II.8Инженерия данных и аналитика

ReSyn-Router — предварительно обученная модель маршрутизации из framework ReSyn, представленная авторами работы ReSyn: A Generalized Recursive Regular Expression Synthesis Framework. Она получает набор положительных строковых примеров и классифицирует его по одному из трёх действий: Concat для последовательного разбиения примеров, Union для группировки по структурному сходству или No-Op для прямого синтеза без дальнейшего разбиения. Модель предназначена для использования в системах синтеза регулярных выражений, где помогает декомпозировать сложные задачи на подзадачи. Репозиторий содержит веса safetensors и использует PyTorch; лицензия — Apache-2.0. Карточка не сообщает размер модели, контекстное окно или поддерживаемые естественные языки.

Это дообученная версия Roboflow/rf-detr-medium для обнаружения игроков в баскетболе и судей на изображениях. Модель построена на архитектуре RF-DETR Medium и выдаёт рамки объектов с метками классов. Модель предназначена для анализа баскетбольных изображений: она распознаёт судей и игроков, включая игроков, не владеющих мячом. В карточке приведены метрики оценки на тестовом наборе, в том числе mAP 0,6357 и mAP 0,8899 при IoU 0,5. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данные обучения не описаны, поэтому результаты на приведённом наборе не гарантируют качество на других трансляциях, ракурсах или условиях съёмки.

SapBERT-KO-EN — медицинская модель представлений на основе BERT, созданная разработчиком snumin44 путём дообучения klue/bert-base. Она выравнивает корейские и английские медицинские термины с помощью словаря KOSTOM и предназначена для сопоставления терминов и поиска синонимов в смешанных корейско-английских медицинских записях. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Для английских терминов автор отмечает преимущественную обработку на уровне букв; термины, обозначающие одно заболевание, получают более высокую оценку сходства. Модель можно дообучить для конкретной задачи. Опубликована под лицензией MIT. В README приведены параметры обучения: одна эпоха, максимальная длина 64 токена и CLS-пулинг.

SloBERTa — одноязычная модель семейства BERT для словенского языка, разработанная EMBEDDIA и построенная на архитектуре CamemBERT. Она содержит 137,8 млн параметров, использует словарь из 32 000 токенов и принимает последовательности длиной до 514 токенов. Модель обучалась на корпусах Gigafida 2.0, Kas 1.0, части Janes 1.0, парламентском корпусе siParl 2.0 и slWaC; общий объём обучающих данных составил 3,47 млрд токенов. Основная задача модели — предсказание замаскированных токенов. Это подходит для восстановления пропусков в словенском тексте и получения контекстных языковых представлений для последующей адаптации к задачам обработки словенского языка. Модель распространяется в формате PyTorch и загружается через Transformers как модель masked language modeling. Лицензия — CC BY-SA 4.0. Модель специализируется на словенском языке; её карточка описывает предобучение, но не приводит результатов оценки качества на прикладных задачах.

Модель amyeroberts/swin-tiny-patch4-window7-224-finetuned-eurosat — дообученная версия Swin Transformer от Microsoft для классификации изображений. В README указано, что она обучена на наборе данных, название которого неизвестно; имя репозитория связывает её с EuroSAT, но карточка не подтверждает состав классов. Архитектура Swin Tiny содержит около 33 млн параметров; в репозитории доступны веса TensorFlow. Модель предназначена для отнесения изображений к категориям. На валидационной выборке в README указана точность 0,9822 и потери 0,0491; эти результаты относятся к описанному там набору данных. Лицензия — Apache-2.0. Карточка не сообщает перечень классов и не приводит подробных инструкций по применению.

Это конверсия модели Video-Depth-Anything-Small из репозитория depth-anything/Video-Depth-Anything-Small в формат MLX. Исходную модель разработала ByteDance; она предназначена для согласованной монокулярной оценки глубины в видео, то есть вычисляет карту глубины для кадров с учётом временной последовательности. Архитектура включает основу DINOv2 ViT-S и временную голову DPT. Модель подходит для анализа глубины в видеороликах и сценариев компьютерного зрения, где важна временная согласованность оценок между кадрами. В README указано сравнение с PyTorch-версией: максимальная относительная ошибка около 1e-5 на CPU и около 1% на GPU при использовании ускоренной арифметики Metal. Репозиторий распространяется по лицензии Apache-2.0.

Это модель VideoMAE, дообученная для определения крупности плана в видео. Разработчик дообучил базовую модель VideoMAE, обученную на Kinetics, на наборе MovieNet в течение пяти эпох. Модель относит видеоклип к одному из пяти классов: экстремально крупный план, крупный план, средний план, общий план или дальний план. Модель предназначена для классификации видеокадров и клипов по масштабу плана, например, для анализа кинематографических сцен и автоматической разметки видеоматериалов. В README сообщается точность 88,93% и macro-F1 89,19% на оценивании; точность по классам составляет от 83,65% до 94,55%. Репозиторий содержит веса safetensors, архитектура — VideoMAEForVideoClassification, размер — 113,2 млн параметров. Модель принимает видео и выдаёт метку класса масштаба плана. Она ориентирована на пять указанных классов и обучена на MovieNet; результаты на других типах видео и распределениях данных могут отличаться. Лицензия — MIT.

Модель Chandanab/vit-base-patch16-224-in21k-finetuned-eurosat — классификатор изображений на базе Vision Transformer (ViT), дообученный автором Chandanab на датасете EuroSAT. Она предназначена для отнесения изображений к классам, представленным в этом наборе данных. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch. В README указаны точность 0,9017 и значение функции потерь 0,3648 на оценочной выборке. Модель распространяется по лицензии Apache-2.0.

VTE-ModernBERT-DeID — модель Omid Jafari, разработанная при участии Ang Li Lab, для классификации клинических текстов на фенотипы венозной тромбоэмболии. Она дообучена на BioClinical-ModernBERT-large и использует архитектуру ModernBertForSequenceClassification с 394,7 млн параметров и шестью метками. Модель рассчитана на англоязычные клинические записи; архитектура поддерживает контекст до 8192 токенов, но при дообучении использовалась длина последовательности до 1024 токенов. Модель предназначена для исследовательской ретроспективной фенотипизации VTE в клинических нарративах, в том числе с использованием более длинного контекста, чем у обычных BERT-моделей на 512 токенов. Для обучения применялся обезличенный текст, однако модель сама не выполняет обезличивание. Данные обучения и оценки в репозитории отсутствуют, а численные результаты оценки в карточке не приведены. Модель не валидирована для диагностики, выбора лечения или автономного скрининга; качество может меняться в зависимости от учреждения, популяции, типа записей и предобработки. Лицензия — AGPL-3.0.

Facebook AI разработала Wav2Vec2-base-VoxPopuli-V2 — базовую модель wav2vec 2.0 с 113,3 млн параметров, предварительно обученную на 21,4 тыс. часов неразмеченной испанской речи из VoxPopuli. Она принимает аудио с частотой дискретизации 16 кГц и строит речевые представления; для распознавания речи её необходимо дополнить токенизатором и дообучить на размеченных аудиозаписях и текстах на испанском языке. Модель подходит как основа для экспериментов и разработки систем распознавания испанской речи после дообучения. В текущем виде она не содержит токенизатора и не выдаёт текст транскрипции напрямую. Распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Модель audEERING для распознавания эмоциональных характеристик речи по аудиосигналу. Она построена на архитектуре Wav2Vec 2.0 и получена дообучением Wav2Vec2-Large-Robust на датасете MSP-Podcast v1.7; перед дообучением число трансформерных слоёв сократили с 24 до 12. Модель содержит около 201,3 млн параметров. На вход подаётся необработанный аудиосигнал, а на выходе модель предсказывает три непрерывные оценки примерно от 0 до 1: возбуждение (arousal), доминирование (dominance) и валентность (valence). Также она предоставляет агрегированные состояния последнего слоя трансформера. Модель подходит для анализа эмоциональной окраски речи; карточка указывает английский язык. Модель предназначена для исследовательского использования. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое применение и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях. Для коммерческой лицензии разработчик предлагает обратиться к audEERING.

Модель tiantiaf/whisper-large-v3-narrow-accent предназначена для классификации узких категорий английского акцента в аудиозаписи. Она реализует подход к классификации акцентов из бенчмарка Vox-Profile и дообучена на основе openai/whisper-large-v3; репозиторий использует Transformers и формат safetensors. Модель относит речь к одной из 16 категорий, включая региональные группы и языковые влияния: например, North America, Irish, Slavic и South Asia. Её можно применять для анализа особенностей произношения и характеристики речи говорящих. Карточка отмечает, что синтезированная речь TTS чаще распознаётся как Germanic. Указана лицензия OpenRAIL. Описание охватывает английские акценты; результаты на синтезированной речи могут смещаться в сторону категории Germanic.

Модель Jzuluaga/accent-id-commonaccent_ecapa предназначена для определения акцента в коротких аудиозаписях английской речи. Она разработана с использованием SpeechBrain и обучена на наборе CommonAccent; архитектура включает ECAPA-TDNN, статистический pooling и классификатор. Модель распознаёт 16 категорий акцента, включая американский, английский, индийский, австралийский и канадский варианты английского. Для обучения использован звук с частотой 16 кГц и одним каналом; при классификации файла система может автоматически привести аудио к нужному формату. В README указана точность 87% на тестовом наборе. Авторы отмечают, что ошибки часто возникают между похожими акцентами, например американским и канадским. Модель распространяется по лицензии MIT; качество на данных, отличающихся от обучающего набора, не гарантируется.

AlignEarth-SAR-ViT-B-16 — адаптированная для радиолокационных изображений модель компьютерного зрения в стиле CLIP. Она использует визуальный энкодер ViT-B/16 и текстовый энкодер CLIP; исходные веса представлены в формате OpenCLIP и преобразованы в формат Transformers. Модель предназначена для сегментации SAR-снимков с открытым словарём: пользователь задаёт текстовые названия классов, а модель помогает находить соответствующие области на изображении. Модель применима в анализе данных дистанционного зондирования, в том числе для сегментации спутниковых SAR-снимков с использованием классов OpenEarthMap SAR и других наборов меток. Для плотных признаков и сегментации README описывает дополнительную обработку SimFeatUp, устранение глобального смещения, порог предсказаний и скользящее окно для крупных изображений. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. Модель разработана на основе AlignEarth-SAR, выпущенной авторами SegEarth-OV-2; её адаптация для SAR выполнена дистилляцией знаний от оптических vision-language-моделей. Лицензия репозитория — MIT. В описании указан размер входного изображения 224×224 и максимальная длина текста 77 токенов. Модель ориентирована на SAR, а не на оптические изображения; качество для классов и сцен вне обучающих данных в README не охарактеризовано.

Модель dima806/animal_151_types_image_detection разработана на основе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации изображений животных. Она определяет тип животного на изображении среди 151 классов; в карточке заявлена точность около 99%, но методика оценки и условия тестирования не приведены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0.

Bubunur разработал классификатор изображений животных на основе Vision Transformer ViT-Base с 113,2 млн параметров, дообученного на модели google/vit-base-patch16-224-in21k. Модель относит изображение к одному из трёх классов: кошка, собака или большая панда; она рассчитана на классификацию фотографий и выдаёт метки классов с оценками уверенности. Обучение проводилось на сбалансированном наборе Bubunur/dog-cat-panda из фотографий iNaturalist. На отфильтрованной тестовой выборке из 369 изображений метрики F1 составили 0,9547 для кошек, 0,9558 для собак и 1,0 для панд. Модель доступна в формате safetensors для библиотеки Transformers по лицензии CC BY-NC-SA 4.0. Классификатор всегда выбирает один из трёх классов, поэтому изображения других объектов будут ошибочно отнесены к кошке, собаке или панде. Кошки и собаки могут путаться на сложных снимках, а тестовая выборка после фильтрации CLIP может быть легче реальных изображений. Оценки уверенности ограничены примерно 0,93 из-за сглаживания меток.

AvaSanj-v1 — модель автоматического распознавания персидской речи, разработанная Reza2kn на основе facebook/wav2vec2-xls-r-300m и дообученная для CTC на 8 437 одобренных аудиофрагментах. Она преобразует речь в последовательности фонем в общей системе repr1, используемой также моделями G2P Negara; для обработки требуется локальный файл vocabulary.json с отображением токенов. Модель предназначена прежде всего для фонетической разметки персидской речи и арбитража расхождений между вариантами преобразования графем в фонемы в конвейере AvaSanj. В README указаны лучший шаг обучения 800 и валидационный CER 0,0479; для OOF-сценария сообщаются около 96,3% точности и 95,9% полноты на проверке искажений. Распространяется по лицензии Apache-2.0 с сохранением применимых сторонних уведомлений об авторских правах и лицензиях.

synthet разработала YOLO11n для обнаружения птиц и локализации их рамками на изображениях. Репозиторий содержит две версии модели одного класса bird: v0 обучена на размеченных изображениях CUB-200-2011, а рекомендуемая v1 дообучена на v0 с использованием данных CUB и псевдоразметки фотографий дикой природы. Модель предназначена для выделения птиц на кадрах, включая мелких и удалённых птиц, а также для отбора изображений и подсчёта обнаружений. Для v1 README приводит результаты оценки на отдельной библиотеке фотографий одного автора: полнота обнаружения птиц, пропущенных v0, составила 81%, а ложные срабатывания на безптичьих кадрах — 7%. Модель выдаёт рамки только для общего класса «птица» и не определяет виды. Очень мелкие, силуэтные и частично закрытые птицы могут обнаруживаться хуже; результаты следует проверять на целевых данных, особенно для плотных скоплений. Модель распространяется по лицензии MIT; для использования CUB-200-2011 следует отдельно проверить условия датасета.

ChemMRL-alpha — обученная модель Sentence Transformers для представления молекул, разработанная в рамках проекта Chem-MRL. Она принимает SMILES-строки и преобразует их в нормализованные плотные векторы размерностью 1024 для поиска и сравнения молекул. Архитектура основана на RoBERTa/ChemBERTa с усреднением токенных представлений и нормализацией; косинусное сходство подходит для оценки близости. Максимальная длина последовательности — 128 токенов. Модель можно применять для семантического поиска и индексации химических структур, кластеризации и классификации молекул. Лицензия — Apache-2.0.

Chris Linux 124M — компактная причинная языковая модель архитектуры GPT-2, разработанная для помощи с Linux-терминалом и преобразования запросов на естественном языке в команды. Чекпойнт Core SFT v1, epoch 08 содержит 124 475 904 параметра. Модель обучена с нуля, затем продолжила предобучение на технических материалах о Linux и прошла дообучение на инструкциях с каноническими командами; она не основана на весах OpenAI GPT-2. Контекст составляет 1 024 токена, основной язык — английский. Модель предназначена для экспериментов с преобразованием запросов в shell-команды, локальных прототипов Linux-ассистентов и изучения небольших специализированных моделей. README сообщает о 66,79% точного совпадения в узком тесте, но подчёркивает ограниченное покрытие намерений, ошибки выбора команд и флагов, слабую обобщающую способность и отсутствие гарантий переносимости между дистрибутивами. Выводы являются текстовыми предложениями: модель не обеспечивает безопасное выполнение команд и требует ручной проверки. Указана лицензия other; более точные условия лицензии в предоставленных данных не раскрыты.

Consc_continuous — англоязычная модель классификации последовательностей, созданная ajrayman тонкой настройкой microsoft/deberta-v3-base. Она содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 и принимает текст длиной до 512 токенов. Карточка приводит результаты на тестовом наборе: loss 0,0352, RMSE 0,1875, MAE 0,1491 и корреляция 0,3714; назначение целевой оценки и подробности набора данных не раскрыты. Модель можно применять для предсказания непрерывной оценки по тексту в сценариях, где подходит классификатор последовательностей с соответствующей настройкой. Распространяется по лицензии MIT. README не описывает intended use, обучающие данные или известные ограничения.

ConViT Base fb_in1k — модель классификации изображений и извлечения признаков из семейства ConViT, опубликованная авторами работы «ConViT: Improving Vision Transformers with Soft Convolutional Inductive Biases» и обученная на ImageNet-1k. Она использует визуальный трансформер с мягкими свёрточными индуктивными смещениями и содержит около 86,5 млн параметров. Модель предназначена для классификации изображений и получения эмбеддингов, которые можно использовать в качестве признаков в задачах компьютерного зрения. Расчётный размер входного изображения — 224 × 224 пикселя; вычислительная сложность составляет 17,5 GMACs. Репозиторий предоставляет веса в форматах PyTorch и Safetensors, библиотека — timm. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных. Лицензия Apache-2.0.

CrossViT Tiny 240 — модель классификации изображений и визуальный backbone семейства CrossViT, обученный авторами статьи на ImageNet-1k. Архитектура использует vision transformer с перекрёстным вниманием между признаками разных масштабов. Модель содержит 7 млн параметров; для входного изображения рекомендован размер 240 × 240 пикселей. Также её можно использовать для извлечения визуальных эмбеддингов. Модель подходит для классификации изображений на классы ImageNet-1k и получения признаковых представлений изображений. В метаданных указаны библиотека timm и форматы PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает ограничения по применению или известные недостатки.

MAEST — трансформерная модель для анализа музыкального аудио, разработанная Pablo Alonso и основанная на архитектуре Audio Spectrogram Transformer. Эта версия содержит 113,2 млн параметров и дообучена от DeiT; модель предназначена для классификации музыкальных стилей и выдаёт предсказания по таксономии из 400 стилей, сформированной на основе метаданных Discogs. Модель обучалась на наборе Discogs20 из 3,3 млн музыкальных треков. Её представления также применялись в задачах распознавания жанра и эмоций в музыке, а также обнаружения инструментов. Для использования в Transformers требуется доверенная загрузка пользовательского кода через trust_remote_code=True; при обработке аудио возможны небольшие расхождения из-за особенностей воспроизведения предобработки мел-спектрограмм. MAEST не является универсальным классификатором аудио и не рассчитана на задачи вроде классификации AudioSet. Обучающие данные преимущественно отражают западную музыку, особенно электронную, поэтому качество может быть ниже для недостаточно представленных музыкальных традиций. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование на её условиях; для коммерческого применения разработчик предлагает запросить отдельную лицензию.

MAEST Discogs Maest 30s PW 73e TS — модель Pablo Alonso для классификации музыкального аудио. Она основана на Audio Spectrogram Transformer и дообучена от PaSST; число параметров — 113,2 млн. Модель обучена распознавать музыкальные стили и напрямую предсказывает классы из таксономии 400 стилей, созданной на основе метаданных Discogs. Модель предназначена для анализа музыки: распознавания жанров и стилей, анализа музыкальных эмоций и обнаружения инструментов. Для downstream-задач авторы отмечают пользу представлений из промежуточных слоёв. Это специализированная модель музыкального аудио, поэтому её не следует считать универсальным классификатором звуков; в обучающей выборке были непропорционально представлены западная и особенно электронная музыка. В Transformers для работы требуется разрешить пользовательский код через trust_remote_code=True, а воспроизведение мел-спектрограмм может немного влиять на предсказания. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование на условиях лицензии; для коммерческого применения указана возможность запросить отдельную проприетарную лицензию у правообладателя.

rogelioplatt/distilbert-base-multilingual-cased-Razones_Especificas_Esp — модель классификации текста на основе DistilBERT, дообученная разработчиком на базе distilbert-base-multilingual-cased. Она предназначена для классификации текстовых последовательностей; название указывает на испанские «специфические причины», однако карточка не поясняет классы и сценарий классификации. Модель принимает текст и выдаёт метки классов. Контекст ограничен 512 токенами. В README приведены результаты оценки: accuracy 0,8938 и loss 0,2710; состав оценочного набора и методика не описаны. Модель распространяется под лицензией Apache-2.0. Поддержка многоязычной основы не раскрывает, на каких языках именно её дообученная задача применима.

Модель leomaurodesenv/distilbert-base-uncased-jailbreakv-28k-augmented — дообученная англоязычная DistilBERT для классификации текста. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель предназначена для отнесения текста к классам; конкретные классы и набор данных в карточке не раскрыты. Модель работает с текстом и имеет контекстное окно 512 токенов. В README приведены результаты на оценочной выборке: loss 0,0050 и accuracy 0,9980, но без сведений о составе выборки и методике оценки эти показатели нельзя обобщать на другие данные. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель унаследовала ограничения базовой англоязычной модели; область классификации и надёжность на новых данных по доступной карточке определить нельзя.

timm/dla169.in1k — модель классификации изображений на основе архитектуры DLA (Deep Layer Aggregation), обученная авторами архитектуры на ImageNet-1k. Она предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений изображений. Модель содержит 53,4 млн параметров; указан стандартный размер входного изображения 224 × 224 пикселя и вычислительная сложность 11,6 GMACs. Модель принимает изображения и выдаёт классы ImageNet-1k; промежуточные признаки и эмбеддинги доступны для использования в компьютерном зрении. Для применения к другим наборам классов может потребоваться дообучение. Репозиторий предоставляет веса в форматах PyTorch и safetensors, а лицензия — BSD-3-Clause.

EfficientViT L1 — модель классификации изображений и визуальный backbone семейства EfficientViT, разработанного авторами работы EfficientViT. Чекпойнт обучен на ImageNet-1k и рассчитан на изображения размером 224 × 224 пикселя. В модели 52,7 млн параметров; вычислительная сложность составляет 5,3 GMACs. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов в компьютерном зрении. Архитектура EfficientViT использует многошкальное линейное внимание для обработки визуальных признаков. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — Apache-2.0. Качество классификации за пределами ImageNet-1k и пригодность для конкретных наборов данных README не подтверждает; входной размер в карточке указан как 224 × 224.

EnCodec — нейросетевой аудиокодек, разработанный Meta AI для сжатия и восстановления аудиосигнала в реальном времени. Модель использует потоковую архитектуру кодировщика и декодировщика с квантованным латентным пространством и обучается сквозным образом; в репозитории представлена реализация EncodecModel на PyTorch в форматах PyTorch и safetensors. Модель предназначена для кодирования и декодирования речи, музыки и других звуковых сигналов с низким битрейтом. Поддерживаются потоковый режим и обработка аудио блоками по одной секунде с перекрытием; карточка описывает варианты работы с аудио с разными полосами пропускания и режимами 24 кГц моно и 48 кГц стерео. README отмечает высокое качество восстановления при битрейтах 1,5, 3, 6 и 12 кбит/с. EnCodec подходит для сжатия аудио в потоковой передаче и как компонент более крупных систем обработки аудио. Карточка также описывает возможность дополнительного сжатия кодов компактной Transformer-моделью. Лицензия — MIT. Модель не выполняет распознавание речи или синтез речи сама по себе: такие сценарии требуют дополнительных моделей и компонентов.