II.8Инженерия данных и аналитика

shafii01/imdb-modernbert — дообученная модель классификации текста на базе answerdotai/ModernBERT-base, разработанная автором репозитория shafii01. Она предназначена для классификации текстов; название репозитория указывает на отзывы IMDb, однако README не подтверждает состав классов или обучающую выборку. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает контекст длиной до 8192 токенов. В README указана точность 0,9564 и значение loss 0,1712 на наборе оценки. Модель подходит для экспериментов с классификацией англоязычных отзывов о фильмах. Базовая модель ориентирована на английский язык. Лицензия — Apache-2.0. Сведения о датасете, метках классов и ограничениях применения не приведены.

japanese-sentiment-analysis — модель классификации тональности японских предложений, разработанная jarvisx17. Она обучена с нуля на наборе chABSA и предназначена для определения тональности текста на японском языке, в том числе в предложениях из финансовых и корпоративных документов. Модель основана на архитектуре BERT, содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. В карточке сообщаются accuracy и F1 по 1,0 на оценочном наборе, однако эти результаты относятся к chABSA и сами по себе не подтверждают качество на других тематиках или текстах. Для токенизации указаны зависимости fugashi и unidic_lite. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

lcnet_100.ra2_in1k — сверточная модель для классификации изображений из семейства LCNet, опубликованная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с поведением TensorFlow 1.0, усреднением весов EMA и ступенчатым расписанием скорости обучения с разогревом. Модель содержит около 3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность около 0,2 GMAC. Её можно использовать для классификации изображений, извлечения карт признаков и получения визуальных эмбеддингов. Компактный размер и низкие вычислительные затраты подходят для сценариев, где важна эффективность; обучение на ImageNet-1k ориентирует её на распознавание объектов из набора классов ImageNet. Репозиторий предоставляет веса PyTorch и safetensors, а для работы предназначена библиотека timm. Лицензия — Apache-2.0.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_12 — модель пользователя Jeevesh8, опубликованная на Hugging Face. Это модель для классификации текста на базе BERT, доступная для использования через Transformers и JAX. В карточке модели отсутствует подробное описание разработчика и назначения. Название и метаданные указывают, что модель основана на bert-base-uncased и дообучена на задаче QQP (Quora Question Pairs), вероятно для классификации пар вопросов, например определения их семантической эквивалентности. Также из идентификатора следует ограничение длины последовательности 128 токенов. Модель работает с текстовыми данными и не предназначена для генерации текста или обработки изображений. Архитектура, точный размер, языки, значения меток, метрики, сильные стороны, ограничения и лицензия в доступной карточке явно не указаны. Поэтому её следует рассматривать как специализированный экспериментальный классификатор для задач, связанных с QQP, а не как универсальную языковую модель.

mahjong_soul_vision — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она содержит 113,2 млн параметров и предназначена для отнесения изображений к классам, представленным в обучающих данных. В README приведены результаты на оценочной выборке: accuracy, F1 и recall — 0,9955, loss — 0,0535. Модель подходит для классификации изображений в сценариях, соответствующих её обучающим классам. Данные описаны как imagefolder, но конкретные классы, состав набора данных и предполагаемые пользовательские сценарии в доступных сведениях не раскрыты. Распространяется под лицензией Apache-2.0.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и представленная в работе «Masked-attention Mask Transformer for Universal Image Segmentation». Эта крупная версия использует backbone Swin и обучена на Cityscapes для семантической сегментации сцен. В метаданных репозитория указаны архитектура Mask2FormerForUniversalSegmentation и веса в форматах PyTorch и safetensors. Модель принимает изображение и предсказывает маски сегментов и соответствующие им классы. Архитектура Mask2Former рассчитана на универсальную сегментацию; этот чекпойнт предназначен для сегментации городских сцен и может использоваться для выделения и классификации областей изображения. В карточке Hugging Face лицензия обозначена как other, без уточнения условий в предоставленных данных.

MiDashengLM-0.6B fine-tuned by thealper2 on датасете ESC-50 для распознавания и краткого текстового описания основного звукового события в аудиоклипе. Модель основана на mispeech/midashenglm-0.6b-fp32: аудиокодировщик Dasheng, двухслойный MLP-проектор и декодер Qwen3-0.6B. При дообучении кодировщик оставался замороженным, а проектор обучался; веса LoRA объединены с базовыми весами в формате fp32. Модель содержит 0,6 млрд параметров. Модель рассчитана на короткие записи с одним доминирующим звуком и выдаёт одно короткое предложение на английском языке. Обучение и оценка проводились на 5-секундных клипах ESC-50, охватывающем 50 классов окружающих звуков. На тестовом фолде автор сообщает точность 91,75% и macro-F1 91,95%; целевые описания были шаблонными фразами, сформированными из меток классов. Модель подходит для классификации звуков окружающей среды и краткой маркировки аудиозаписей в пределах классов ESC-50. Она не предназначена для свободного подробного описания сцен, источников, количества объектов или акустических характеристик. Лицензия модели — CC BY-NC 3.0; для запуска README указывает требование trust_remote_code=True и описывает проблему загрузки фронтенд-буферов в Transformers 5 и способ её исправления.

timm/mobileone_s3.apple_in1k — модель классификации изображений семейства MobileOne, опубликованная в библиотеке timm. Согласно карточке, она обучена авторами статьи MobileOne на ImageNet-1k и может использоваться как классификатор или как основа для извлечения признаков и эмбеддингов изображений. Модель содержит 10,2 млн параметров; для неё указаны вычислительная сложность 1,9 GMACs и размер входного изображения 224 × 224. Чекпойнт предназначен для классификации изображений по категориям ImageNet-1k и получения визуальных представлений. Метаданные указывают на форматы PyTorch и safetensors. В карточке предписано соблюдать исходную лицензию; метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии оригинала.

ayeshaa-yaar/model — дообученная для классификации текста компактная модель на базе google/bert_uncased_L-2-H-128-A-2. Она содержит 4,4 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. Модель подходит для задач классификации последовательностей, однако назначение классов и предметная область не описаны. В README приведены результаты оценки: accuracy 0,44, precision 0,4430, recall 0,7447 и F1 0,5556; датасет указан как неизвестный. Это затрудняет оценку качества для конкретного применения. Модель распространяется по лицензии Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-SuperClinical-434M — модель для распознавания и маркировки сущностей в биомедицинских текстах, связанных с хроническим лимфоцитарным лейкозом (ХЛЛ). Это дообученный трансформер DeBERTa для задачи NER: он присваивает токенам метки B-CL и I-CL, чтобы выделять упоминания сущностей, относящихся к ХЛЛ. Модель принимает токенизированный текст и выдаёт BIO-разметку; размер составляет 533,8 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для извлечения терминов из медицинских записей и научных публикаций, анализа упоминаний заболевания, биомаркеров и лечения, а также для поиска по биомедицинской литературе. В README приведены значения F1 0,89, точности 0,87 и полноты 0,92 на корпусе CLL; перенос этих результатов на другие источники и клинические сценарии не подтверждён. Хотя карточка заявляет более широкие применения, указанные метки описывают только сущности, связанные с ХЛЛ. Модель распространяется по лицензии Apache-2.0.

Montalte/qwen4b-code-think-taskvector — экспериментальный артефакт слияния на базе плотной Qwen3-4B, предназначенный для исследований переноса навыков между математикой и программированием. В README указано, что исходная специализированная модель modrill/code-think-q4b-20260908 была получена полным SFT, а артефакт использует её веса как полный task vector относительно Qwen/Qwen3-4B-Base. Метаданные классифицируют модель как генеративную Qwen3ForCausalLM с 3,7 млрд параметров, контекстом 32 768 токенов и форматом safetensors. Модель предназначена для генерации текста и кода в экспериментальных сценариях, связанных с математическим рассуждением и программированием. Карточка не приводит результатов оценки качества, подробных инструкций по применению или подтверждения конкретных языков программирования. Лицензия — Apache-2.0.

RegNetY-16GF — модель классификации изображений и извлечения визуальных признаков, разработанная Ross Wightman и обученная в библиотеке timm. Она предварительно обучена на ImageNet-12k, а затем дообучена на ImageNet-1k. Модель содержит 83,6 млн параметров; для обучения указано разрешение 224×224, для тестирования — 288×288 пикселей. Модель предназначена для классификации изображений по категориям ImageNet и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Реализация timm включает стохастическую глубину и настраиваемый выходной stride, активации и нормализацию. Доступны веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

ResNeXt-101 32x8d — модель классификации изображений и извлечения признаков из семейства ResNeXt, опубликованная командой timm. Она обучена на ImageNet-1k с рецептами обучения torchvision v2 и подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и shortcut-соединения с проекцией 1×1. Модель содержит около 88,8 млн параметров; размер изображения при тестировании — 224×224 пикселя. Модель принимает изображения и выдаёт метки классов либо признаки изображения в зависимости от используемого интерфейса. Карточка указывает обучение на ImageNet-1k, но не описывает поддержку языков. Вес репозитория доступен в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

Koichi Yasuoka подготовил компактную модель GPT-NeoX для анализа японских предложений: она размечает части речи и синтаксические зависимости в формате Universal Dependencies. Модель дообучена на базе rinna/japanese-gpt-neox-small и адаптирована к датасету UD_Japanese-GSDLUW. Модель содержит 147,4 млн параметров, использует плотную архитектуру GPT-NeoX и принимает текст на японском языке. Заявленная длина контекста — 2048 токенов. В README приведён пример запуска через Transformers с пользовательским pipeline для Universal Dependencies. Модель распространяется по лицензии MIT. Она предназначена для синтаксического анализа японского текста; качество на других языках и вне указанного набора данных в предоставленных сведениях не описано.

edixo/road_good_damaged_condition — классификатор изображений на архитектуре Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для определения состояния дороги по изображению: различения хорошего и повреждённого покрытия. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. Карточка создана автоматически и не сообщает подробностей о наборе классов, данных обучения, точности или условиях лицензии, поэтому качество распознавания и права на использование требуют отдельной проверки.

Модель textattack/roberta-base-rotten-tomatoes — классификатор текстовых последовательностей на архитектуре RoBERTa, дообученный TextAttack на наборе данных rotten_tomatoes. Она предназначена для определения тональности отзывов о фильмах и относит текст к одному из классов: положительному или отрицательному. Модель содержит около 151,8 млн параметров, поддерживает контекст до 514 токенов; при дообучении использовалась максимальная длина последовательности 128 токенов. На оценочной выборке авторы сообщают точность около 90,3%. Репозиторий содержит веса PyTorch и Flax. Модель подходит для анализа коротких отзывов и демонстрации классификации тональности. Результаты могут быть менее надёжными на длинных текстах, других предметных областях, языках, отличных от английского, или формулировках, отличающихся от отзывов из обучающего набора. Лицензия в предоставленных данных не указана.

KoichiYasuoka/roberta-base-thai-spm — модель RoBERTa, предварительно обученная на текстах тайской Википедии. Она предназначена для предсказания замаскированных токенов и дообучения для прикладных задач обработки тайского языка, например разметки частей речи и синтаксического анализа зависимостей. Модель содержит 115,6 млн параметров, использует архитектуру RobertaForMaskedLM и SentencePiece-токенизацию; максимальная длина контекста — 512 токенов. Модель принимает текст на тайском языке и выдаёт распределение вероятностей для замаскированных токенов. Весами в формате PyTorch можно пользоваться через Transformers. Лицензия — Apache-2.0. Для POS-разметки и синтаксического анализа модель нужно дообучить; карточка не приводит оценок качества на этих задачах.

SegFormer B0 — модель NVIDIA для семантической сегментации изображений, дообученная на наборе Cityscapes при разрешении 640×1280. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; в метаданных указана реализация SegformerForSemanticSegmentation. Модель опубликована в марте 2022 года и доступна в форматах PyTorch и TensorFlow. Модель предназначена для попиксельной разметки городских сцен, например изображений улиц и дорожной инфраструктуры. Она выдает карту семантических классов для входного изображения. Карточка указывает, что семейство SegFormer предварительно обучается на ImageNet-1k, а затем дообучается на целевом наборе; для этой версии целевым набором является Cityscapes. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

Модель разработана praniil и представляет собой SegFormer-B0, дообученную для семантической сегментации спутниковых снимков долины Катманду в Непале. Архитектура включает иерархический энкодер MiT и лёгкую MLP-голову; для каждого пикселя модель предсказывает один из семи классов землепользования. В README перечислены жилые районы, дороги, реки, леса, неиспользуемые земли и фон; число классов указано как семь, но название одного класса в доступной таблице обрезано. Модель принимает RGB-тайлы спутниковых изображений размером 512×512 и предназначена для картирования землепользования и земного покрова, анализа городской застройки, наблюдения за изменениями рек и лесов, а также подготовки данных для GIS и пространственного планирования. Она обучена на примерно 400 размеченных тайлах из долины Катманду с аугментациями и взвешенной функцией потерь для редких классов. Качество может снижаться на снимках других регионов, при отличающихся разрешении или ракурсе; дороги и реки могут распознаваться хуже, а границы классов содержать неоднозначности разметки. Модель не предназначена для обычных фотографий или детального обнаружения отдельных объектов. Для критичных решений рекомендуется проверять результаты на данных целевого региона. Лицензия — MIT.

Sentence-ALDi — модель на основе BERT, разработанная для оценки степени диалектности арабского текста. Она дообучена на базе MarBERT и использует регрессионную голову для оценки отдельного текста; модель предназначена для анализа арабской речи и различения диалектных и менее диалектных вариантов. В README указаны арабский язык и набор данных AOC-ALDi. Архитектура — BertForSequenceClassification, около 190 млн параметров, контекст до 512 токенов; формат весов — PyTorch. Модель подходит для оценки диалектности предложений и для исследовательского анализа арабских диалектов. Ограничение контекста составляет 512 токенов, а README не приводит сведения о лицензии или подробностях интерпретации шкалы оценки.

seresnext26d_32x4d.bt_in1k — сверточная модель классификации изображений из библиотеки timm, разработанная командой timm. Архитектура SE-ResNeXt-D сочетает остаточные блоки с групповыми свертками и механизмом Squeeze-and-Excitation, который учитывает важность каналов. Модель содержит 16,8 млн параметров и обучена на ImageNet-1k по рецепту Bag of Tricks с оптимизатором SGD с Nesterov и косинусным расписанием скорости обучения. Модель предназначена для классификации изображений и может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. В обучении использовались изображения размером 224 × 224 пикселя, для тестирования — 288 × 288. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Suicidal-ELECTRA — англоязычная модель классификации текста, созданная дообучением Google ELECTRA Base Discriminator. Она определяет, относится ли текстовая последовательность к суицидальным высказываниям (класс 1) или несуицидальным (класс 0); подходит для исследовательских прототипов и первичной сортировки текстов. Модель содержит 136,7 млн параметров, использует архитектуру ELECTRA для классификации последовательностей и обрабатывает контекст длиной до 512 токенов. Обучение проведено за одну эпоху на датасете Suicide and Depression Dataset из Kaggle: 232 074 сбалансированных примера, собранных с Reddit. В карточке сообщаются accuracy 0,9792, recall 0,9788, precision 0,9677 и F1 0,9732. Эти показатели относятся к оценке авторов на описанных данных и сами по себе не подтверждают качество на других источниках или в реальных сценариях. Модель выпущена под лицензией MIT.

Sympathy_binary — дообученная модель классификации текста на базе microsoft/deberta-v3-base, представленная в формате safetensors. Она предназначена для бинарной классификации текста; конкретные классы и целевые сценарии в карточке не описаны. Модель содержит 211,6 млн параметров и поддерживает контекст до 512 токенов. На оценочной выборке указаны accuracy 0,6575, precision 0,6302, recall 0,7606, F1 0,6893 и AUC 0,7203. Данные для обучения обозначены как None, поэтому результаты нельзя уверенно связать с определённой предметной областью или набором текстов. Лицензия — MIT.

google/tapas-mini-masklm — компактная модель Google семейства TAPAS для задачи fill-mask: она предсказывает замаскированные токены в последовательности, содержащей табличные данные. Модель имеет архитектуру TapasForMaskedLM и около 12 млн параметров; поддерживает контекст до 512 токенов. В карточке указано, что она соответствует варианту tapas_masklm_mini_reset из исходного репозитория. Модель предназначена для заполнения пропусков в табличном тексте и изучения представлений таблиц. Доступны веса в форматах PyTorch и TensorFlow. Лицензия в предоставленных данных не указана.

THOR-1.0-large — геопространственная фундаментальная модель, разработанная Норвежским вычислительным центром (NR), Университетом Тромсё и ESA Φ-lab. Это версия THOR на архитектуре Vision Transformer FlexiViT, предназначенная для извлечения признаков из спутниковых наблюдений и дообучения под прикладные задачи дистанционного зондирования Земли. Модель объединяет данные Sentinel-1 (SAR), Sentinel-2 (MSI) и Sentinel-3 (OLCI и SLSTR), сохраняя их исходное пространственное разрешение от 10 до 1000 м. Благодаря обучению со случайным выбором размера патчей и входных изображений THOR можно запускать с разными размерами патчей, регулируя вычислительные затраты и детализацию признаков без повторного обучения. Карточка сообщает о конкурентных результатах на бенчмарке PANGAEA, особенно при ограниченном объёме обучающих данных. Модель подходит для дообучения для классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений. Она также может служить основой для других геопространственных задач. Репозиторий использует библиотеку TerraTorch и формат PyTorch; лицензия — Apache-2.0. В README нет размера параметров модели и сведений о языках, а её назначение связано со спутниковыми изображениями, а не с естественным языком.

timm/vgg13_bn.tv_in1k — сверточная модель классификации изображений семейства VGG13 с пакетной нормализацией, опубликованная в timm. Она обучена на ImageNet-1k и основана на оригинальных весах torchvision. Модель содержит около 133,1 млн параметров, требует изображения размером 224 × 224 пикселя и может использоваться как классификатор или как сверточная основа для извлечения признаков и эмбеддингов изображений. Модель подходит для определения объектов и сцен из набора классов ImageNet-1k, а также для построения визуальных признаков в прикладных системах компьютерного зрения. Карточка указывает лицензию BSD-3-Clause. Веса предназначены для классификации ImageNet; карточка не сообщает о поддержке других наборов классов или языковых возможностей.

RF-DETR Small — детектор объектов на основе трансформера, дообученный автором репозитория на наборе VisDrone-DET в рамках DetectionBench. Он предназначен для обнаружения объектов на аэрофотоснимках и изображениях с дронов; модель распознаёт 11 классов VisDrone-DET, включая пешеходов, автомобили, велосипеды, автобусы и трициклы. На тестовой выборке VisDrone-DET указаны mAP@50 39,13% и mAP@50–95 21,68%. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Обучение на данных VisDrone связано с ограничением набора данных: его авторы распространяют VisDrone по лицензии CC BY-NC-SA 3.0 для некоммерческого исследовательского использования, что, согласно карточке, распространяется и на обученные на нём модели. Классы сильно несбалансированы, а класс others не имеет обучающих примеров и фактически непригоден для обнаружения.

Модель audeering/wav2vec2-large-robust-24-ft-age-gender разработана audEERING для распознавания возраста и гендерной категории по аудиозаписи. Это дообученная версия Wav2Vec2-Large-Robust с 24 обучаемыми слоями трансформера и примерно 402,7 млн параметров. На вход подаётся необработанный аудиосигнал. Модель предсказывает возраст в диапазоне примерно от 0 до 100 лет и вероятности категорий «ребёнок», «женщина» и «мужчина»; также возвращает объединённые представления последнего слоя трансформера. Она подходит для анализа голосовых записей и извлечения признаков речи. Обучение проводилось на наборах aGender, Mozilla Common Voice, TIMIT и VoxCeleb 2. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Её предсказания возраста и гендерной категории следует рассматривать как оценки по голосу; точность на конкретных данных в предоставленных источниках не описана.

WavCochCausalV8192-vocoder — модель, опубликованная Greta Tuckute и Klemen Kotar. Это причинный токенизатор аудиосигнала в представления-коклеаграммы, содержащий около 24,42 млн параметров. В метаданных Hugging Face указаны библиотека Transformers, формат safetensors и задача feature-extraction; README приводит размер окна 1001 и шаг 80. Модель преобразует аудиоволну в последовательность признаков. В репозиторий также включён вокодер с методом decode_audio(...) для синтеза аудиосигнала из представлений; при запросе скрытых состояний доступен один слой постпроекционных эмбеддингов FSQ для анализа. Карточка называет авторов, но не указывает лицензию; в метаданных указана Apache-2.0. Данных о поддерживаемых естественных языках нет.

AI Anime Image Detector ViT — модель компьютерного зрения автора репозитория legekkа для определения изображений в аниме-стиле, созданных ИИ. Это классификатор на базе Vision Transformer (ViT) с архитектурой ViTForImageClassification и примерно 113,2 млн параметров; веса опубликованы в формате safetensors и предназначены для использования с Transformers. Модель обучали различать созданные людьми и сгенерированные ИИ аниме-изображения. В обучающем наборе использовались 1 млн изображений, созданных людьми, и 217 тыс. изображений ИИ; типы изображений предъявлялись в равных количествах. Проверка проводилась на 500 изображениях каждого типа. Автор отмечает, что обучение использовало изображения размером 512×512, а случайные обрезки могли помочь обобщению. Модель подходит для предварительной классификации аниме-иллюстраций по происхождению и исследовательских сравнений детекторов ИИ-изображений. Это доказательство концепции, поэтому результаты следует проверять на целевых данных: качество на иных разрешениях, стилях и генераторах может отличаться. Лицензия — Apache-2.0.