II.8Инженерия данных и аналитика

Janos98 разработал AST-модель, дообученную на наборе GTZAN для классификации аудио по музыкальным жанрам. Она основана на MIT/ast-finetuned-audioset-10-10-0.4593 и использует архитектуру Audio Spectrogram Transformer (AST), построенную на Vision Transformer. Модель содержит 113,2 млн параметров и принимает аудио, выдавая метку класса. На оценочном наборе GTZAN указаны loss 0,4226 и accuracy 0,89. Модель подходит для распознавания жанров музыки в аудиозаписях. Её точность за пределами GTZAN не описана, поэтому качество на других жанрах и типах аудио может отличаться. Лицензия — BSD 3-Clause.

guyPerry/audio-mood-classifier — дообученная модель Audio Spectrogram Transformer (AST) для классификации настроения музыки по аудиозаписи. Она относит трек к одному из трёх классов: спокойный меланхоличный, умеренный нейтральный или энергичный бодрый. Модель содержит 113,2 млн параметров, построена на архитектуре AST и доступна в формате Safetensors для Transformers. Её можно применять для автоматической разметки музыкальных библиотек, поиска треков по настроению и сортировки аудио по уровню энергии. Лицензия — Apache-2.0.

Японская модель BERT-base от hitachi-nlp для задачи заполнения пропусков в тексте: она предсказывает замаскированные токены по контексту. Модель построена на архитектуре BERT и содержит 136,3 млн параметров; максимальная длина контекста составляет 512 токенов. Токенизатор использует Vaporetto и BPE. Для его работы требуется отдельно скачать файл словаря из репозитория проекта и указать путь к нему. В карточке показан пример разбиения японского предложения на токены. Модель предназначена для японского языка и обучалась на данных Wikipedia и CC-100. Доступна в форматах PyTorch и safetensors, библиотека для работы — Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях; коммерческое использование не разрешено.

caformer_s18.sail_in22k_ft_in1k — модель классификации изображений семейства CAFormer и архитектуры MetaFormer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k, затем дообучена для классификации на ImageNet-1k. Модель содержит 26,3 млн параметров, выполняет 4,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов изображений. Подходит для классификации объектов на фотографиях и построения систем компьютерного зрения на основе извлечённых признаков. Доступна в форматах PyTorch и safetensors; лицензия Apache-2.0.

hfl/chinese-bert-wwm-ext — предварительно обученная модель BERT для обработки китайского языка, опубликованная HFL. Она использует маскирование целых слов при предобучении, чтобы лучше учитывать границы китайских слов, и предназначена, в частности, для заполнения пропусков в тексте и как основа для задач обработки китайского языка. Модель содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и представлена в форматах PyTorch, TensorFlow и Flax. Для работы с моделью требуется текст на китайском языке; основной сценарий по pipeline-тегу — предсказание замаскированных токенов. Лицензия Apache-2.0 разрешает использование на её условиях.

Карточка модели hfl/cino-large 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.

flax-community/clip-rsicd — дообученная модель CLIP, основанная на работе OpenAI и адаптированная сообществом flax-community для анализа спутниковых и других изображений дистанционного зондирования. Она предназначена для классификации изображений без примеров и поиска соответствий между изображениями и текстовыми описаниями, а также между самими изображениями. Модель использует архитектуру ViT-B/32 для кодирования изображений и Transformer с маскированным self-attention для кодирования текста. Контрастивное обучение на подписях к изображениям из RSICD, UCM и Sydney адаптирует её к тематике дистанционного зондирования. В README приведён результат классификации без примеров: точность на уровне k=1 составляет 0,843 против 0,572 у исходного CLIP. Модель рассчитана прежде всего на исследователей, изучающих поиск по большим коллекциям снимков, обобщение и устойчивость моделей компьютерного зрения. Модель принимает изображения и текстовые описания, а для задач сопоставления формирует представления, пригодные для сравнения сходства. Возможные сценарии включают поиск объектов и типов местности на снимках, поиск изображений по текстовому запросу и поиск похожих спутниковых изображений. Весовые файлы доступны в форматах Flax и PyTorch. Лицензия в предоставленных данных не указана. Ограничение: модель дообучена на данных дистанционного зондирования и может сохранять смещения и ограничения исходного CLIP.

CoaT Lite Medium — модель классификации изображений семейства CoaT (Co-Scale Conv-Attentional Transformer), обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и других категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит 44,6 млн параметров, имеет вычислительную сложность 9,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch; модель опубликована под лицензией Apache-2.0. Карточка также приводит пример использования для получения эмбеддингов изображений.

CompactBioBERT — компактная дистиллированная модель семейства BioBERT, опубликованная nlpie. Она обучена на корпусе PubMed в течение 100 тысяч шагов с общим размером пакета 192; при дистилляции объединены подходы DistilBioBERT и TinyBioBERT. Модель использует архитектуру BERT с шестью слоями трансформера, скрытым размером и размером эмбеддингов 768 и словарём из 28 996 токенов. В метаданных указано 78,9 млн параметров и контекст до 512 токенов. Модель предназначена для предсказания замаскированных токенов в биомедицинских текстах, например для заполнения пропусков в предложениях и анализа терминологии PubMed. Доступна в формате PyTorch и распространяется по лицензии MIT. Она не является чат-моделью и не предназначена для генерации длинных ответов или клинических рекомендаций.

Cosmos-Reason1-7B — мультимодальная модель зрения и языка NVIDIA для физического ИИ и робототехники. Это плотная архитектура Qwen2.5-VL с 7,1 млрд параметров, дообученная на данных для понимания физического мира и рассуждений о действиях воплощённых агентов. Модель принимает изображения или видео вместе с текстовым запросом и формирует текстовый ответ; нативная длина контекста — 128 000 токенов. Модель предназначена для анализа пространственных и временных отношений, понимания физики и здравого смысла, планирования действий робота или автономного автомобиля, а также отбора и аннотирования обучающих данных и анализа видеопотоков. В README отмечены пошаговые рассуждения и способность разбирать сложные команды на действия. Разработчик заявляет готовность к коммерческому применению. Указаны NVIDIA Open Model License и дополнительная информация о лицензии Apache 2.0; перед использованием следует сверить применимые условия в репозитории.

DarknetAA53.c2ns_in1k — модель классификации изображений и извлечения признаков из семейства DarkNet, обученная командой timm на ImageNet-1k. Она может служить классификатором изображений или визуальной основой для извлечения карт признаков и эмбеддингов. Модель содержит 36 млн параметров и имеет вычислительную сложность 8 GMAC. Обучение проводилось на изображениях 256 × 256, а проверка — на 288 × 288. Веса доступны в форматах PyTorch и safetensors; для применения используется библиотека timm. Лицензия Apache-2.0.

Data2Vec-Audio-Base — базовая модель самоконтролируемого предварительного обучения речи, разработанная Facebook. Она использует Transformer и обучается предсказывать контекстные латентные представления аудиосигнала по его маскированному фрагменту. Модель содержит 113,2 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для извлечения признаков из речи и может служить основой для дообучения на распознавание речи после добавления токенизатора и обучения на размеченных текстовых данных. Сама по себе она не выдаёт транскрипции и не содержит токенизатора. Поддерживается английский язык; в карточке также указан набор данных LibriSpeech ASR. Модель распространяется под лицензией Apache-2.0.

Модель sanchit-gandhi/distilhubert-finetuned-gtzan — аудиоклассификатор на основе DistilHuBERT, дообученный на наборе GTZAN. Она предназначена для распознавания музыкального жанра по аудиозаписи; архитектура использует HuBERT для классификации последовательности. В репозитории указано 18,9 млн параметров, формат весов — PyTorch и Safetensors. На оценочной выборке модель показала accuracy 0,82 и loss 0,5716. Модель выпущена под лицензией Apache-2.0. Карточка не раскрывает список классов и подробности ограничений; результаты на GTZAN не гарантируют такую же точность на других жанрах, записях или условиях записи.

DriftSE — модель для улучшения речи, представленная Liang Xu и соавторами; работа описана на Interspeech 2026. Она преобразует зашумлённую речь в очищенную и предназначена для подавления шума в аудиозаписях, в том числе при обработке реальных записей с переносом на данные вне обучающего набора. Модель использует архитектуру NCSN++V2 без временного эмбеддинга и обрабатывает комплексные STFT-спектрограммы аудио с частотой 16 кГц в моно. Один из вариантов выполняет преобразование за один шаг; доступны стохастическая условная генерация и детерминированное отображение. Для обучения применяется семантическое латентное пространство самонаблюдаемого обучения речи с кодировщиками HuBERT, WavLM и DistilHuBERT; заявлена поддержка обучения на несопоставленных наборах шумной и чистой речи. В README приведены результаты на VoiceBank-DEMAND и тестовом наборе DNS Challenge 2020. Репозиторий содержит предварительно обученные контрольные точки. Лицензия — MIT.

EfficientViT B1 — модель классификации изображений и извлечения визуальных признаков семейства EfficientViT, разработанная авторами соответствующей научной работы MIT. Она обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит около 9,1 млн параметров и требует 0,5 GMAC на изображение. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как визуальную основу в компьютерном зрении и как компактный классификатор. Репозиторий предоставляет веса в форматах PyTorch и safetensors для библиотеки timm. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт метки классов либо визуальные признаки и эмбеддинги. Обучение описано для ImageNet-1k; карточка не сообщает о поддержке текстового или мультимодального ввода.

EXAONE Forecast for Finance — фундаментальная модель временных рядов, разработанная LG AI Research для прогнозирования финансовых и других числовых рядов. В репозитории размещены веса модели; архитектура основана на T5 и реализована на PyTorch. В метаданных указано 176,2 млн параметров, а README описывает конфигурацию из 202 млн параметров, 12 блоков энкодера и скрытого размера 1024. Модель выполняет вероятностное прогнозирование без дообучения на конкретном наборе данных. Она использует причинную одномерную свёртку для смешивания временной информации и MLP для смешивания каналов, избегая self-attention; заявленная сложность растёт линейно с длиной последовательности и числом каналов. Модель рассчитана на числовые временные ряды, принимает историю длиной до 512 точек, поддерживает пропуски и обучалась на синтетических финансовых данных с характеристиками вроде кластеризации волатильности и смены режимов. В тестах на финансовом бенчмарке FinVerse модель заняла первое место по трём наборам метрик, однако результаты за пределами финансовой области пока не представлены. Дообучение и ансамблирование не оценивались, а текущий чекпойнт рассматривает каждый ряд как отдельный канал. Прогнозы не являются финансовой рекомендацией. Лицензия указана как other; код инференса распространяется отдельно и под другой лицензией.

frontal-labs разработала graph-reasoner-1 — специализированную модель рассуждений по типизированным графам примерно со 99 млн параметров. Она принимает граф и структурированный запрос и выдаёт типизированный ответ с путями доказательств, проверенными детерминированным верификатором. Модель не принимает и не генерирует естественный язык. Архитектура объединяет relation-aware GraphSAGE, трансформер рассуждений с учётом запроса и Path-Aware Transformer для анализа типизированных путей. Модель предназначена прежде всего для поиска цепочки отношений, отвечающей намерению запроса, когда путь заранее не задан, а также умеет воздерживаться от ответа при отсутствии подтверждающих данных. В тестах на графах FB15k-237 и WN18RR показаны результаты MRR 0,175 и 0,596 соответственно для двухшаговых запросов. Модель обучена с нуля на синтетических типизированных графах в течение 2500 шагов; также проверялась на нескольких реальных графовых наборах. Она не является языковой моделью и не работает с прозой. На незнакомых онтологиях обобщение слабое, а механизм воздержания на реальных графах может блокировать все ответы; для нового домена рекомендуется обучение на собственной онтологии и настройка порога воздержания. Производительность невысока, масштабирование выше примерно 5000 узлов не проверено. Лицензия — Apache-2.0.

COIG-Kun Label Model — модель проекта Kun, разработанная Tianyu Zheng, Shuyue Guo и соавторами. Она дообучена для генерации инструкций и другого обучающего материала, который можно использовать при расширении наборов данных и настройке языковых моделей. Модель построена на плотной архитектуре Llama и содержит 33,9 млрд параметров. В качестве основы использована Yi-34B; для дообучения применялись около десяти тысяч отобранных инструкций. Модель принимает текстовые инструкции и генерирует текст, поддерживает китайский язык, а длина контекста составляет 4096 токенов. Доступна в формате safetensors. Модель предназначена для исследователей и разработчиков, работающих с обучением языковых моделей и дополнением инструкционных данных. Возможные ограничения — смещения из обучающих данных и риск генерации вредного или вводящего в заблуждение текста; авторы предостерегают от таких применений. Сведения о лицензии в карточке не приведены.

Это экспериментальный контрольный пункт для генеративного извлечения открытой информации на португальском языке (OpenIE): модель преобразует предложение в текстовые отношения вида ARG0, V, ARG1. Репозиторий bratao содержит полную причинную языковую модель с архитектурой LlamaForCausalLM, а не небольшой LoRA-адаптер; метаданные указывают 6,6 млрд параметров, контекст 4096 токенов и базовую модель NousResearch/Llama-2-7b-hf. Используется формат PyTorch и библиотека Transformers. Модель предназначена для экспериментального извлечения субъектно-глагольно-объектных отношений из португальских предложений. README описывает шаблон запроса, начинающийся с инструкции на португальском и поля S с исходным предложением, но также указывает, что происхождение контрольного пункта, точный шаблон и связь с опубликованными оценками не согласованы. Упомянутые в README метрики относятся к несверенным артефактам и не должны считаться результатами этой версии. Выводы могут быть неполными, некорректно оформленными, дублированными или вымышленными; каждое извлечение следует сверять с исходным предложением. Для весов требуется около 13,48 ГБ загрузки, а запуск без квантизации обычно требует не менее 16 ГБ свободной видеопамяти с дополнительным запасом либо выгрузки части вычислений в память CPU. Лицензию и условия использования следует уточнить перед применением: README прямо отмечает необходимость прояснения лицензии.

Mask2Former — модель компьютерного зрения для сегментации экземпляров объектов на изображениях. Этот чекпойнт с небольшим вариантом backbone Swin обучен для instance segmentation на наборе Cityscapes и опубликован командой Mask2Former; карточка подготовлена командой Hugging Face. Архитектура Mask2Former использует предсказание набора масок и соответствующих меток, многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Модель предназначена для выделения отдельных объектов и присвоения им классов на изображениях городских сцен. Семейство Mask2Former также охватывает семантическую и паноптическую сегментацию, однако конкретно этот чекпойнт рекомендован для сегментации экземпляров. В карточке отмечены улучшения эффективности обучения и качества относительно MaskFormer, но численные показатели для этого чекпойнта не приведены. Лицензия указана как other, поэтому условия использования следует уточнять по репозиторию.

MASRIBERTV4 — дообученная на неизвестном наборе данных арабоязычная модель семейства BERT от T0KII, созданная на основе UBC-NLP/MARBERTv2. Она предназначена для восстановления скрытых токенов в арабском тексте: модель предсказывает пропущенные фрагменты по контексту и подходит для задач, использующих такую схему маскирования. Модель содержит 190 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Опубликованные веса представлены в формате safetensors; для работы предусмотрена библиотека Transformers. В карточке приведён результат оценки Loss 1.4905, но набор данных и методика оценки не раскрыты, поэтому этот показатель не позволяет судить о качестве на конкретных задачах.

MITRE-v15-tactic-bert-case-based — модель Sarah Wei, дообученная на базе bencyc1129/mitre-bert-base-cased на наборе процедур MITRE ATT&CK версии 15. Это BERT-модель классификации последовательностей с 136,1 млн параметров и контекстом до 512 токенов; она принимает текст и определяет тактику MITRE ATT&CK, которой соответствует предложение об атаке. Модель рассчитана на анализ англоязычных описаний кибератак и может быть полезна для разметки и первичной сортировки сведений об угрозах. В оценке автор сообщает accuracy 0,87 и loss 0,057. Одно описание атаки может относиться к нескольким тактикам, поэтому одиночная классификация может не отразить все связи; качество также может снижаться на текстах, не связанных с кибератаками. Модель распространяется по лицензии Apache-2.0.

mobilenetv3_large_100.miil_in21k_ft_in1k — модель классификации изображений на архитектуре MobileNetV3 Large, разработанная Alibaba MIIL. Она предварительно обучена на ImageNet-21k-P и дообучена на ImageNet-1k. Модель содержит около 5,5 млн параметров, рассчитана на изображения размером 224 × 224 и может использоваться как классификатор или основа для извлечения признаковых карт и эмбеддингов изображений. Модель подходит для распознавания объектов на изображениях и построения компактных компьютерно-зрительных систем, в том числе с ограничениями по вычислительным ресурсам. В карточке указаны низкие вычислительные затраты — около 0,2 GMACs. Репозиторий предоставляет веса в форматах PyTorch и safetensors; заявлена лицензия Apache-2.0. Описание не подтверждает поддержку конкретных языков: модель работает с изображениями.

OpenJMLA — открытая переализация модели JMLA из проекта UniMus для музыкальной разметки с открытым набором тегов. Она предназначена для предсказания описательных тегов музыкальных записей, в том числе тегов, не заданных заранее. Система объединяет аудиоэнкодер на основе предварительно обученного masked autoencoder и декодер Falcon 7B; resampler преобразует аудио произвольной длины в эмбеддинги фиксированной длины, а плотные связи внимания передают информацию между слоями энкодера и декодера. Модель может формировать текстовое описание музыки с характеристиками инструментов, жанра, темы, настроения, эпохи и темпа. В README сообщается о нулевой точности классификации тегов 64,82% на GTZAN и сопоставимых с предыдущими системами результатах на FMA и MagnaTagATune. Веса опубликованы в формате PyTorch; лицензия — CC. README описывает исследовательскую переализацию и приводит пример использования через Transformers.

OpenMed разработала OpenMed-NER-BloodCancerDetect-ElectraMed-33M — дообученную модель для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (CLL), в биомедицинских текстах. Она размечает токены тегами B-CL и I-CL и предназначена для анализа медицинских записей, научной литературы и документов здравоохранения. Модель использует архитектуру BERT для классификации токенов, содержит около 40 млн параметров и обрабатывает последовательности длиной до 512 токенов. В карточке указаны результаты на корпусе CLL: F1 0,67, точность 0,55 и полнота 0,86. Эти показатели ограничивают надёжность извлечения сущностей; результаты следует проверять перед клиническим применением. Карточка описывает специализированный набор данных и примеры интеграции через Transformers. Модель распространяется по лицензии Apache-2.0. Указанный в README базовый архитектурный ориентир — e5-small-v2, но идентификатор базового репозитория в метаданных или карточке не приведён.

OrcaHello SRKW Detector V1 — модель Akash Mahajan, Prakruti Gogia и Aayush Agrawal для обнаружения звуковых сигналов южных резидентных косаток в записях подводных микрофонов. Она классифицирует аудиофрагмент как содержащий или не содержащий сигнал косатки и предназначена для анализа записей гидрофонных сетей и отбора кандидатов на проверку специалистами. Модель использует ResNet50 с классификационной головой; входные аудиоданные преобразуются в мел-спектрограмму с одним каналом, 256 мел-полосами и 312 временными кадрами. Веса ResNet50 предварительно обучены на ImageNet, затем модель дообучена на размеченных записях сети Orcasound в заливе Пьюджет. Репозиторий содержит веса Safetensors; карточка описывает перенос исходной FastAI-модели в PyTorch. Лицензия — OrcaHello RAIL. Модель полезна для первичного скрининга аудиоархивов и сигнализации о возможных вызовах косаток, но для надёжных оповещений рекомендуется проверка специалистом. Данные обучения преимущественно относятся к гидрофонам Orcasound в заливе Пьюджет, поэтому качество может меняться в других акустических условиях; шум судов, фоновые звуки и сигналы других морских животных могут вызывать ложные срабатывания. Модель рассчитана на фиксированные сегменты длиной 4 секунды, а более короткие сегменты дополняются нулями.

OTel-Reranker-0.6B — модель-реранкер для телекоммуникационных текстов, разработанная в рамках открытой инициативы Open Telco AI. Она создана полным дообучением Qwen/Qwen3-0.6B на данных OTel-Reranker и содержит около 507,6 млн параметров. Архитектура — плотная Qwen3 для классификации последовательностей; модель принимает пары текстов и оценивает их релевантность. Модель предназначена для повторного ранжирования найденных фрагментов после первичного поиска, например в телекоммуникационном RAG-конвейере. Внутренняя оценка на отложенной выборке OTel-Reranker показывает MRR@10 0,944 ± 0,006; качество зависит от кандидатов, найденных предыдущим поисковым этапом. Модель рассчитана на английский язык, преимущественно на телекоммуникационные материалы. Контекст составляет до 40 960 токенов. Результаты на внутренней выборке не гарантируют перенос на внешние бенчмарки или одинаковое качество во всех подотраслях; для производственного применения это следует оценить отдельно. Лицензия модели — Apache-2.0; также необходимо соблюдать условия лицензии или использования базовой модели.

Prithvi WxC 1.0 — фундаментальная модель для погоды и климата, разработанная IBM и NASA на данных MERRA-2. Это версия prithvi.wxc.2300m.v1 с 2,3 млрд параметров, реализованная на PyTorch и рассчитанная на извлечение признаков из погодных и климатических данных. Модель обучалась на 160 переменных с задачами прогнозирования и восстановления по маскированным данным. На вход подаются данные для двух временных отметок, на выходе модель формирует состояние атмосферы для одной отметки, которая может быть будущей. Между входными отметками и прогнозом допускаются разные временные интервалы. Версия предназначена для общих задач и не оптимизирована специально для прогнозирования с последовательным авторегрессионным разворачиванием; для таких сценариев авторы рекомендуют вариант rollout. На основе семейства также созданы производные модели для климатического даунскейлинга и параметризации гравитационных волн. Модель подходит для восстановления атмосферного состояния по неполным данным, извлечения признаков и работы в исследованиях погоды и климата. Доступна по лицензии CDLA-Permissive-2.0.

RegNetY-32GF — свёрточная модель классификации изображений из семейства RegNetY, опубликованная в библиотеке timm. Веса предварительно обучены авторами статьи на ImageNet-1k. Модель содержит около 145 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для определения классов объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Реализация timm поддерживает стохастическую глубину, gradient checkpointing и настройку выходного stride, функций активации и нормализации. Репозиторий распространяется под лицензией MIT.

ResNetV2-152x4 BiT — модель классификации изображений и визуальная основа для извлечения признаков, опубликованная авторами статьи Big Transfer и доступная в библиотеке timm. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k. Архитектура — pre-activation ResNet-V2 с Group Normalization и Weight Standardization вместо Batch Normalization; размер модели составляет 936,5 млн параметров, а рекомендуемый размер входного изображения — 480 × 480 пикселей. Модель предназначена для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Она принимает изображения и выдаёт метки классов, а при использовании как backbone — визуальные признаки или эмбеддинги. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.