II.8Инженерия данных и аналитика

Altruism_binary — модель классификации текста на базе DeBERTa-v3-base от Microsoft, дообученная разработчиком ajrayman. Она предназначена для бинарной классификации текстовых примеров, связанной с альтруизмом; точное определение классов и сценарий применения в карточке не раскрыты. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,6986, precision 0,6613, recall 0,8130, F1 0,7293 и AUC 0,7806. Данные обучения обозначены как None, поэтому результаты нельзя уверенно соотнести с конкретным корпусом или применением. Модель распространяется по лицензии MIT.

BERTweet-FA — предварительно обученная языковая модель на архитектуре BERT, разработанная Arman Malekzadeh для персидских (фарси) твитов. Она обучена на 20 665 964 сообщениях из набора Large Scale Colloquial Persian Dataset за одну эпоху и предназначена для восстановления замаскированных слов в разговорных персидских текстах, например для подстановки слова в предложение с маркером [MASK]. Модель содержит 136,3 млн параметров, принимает текст и выдаёт текстовые варианты заполнения; максимальная длина контекста — 130 токенов. Модель доступна в формате PyTorch и распространяется по лицензии Apache-2.0. Обучение на твитах ориентирует её на разговорный персидский язык. Карточка описывает предварительное обучение, но не приводит результаты независимой оценки; качество может быть ограничено одним циклом обучения и тематикой исходных сообщений.

Hguimaraes/biome_edge_bio — компактный аудиоэнкодер BioME Edge для извлечения признаков в задачах биоакустики. Модель разработана в рамках семейства BioME (Bioacoustic Modulation-aware Encoder) и обучена дистилляцией по слоям от BEATs. Для улучшения обобщения на экологические звуки при предобучении использовались речь, звуки окружающей среды и вокализации животных; FiLM-кондиционирование добавляет модуляционно-ориентированные акустические признаки. Модель содержит 6,2 млн параметров, имеет 12 слоёв и размерность представления 192. Она предназначена для формирования аудиопризнаков, которые можно использовать в последующих биоакустических системах, например для анализа и классификации звуков животных. Репозиторий содержит веса Safetensors для Transformers. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства и на условиях «Некоммерческое использование — На тех же условиях».

CPUBone T0 — модель классификации изображений и извлечения признаков, опубликованная в формате timm. Авторы статьи обучили этот чекпойнт на ImageNet-1k, а затем преобразовали веса в формат state-dict библиотеки timm. Архитектура сочетает варианты grouped MBConv, уменьшенные свёрточные ядра и механизм внимания LowFormer в двух последних стадиях. Модель рассчитана на эффективный вывод на CPU и балансирует небольшое число операций с производительностью на оборудовании с ограниченным параллелизмом. Она содержит 7,5 млн параметров, требует около 0,3 GMACs и рассчитана на изображения 224 × 224 пикселя. Помимо классификации ImageNet-1k, модель можно применять для получения эмбеддингов изображений и многомасштабных карт признаков. Для предобработки используются интерполяция bicubic, центрированное кадрирование с crop_pct=0.95 и среднее и стандартное отклонение ImageNet. Фактическая задержка на CPU зависит от оборудования, среды выполнения, способа экспорта и размера пакета. Модель распространяется по лицензии Apache 2.0.

cs3darknet_l.c2ns_in1k — сверточная модель классификации изображений и извлечения визуальных признаков из семейства CS3-DarkNet, разработанная и обученная в библиотеке timm. Модель обучена на ImageNet-1k; в карточке указаны 21,2 млн параметров и размеры изображений 256 × 256 для обучения и 288 × 288 для тестирования. Модель подходит для классификации изображений и как визуальный backbone: можно извлекать карты признаков и эмбеддинги для дальнейших задач компьютерного зрения. Архитектура использует подход Cross-Stage-Partial с тремя свёртками. Обучение проводилось с оптимизатором SGD с Nesterov, адаптивным ограничением градиента и косинусным расписанием скорости обучения с разогревом. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от способа использования. Карточка не приводит конкретных показателей качества. Распространяется по лицензии Apache-2.0.

DarijaPOSTagger v0.1 — модель на основе BERT для разметки частей речи в тексте на марокканском арабском диалекте дарижа, разработанная Hicham Assoudi из Typica.ai. Она дообучена на SI2M-Lab/DarijaBERT для задачи классификации токенов и использует набор из 15 тегов, включающий категории частиц, характерные для дарижи. Корпус размечен с разделением морфем: например, артикль и частица отрицания рассматриваются как отдельные токены. Модель предназначена для исследований морфосинтаксиса дарижи, обучения методам классификации токенов и как базовый компонент экспериментальных NLP-конвейеров для этого диалекта. Она рассчитана на текст на арабском письме, имеет 174,7 млн параметров и контекст до 512 токенов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях с соблюдением её требований.

DepthCrafter — модель для оценки глубины в видео, разработанная исследователями Tencent AI Lab, Hong Kong University of Science and Technology и ARC Lab при Tencent PCG. Она создаёт длинные последовательности карт глубины с временной согласованностью и мелкими деталями для видео из открытых сценариев, не требуя поз камеры или оптического потока. Модель предназначена для получения глубины кадров видео и построения согласованных последовательностей, которые можно использовать, например, для восстановления движения и структуры сцены в видеопотоке. В карточке указана архитектура DepthCrafter и формат весов safetensors. Лицензия обозначена как other, поэтому конкретные условия использования нужно сверять с материалами проекта.

GlobalWheat/GWFSS_Segformer_b0 — модель семантической сегментации изображений на архитектуре SegFormer, разработанная для задач сегментации органов пшеницы в рамках набора данных Global Wheat Full Semantic Organ Segmentation (GWFSS). Она предназначена для выделения и классификации областей растений на изображениях, например при анализе посевов и фенотипировании культур. Модель построена на базе nvidia/segformer-b1-finetuned-ade-512-512 и дообучена для набора данных GWFSS_v1.0. Она использует библиотеку Transformers и распространяется в формате safetensors. В README отмечено, что эта версия на Hugging Face может немного отличаться от версии модели из научной статьи, реализованной на mmsegmentation; веса для mmsegmentation также доступны в репозитории. Лицензия — CC BY 4.0.

HardCoReNAS-D модели классификации изображений и извлечения признаков из семейства HardCoRe-NAS. Её обучили авторы работы на ImageNet-1k с использованием своей «зелёной» схемы обучения. Модель содержит 7,5 млн параметров, требует изображения размером 224 × 224 пикселя и вычисляет около 0,3 GMAC на изображение. Модель предназначена для классификации изображений, извлечения карт признаков и получения векторных представлений изображений; её можно использовать как компактную основу для компьютерного зрения и переноса признаков в прикладные задачи. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддержке языков или иных модальностей.

Hiera Tiny 224 MAE — модель компьютерного зрения из семейства Hiera, опубликованная авторами архитектуры и доступная через библиотеку timm. Это иерархический Vision Transformer с 27,1 млн параметров, предварительно обученный на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE). Модель рассчитана на изображения размером 224 × 224 и может использоваться для классификации изображений, извлечения карт признаков и получения векторных представлений. Модель подходит как готовый визуальный backbone для экспериментов и прикладных систем распознавания объектов по изображениям, а также для построения признаков в последующих задачах компьютерного зрения. В карточке указаны вычислительная сложность 4,7 GMACs и 14,6 млн активаций. Доступны веса в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель предварительно обучена на ImageNet-1k; её качество на других наборах данных и типах изображений может отличаться.

KAO-DIFFSAT-VHR-v1 — бета-модель для восстановления закрытых областей на спутниковых снимках очень высокого разрешения. Её разработали как базовую модель для исследовательской работы KAO; это адаптация Stable Diffusion v2 Inpainting для задач дистанционного зондирования, а не полная версия метода KAO. Модель работает через пайплайн StableDiffusionInpaintPipeline библиотеки Diffusers и принимает изображение с маской и текстовую подсказку, выдавая восстановленное изображение. Модель предназначена для реконструкции спутниковых сцен: удаления облаков, восстановления инфраструктуры и дополнения картографических изображений. В карточке заявлены улучшения согласованности городской структуры, растительных текстур и крупных пространственных форм. Доступны веса в формате Diffusers/PyTorch и safetensors; лицензия — CreativeML OpenRAIL-M. Результат зависит от текстовой подсказки, явные геопространственные ограничения не предусмотрены, а гиперспектральные изображения не являются целевым форматом. В README указана высокая потребность в памяти — около 25 ГБ. Модель позиционируется как базовый вариант для сравнения и prompt-based реконструкции.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_3 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. В карточке репозитория она помечена как Text Classification и предназначена для применения через библиотеку Transformers; отдельная модельная карточка с подробным описанием отсутствует. По идентификатору и доступным метаданным модель основана на BERT base uncased и дообучена для задачи QQP (Quora Question Pairs), то есть классификации пар вопросов. В названии также указана максимальная длина последовательности 128 токенов. Репозиторий совместим с Transformers, JAX и TensorBoard. Мультимодальность, точный размер, число классов, языки, значения метрик и результаты оценки в доступных источниках не указаны. Сильная сторона модели — специализация на классификации текстовых пар и готовая интеграция с экосистемой Transformers. Ограничения — отсутствие опубликованной документации, сведений о качестве, составе обучающих данных и подробных характеристиках; поэтому применимость за пределами соответствующей задачи не подтверждена. Лицензия в доступных метаданных не указана.

Mask2Former — модель компьютерного зрения от команды Mask2Former, представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен для паноптической сегментации Cityscapes; в основе лежит Swin с вариантом предобучения base-IN21k. Модель принимает изображение и предсказывает набор масок и соответствующих им классов. Архитектура Mask2Former использует многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с маскированным вниманием. Такой подход предназначен для сегментации объектов и областей на изображениях; данный чекпойнт специализирован на паноптической сегментации городских сцен. В карточке отмечены преимущества по качеству и эффективности относительно MaskFormer. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Mask2Former — модель сегментации изображений, разработанная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта версия обучена для паноптической сегментации на Cityscapes и использует крупный Swin-бэкбон. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former использует многомасштабный декодер пикселей с deformable attention и Transformer-декодер с masked attention. Такой подход позволяет применять единую схему для сегментации объектов и областей сцены; данный чекпойнт предназначен для паноптической сегментации городских изображений. Для работы модель принимает изображение и выдаёт сегментированные области с метками классов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории.

MegaDescriptor-T-224 — модель извлечения признаков изображений на основе Swin-T, представленная проектом WildlifeDatasets. Она предварительно обучена на наборах данных для повторной идентификации животных и предназначена для получения эмбеддингов изображений животных, позволяющих сопоставлять особей по фотографиям. Архитектура — Swin Transformer Tiny с патчами 4×4 и окнами 7×7; модель содержит 28,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для построения систем повторной идентификации животных и поиска похожих особей по визуальным признакам. В карточке указан формат PyTorch и лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. README описывает получение эмбеддингов; метаданные также указывают задачу классификации изображений.

MobileNetV4 Conv AA Large — сверточная модель классификации изображений из библиотеки timm, опубликованная Россом Уайтманом. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k; в README указано 32,6 млн параметров и применение как классификатора и основы для извлечения признаков и эмбеддингов. Модель использует усредняющий антиалиасинговый пулинг. Для варианта с суффиксом r384 указаны разрешение обучения 384 × 384 и размер тестового изображения 480 × 480; на ImageNet-1k приведены результаты top-1 84,772% и top-5 97,344%. Модель принимает изображения и выдаёт классы, а при использовании в качестве основы — признаки или эмбеддинги. Подходит для классификации изображений общего назначения и построения компьютерного зрения в мобильных сценариях. Распространяется по лицензии Apache-2.0. Карточка не описывает специализированные предметные области или известные ограничения качества за пределами указанных условий оценки.

Janos98/ntu-spml-distilhubert-base-finetuned-gtzan — модель классификации аудио, созданная дообучением ntu-spml/distilhubert на наборе GTZAN. Она использует архитектуру HuBERT и содержит 18,9 млн параметров; модель предназначена для отнесения аудиозаписей к музыкальным жанрам по классам GTZAN. Модель подходит для автоматической жанровой разметки музыкальных фрагментов. В README приведены результаты оценки на тестовой выборке: accuracy 0,44 и loss 1,607, поэтому качество классификации может быть ограниченным. Лицензия — Apache-2.0.

porntech/outdoor — модель классификации изображений, опубликованная пользователем porntech. Она определяет, снято ли сексуальное или NSFW-изображение в помещении или на открытом воздухе. README указывает, что для обычных изображений, например яблока или дерева, предсказание не определено. Модель предназначена для сортировки сексуальных или NSFW-изображений по типу места съёмки. В метаданных указаны библиотека timm и формат PyTorch. Сведения об архитектуре, размере и поддерживаемых языках не приводятся. Лицензия в предоставленных данных не указана.

PoolFormer M48 SAIL ImageNet-1k — модель компьютерного зрения семейства PoolFormer и архитектуры MetaFormer, опубликованная авторами статьи MetaFormer Is Actually What You Need for Vision. Она предназначена для классификации изображений, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. Модель обучена на ImageNet-1k и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 73,5 млн параметров и выполняет 11,6 GMACs на изображение. Репозиторий включает веса PyTorch и SafeTensors; библиотека для работы с моделью — timm. Лицензия — Apache-2.0. Карточка описывает классификацию и извлечение признаков, но не сообщает о специальных областях применения или поддержке иных модальностей.

Montalte/qwen4b-math-nothink-localize — экспериментальный объединённый чекпойнт на базе плотной языковой модели Qwen3-4B-Base, опубликованный автором Montalte. Он предназначен для экспериментов по переносу навыков между математикой и кодом; в README описано объединение с профильной математической моделью методом Localize-and-Stitch по валидационной выборке только из исходного домена. При объединении использованы разреженность 0,1 и маска только для основной части модели, без embedding-слоя и lm_head. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст; максимальный контекст — 32 768 токенов. Карточка не сообщает языки обучения или оценки качества. Лицензия — Apache-2.0.

SegFormer MiT-B5 — модель семантической сегментации изображений, дообученная разработчиками проекта CoralscapesV2 на наборе данных CoralscapesV2. Она размечает сцены коралловых рифов по 95 классам; выход модели содержит 96 каналов, включая класс 0 для пустых или игнорируемых областей. Модель предназначена для анализа подводных изображений и видеокадров, в том числе для исследований экосистем коралловых рифов. Обучающая выборка включает плотную разметку кадров с 55 участков Красного моря. В карточке приведены результаты на тестовых разбиениях CoralscapesV2 и Coralscapes: при обработке двумя окнами 1024×1024 модель достигает mIoU 37,177% по 95 классам CoralscapesV2. Качество зависит от сценария инференса и домена изображений; оценка на других рифах и условиях съёмки не приводится. Модель основана на энкодере MiT-B5 `nvidia/mit-b5`, использует библиотеку Transformers и распространяется в формате Safetensors под лицензией Apache-2.0.

Это зеркало официального контрольного набора STDC2-Seg75 для семантической сегментации изображений Cityscapes. Модель разработана авторами STDC-Seg; архитектура Short-Term Dense Concatenate Network с backbone STDCNet1446 опубликована на CVPR 2021. В репозитории размещены исходные веса fp32 без изменений, переупакованные для программной загрузки через Hugging Face Hub. Модель дообучена на Cityscapes и размечает городские сцены по 19 классам. Она предназначена для сегментации дорожных изображений, например для анализа уличных сцен и транспортной инфраструктуры. Для запуска требуется реализация архитектуры BiSeNet из исходного репозитория STDC-Seg: она не включена в это зеркало. Лицензия репозитория — MIT.

Модель bryanzhou008/vit-base-patch16-224-in21k-finetuned-inaturalist — дообученная на датасете iNaturalist модель Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Она классифицирует изображения; на указанной в карточке оценочной выборке достигла точности 0,8542 при значении loss 0,7703. Модель содержит 113,2 млн параметров и использует библиотеку Transformers. Модель подходит для классификации изображений из области природы и биоразнообразия, в частности для распознавания объектов на изображениях iNaturalist. Карточка не уточняет набор классов и ограничения оценки, поэтому приведённые метрики нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

yojul/wav2vec2-base-one-shot-hip-hop-drums-clf — модель классификации аудио, дообученная на базе facebook/wav2vec2-base. Она обучалась на 17 тысячах одноразовых хип-хоп-сэмплов ударных и относит звук к одному из семи классов: бочка, малый барабан, тарелки, открытый хай-хэт, закрытый хай-хэт, 808 и хлопок. Архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель предназначена для автоматической сортировки аудиобиблиотек сэмплов, когда в них нет исходных метаданных. В README указаны точность 0,9243 и значение loss 0,2463 на оценочном наборе. Для входа подходят аудиофайлы; обучение проводилось на аудио с частотой дискретизации 16 кГц, поэтому на других типах звуков и частотах качество может отличаться. Лицензия — Apache-2.0.

Aerial-Drone-Image-Segmentation — модель семантической сегментации аэрофотоснимков, разработанная на основе nvidia/mit-b0 и дообученная для разметки изображений, полученных с дрона. Она использует архитектуру SegFormer B0 и принимает изображение, возвращая сегментационную маску с классами объектов по пикселям. Модель подходит для анализа сцен с воздуха, например для выделения объектов и областей на кадрах с дрона. В README приведены результаты оценки: mean IoU около 0,28–0,30, mean accuracy около 0,37–0,39 и overall accuracy около 0,77–0,78; показатели по отдельным категориям сильно различаются, а для ряда категорий IoU равен нулю. Это указывает на неоднородное качество сегментации. Репозиторий содержит веса в формате safetensors; лицензия обозначена как other, поэтому условия использования следует проверить в карточке модели.

Augmented-Waste-Classifier-SigLIP2 — модель классификации изображений отходов, созданная PrithivMLmods путём дообучения google/siglip2-base-patch16-224. Она использует архитектуру SiglipForImageClassification и присваивает изображению одну из 10 категорий: батареи, биологические отходы, картон, одежда, стекло, металл, бумага, пластик, обувь или прочий мусор. Модель предназначена для сортировки отходов, помощи в выборе способа утилизации и автоматизации систем переработки и мониторинга. Входом служит изображение, результатом — метка класса. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0. Карточка описывает классификацию отходов по заданным категориям; результаты за пределами этого набора классов и надёжность на реальных изображениях отдельно не охарактеризованы.

Модель tanganke/clip-vit-base-patch32_rendered-sst2 — дообученная версия CLIP ViT-Base с размером патча 32, основанная на openai/clip-vit-base-patch32. Её обучали на наборе rendered-sst2; в карточке приведены результаты оценки до и после дообучения: 0,586 и 0,713 соответственно. Модель предназначена для извлечения признаков из изображений. Её можно использовать как визуальный энкодер в системах компьютерного зрения и для экспериментов по обобщению на изображениях. Репозиторий содержит веса в формате safetensors и рассчитан на загрузку через Transformers как CLIPVisionModel. Указанная лицензия и сведения о языковой поддержке в доступных данных отсутствуют.

timm/convnext_large.fb_in1k — свёрточная модель семейства ConvNeXt для классификации изображений и извлечения визуальных признаков. Она обучена авторами статьи «A ConvNet for the 2020s» на ImageNet-1k и распространяется через библиотеку timm. Модель содержит около 197,8 млн параметров; рекомендуемый размер изображения — 224 × 224 для обучения и 288 × 288 для оценки. Модель подходит для отнесения изображений к классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в прикладных компьютерных зрениях системах. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Модель EPFL-ECEO — система семантической сегментации изображений коралловых рифов на наборе из 95 классов CoralscapesV2. Она использует визуальный энкодер DINOv3 ViT-B/16 и декодер DPT; LoRA-адаптеры объединены с энкодером. Модель дообучена на основе facebook/dinov3-vitb16-pretrain-lvd1689m и выдаёт 96 логитов: 95 классов рифовой сцены и отдельный класс void, игнорируемый при обучении и оценке. Модель предназначена для детальной разметки подводных изображений, включая материалы мониторинга коралловых рифов. Обучающие данные CoralscapesV2 включают 2433 кадра с плотной разметкой, полученных на 55 участках Красного моря. В README приведены метрики на тестовых выборках CoralscapesV2 и Coralscapes; результат зависит от режима предсказания и разрешения изображения. Для загрузки требуется поставляемый с моделью модуль coralscapes_hub_model.py: модель не загружается как стандартная transformers.AutoModel. Весовые файлы представлены в формате safetensors; лицензия — Apache-2.0.

unsloth/Cosmos-Reason1-7B — опубликованная Unsloth версия модели NVIDIA Cosmos Reason для физического ИИ и робототехники. Это мультимодальная модель зрения и языка с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров; она принимает текст и изображения, а описание семейства также указывает на работу с видео. Контекст модели составляет 128 000 токенов. Модель предназначена для рассуждений о физических сценах и пространственно-временной динамике, а также для планирования действий воплощённых агентов. Она может помогать размечать и отбирать обучающие данные, анализировать видеопотоки и разбирать команды на этапы для роботов и автономных транспортных средств. Базовая модель дообучена с использованием supervised fine-tuning и reinforcement learning на данных для физического здравого смысла и embodied reasoning. В карточке заявлена готовность к коммерческому использованию. Указаны NVIDIA Open Model License и дополнительная информация о лицензии Apache 2.0; перед использованием следует проверить применимые условия распространения. Модель ориентирована на физический ИИ, поэтому её ответы требуют проверки в сценариях, где ошибки планирования могут повлиять на реальные действия.