apache-2.0. Профильное предобучение улучшает результаты на финансовых задачах по сравнению с общей немецкой моделью, согласно карточке автора. Сам опубликованный чекпойнт размечен для fill-mask; показатели классификации и вопросно-ответных задач относятся к downstream-настройкам и не означают, что этот чекпойнт напрямую выполняет их без дополнительной адаптации. Данные, на которых продолжалось обучение, включают финансовые документы, новости и другие источники, поэтому качество на иных темах и языках не заявлено.

GhostNetV2 1.0 — сверточная модель классификации изображений и извлечения признаков из семейства GhostNetV2, созданная авторами исследования и обученная на ImageNet-1k. Она подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов; модель рассчитана на входной размер 224 × 224 пикселя. Модель содержит 6,2 млн параметров и требует около 0,2 GMAC на изображение, что делает её компактной основой для компьютерного зрения и развёртывания с ограниченными вычислительными ресурсами. Репозиторий предоставляет веса PyTorch и safetensors, а работа с моделью ориентирована на библиотеку timm. Лицензия — Apache-2.0.

Koichi Yasuoka разработал модель GPT-2 для морфологического анализа японского текста. Она дообучена на основе ku-nlp/gpt2-medium-japanese-char и присваивает каждому короткому слову универсальную часть речи UPOS и признаки FEATS; карточка также указывает поддержку синтаксического разбора зависимостей. Модель предназначена для разметки японских предложений и может использоваться в конвейерах анализа текста через Transformers. Модель использует плотную архитектуру GPT-2 и принимает текст, выдавая токенную разметку. Контекст составляет 1024 токена. Репозиторий содержит веса PyTorch, лицензия — CC BY-SA 4.0. README предлагает запуск через pipeline с пользовательским кодом.

GPyT — авторегрессионная модель GPT-2, созданная Sentdex с нуля и обученная на корпусе примерно из 80 ГБ кода Python из GitHub. Это генеративная языковая модель для продолжения фрагментов Python-кода: на вход подают код, а модель дописывает его. Контекст составляет 1024 токена; перед обработкой символы переноса строк нужно заменять специальным маркером и восстанавливать после генерации. В репозитории доступны форматы PyTorch и TensorFlow, лицензия — MIT. Модель может быть полезна для учебных экспериментов и исследований генерации кода. Она прошла лишь два эпоха обучения, поэтому дальнейшее обучение или дообучение может улучшить результаты. Корпус собран без фильтрации и содержит как Python 2, так и Python 3, а также различия в стиле форматирования. Модель может дословно воспроизводить фрагменты обучающих данных; пригодность и лицензирование сгенерированного кода нужно проверять самостоятельно. Выводы могут быть некорректными или небезопасными, поэтому код следует проверять перед запуском.

Boson AI HuBERT Base — базовый чекпойнт HuBERT от Boson AI, используемый как семантический учитель во внутренней ветви токенизатора Higgs Audio. Модель построена на архитектуре HuBERT-Base с 12 трансформерными слоями, скрытым размером 768 и примерно 95 млн параметров по README; метаданные указывают 113,3 млн параметров. Принимает аудио с частотой дискретизации 16 кГц и через Transformers AutoModel выдаёт последовательности скрытых представлений размерности 768; можно извлекать состояния всех слоёв. Основной сценарий — получение семантических признаков речи и аудио для последующей дистилляции или использования в аудиотокенизаторе. В карточке также заявлена задача feature extraction. Модель распространяется под лицензией Apache-2.0. Для загрузки README указывает trust_remote_code=True.