II.8Инженерия данных и аналитика

savioratharv/pothole_detection — модель обнаружения объектов на изображениях, размещённая пользователем savioratharv на Hugging Face. По названию репозитория она предназначена для обнаружения выбоин на дорогах; карточка не содержит подробностей о разработчике и обучении. Модель использует архитектуру YOLOS и поддерживается библиотекой Transformers. В переданных метаданных указано 7,1 млн параметров; модель принимает изображения и выдаёт обнаруженные объекты с координатами и оценками. Лицензия и конкретные ограничения в доступных сведениях не установлены.

RadioDINO-s8 — модель Vision Transformer для извлечения признаков из медицинских изображений, разработанная Лукой Цеддой, Андреа Лоддо и Чечилией Ди Руберто из Университета Кальяри. Модель основана на методе DINO и предварительно обучена без разметки на RadImageNet — наборе из 1,35 млн КТ-, МРТ- и ультразвуковых изображений. Архитектура ViT-small использует патчи размером 8 и формирует эмбеддинги размерности 384; число параметров — 28,3 млн. Модель предназначена для получения признаков, которые можно использовать в классификации, сегментации, переносе обучения и анализе интерпретируемости в медицинской визуализации. В README заявлена проверка на бенчмарке MedMNISTv2 и эффективность без дополнительной тонкой настройки. Это экстрактор визуальных признаков, а не готовая система для постановки диагноза. Лицензия — CC BY 4.0.

ningpy/redflag-denied-3b — специализированный модуль системы выявления медицинских тревожных признаков в клинических заметках и сообщениях пациентов. Он извлекает симптомы, которые пациент отрицает, в том числе отрицания, встречающиеся в нескольких репликах диалога. Модель разработана на базе Qwen2.5-3B-Instruct: плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров, дообученная с помощью LoRA и объединёнными весами. Контекст — до 32 768 токенов. Модуль рассчитан на совместное применение с четырьмя другими специализированными моделями и системой правил; заявленная оценка относится к полному конвейеру из пяти модулей и правилам на тестовом наборе из 2246 примеров. Поддерживаются английский, включая брунейский вариант с разговорными частицами Manglish, китайский и малайский. Модель распространяется по лицензии Apache-2.0.

timm/regnety_320.seer — модель компьютерного зрения на архитектуре RegNetY-32GF, разработанная Meta и распространяемая через timm. Она предварительно обучена самообучением SwAV на наборе из 2 млрд случайных интернет-изображений и предназначена для извлечения признаков и карт признаков, получения эмбеддингов изображений и классификации изображений. Модель содержит 141,3 млн параметров; в карточке также указаны вычислительная сложность 32,3 GMACs и размер изображения 224 × 224. Модель можно использовать как визуальный backbone для классификаторов и других систем компьютерного зрения, а также для получения векторных представлений изображений. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настройку выходного шага. Веса доступны в форматах PyTorch и safetensors. Применение и распространение ограничены некоммерческой лицензией SEER Meta Platforms.

1aurent/resnet50.lunit_swav — модель классификации изображений на основе ResNet50, обученная компанией Lunit с помощью метода самообучения SwAV. Она предназначена для анализа гистологических изображений и извлечения признаков из патчей тканей; обучалась на 33 млн патчей из различных наборов данных по патологии. Модель содержит 23,6 млн параметров и принимает изображения размером до 1024 × 768 пикселей с тремя цветовыми каналами. Модель можно использовать для классификации гистологических изображений и получения эмбеддингов изображений в исследовательских и аналитических рабочих процессах по патологии. В метаданных указаны наборы BACH, NCT-CRC-HE и PatchCamelyon; README также упоминает CRC, MHIST и CoNSeP. Репозиторий использует формат safetensors и библиотеку timm. Лицензия lunit-non-commercial ограничивает использование некоммерческими целями.

SegFormer-B2 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на Cityscapes с разрешением 1024×1024. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; семейство SegFormer представлено в работе Xie и соавторов. Модель предназначена для отнесения пикселей изображения к семантическим классам в задачах компьютерного зрения, в частности для анализа городских сцен. Модель принимает изображения и выдаёт пиксельную разметку классов. Она обучена на Cityscapes, поэтому её назначение связано с сегментацией уличных сцен; сведения о поддерживаемых естественных языках неприменимы. Доступны реализации весов в форматах PyTorch и TensorFlow. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

SegFormer-B4 — модель NVIDIA для семантической сегментации изображений, дообученная на датасете Cityscapes с разрешением 1024×1024. Архитектура сочетает иерархический Transformer-энкодер с лёгкой MLP-головой декодирования; исходный энкодер предварительно обучен на ImageNet-1k. Модель предназначена для отнесения каждого пикселя изображения к классу, в частности для сегментации городских сцен. Её можно применять для анализа дорожных изображений и сцен городской среды. Доступны веса в форматах PyTorch и TensorFlow. Данных о поддержке естественных языков нет, поскольку модель работает с изображениями и выдаёт пиксельную разметку. В карточке указана лицензия other, без уточнения её условий. Качество модели и область применения ограничены обучением на Cityscapes; карточка не приводит подробных результатов оценки или перечня классов.

aguxez/snap-barbell-dfine-small-v93-v4 — модель обнаружения объектов на изображениях, созданная дообучением aguxez/snap-dumbbell-dfine-small-v85-gt25. Она предназначена для поиска штанг на изображениях; в карточке указано обучение на наборе aguxez/snap-equipment-youtube-v73-train-barbell-v4. Модель использует архитектуру D-FINE для обнаружения объектов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не содержит сведений о размере модели, качестве на тестах или конкретных ограничениях применения. Практическая область использования следует из названия модели и датасета: обнаружение штанг на изображениях.

SongMAE-Large 32x1 — аудиокодировщик на архитектуре masked autoencoder, предназначенный для получения представлений пения птиц. Модель содержит около 98,6 млн параметров и создана на основе обучения SongMAE на подмножестве XCL из BirdSet: 528 422 записи Xeno-Canto общей длительностью 7 562 часа. Входное моноаудио приводится к 32 кГц, а спектрограмма разбивается на патчи размером 32 мел-частоты на один временной шаг; модель выдаёт эмбеддинги с шагом 5 мс. Чекпойнт предназначен для извлечения признаков и использования в качестве замороженного энкодера при поиске похожих записей, визуализации, кластеризации и обучении downstream-моделей. Для каждого временного шага возвращаются четыре вектора размерности 768; их объединение даёт 3072-мерный временной эмбеддинг, а усреднение по времени — общий эмбеддинг записи. Контекст ограничен отдельными окнами по 5 секунд, между которыми модель не передаёт информацию. Модель не классифицирует виды птиц и не генерирует аудио; на записях и таксонах, отличающихся от обучающей выборки, качество следует проверять отдельно. Лицензия — MIT.

awsaf49/sonics-spectttra-gamma-120s — модель классификации аудио из проекта SONICS, созданного для выявления полностью синтетических песен. Она отличает созданные человеком композиции от песен, сгенерированных ИИ, включая случаи, когда синтетическими являются вокал, музыка, текст и стиль. Модель основана на архитектуре SpecTTTra (Spectro-Temporal Tokens Transformer), предназначенной для анализа долгих временных зависимостей в музыке. В README для семейства указаны 12 слоёв, 6 голов внимания, размер эмбеддинга 384 и обработка аудио с частотой дискретизации 16 кГц, 128 мел-полосами и FFT 2048. Вариант gamma-120s предназначен для анализа длинных музыкальных фрагментов длительностью до 120 секунд и выдаёт классовую оценку подлинности аудио. Проект SONICS представлен на ICLR 2025 и использует набор данных SONICS с синтетическими песнями, включая композиции с платформ Suno и Udio. Карточка указывает английский язык данных и лицензию MIT. Это специализированный детектор подделок песен; качество на иных жанрах, источниках синтеза и аудиозаписях вне целевого сценария из приведённых сведений не следует.

TinyCode-python — компактная модель генерации кода на Python, созданная на основе архитектуры Llama и обученная на части набора данных StarCoderData. В карточке указано, что для обучения использовали 4 из 58 файлов Python этого набора; размер модели — 23,7 млн параметров, контекст — до 16 384 токенов. Модель предназначена для генерации кода по текстовому запросу и продолжения фрагментов Python-кода. Она может подойти для экспериментов и простых задач программирования, однако обучение на небольшом количестве файлов ограничивает ожидаемое разнообразие и надёжность результатов. Распространяется по лицензии MIT.

TR-HASH Vision v8 Nano — COCO — компактный детектор объектов AETHORIA-AI, обученный с нуля на COCO 2017. Он предназначен для обнаружения объектов на изображениях; модель оценивается на официальном разбиении COCO val2017, содержит ветви инференса O2M и NMS-free и распознаёт 80 классов COCO. Архитектура — иерархический anchor-free vision tower с маршрутизацией пространственных токенов к двум узким экспертам из восьми и общей ветвью SwiGLU. Модель содержит 2,53 млн параметров и рассчитана на входное разрешение 640 × 640. Веса опубликованы в формате safetensors; библиотека — complexity-framework. Это исследовательский чекпойнт после 50 эпох предварительного обучения. README отмечает, что точность ниже, чем у зрелых промышленных детекторов, а NMS-free ветвь требует дополнительной калибровки. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

TSO Foundation Model v17 — исследовательская модель временных рядов, разработанная автором репозитория Sejibeji. Она обучается представлять динамические системы в скрытом пространстве, где их эволюция приближённо линейна, и предназначена для прогнозирования новых временных рядов без дообучения: для переноса выполняется замкнутая подгонка оператора Koopman на замороженном представлении. Архитектура включает вложения Такенса, представления на нескольких масштабах, глубокий энкодер Koopman lift и сверточный классификатор направления времени; размер латентного пространства — 256, скрытого слоя — 768. Предобучение использует самоконтролируемые задачи реконструкции, моделирования динамики Koopman, согласования масштабов и определения направления времени на рядах из энергетики, метеорологии, ЭКГ, финансов, эпидемиологии, экономики, солнечной физики и хаотических систем. README сообщает о нулевом дообучении при переносе и приводит результаты сравнения на 40 рядах, но эти оценки относятся к описанному автором эксперименту. Модель испытывает трудности на рядах со всплесками и почти единичным корнем, а возможности линейного пробника ограничивают качество переноса. Лицензия — MIT.

keremberke/yolov8n-pokemon-classification — модель классификации изображений покемонов на базе YOLOv8, размещённая пользователем keremberke. Она предназначена для определения класса покемона на изображении и может применяться для сортировки или разметки коллекций изображений. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Карточка показывает примеры меток и рекомендует использовать модель через ultralyticsplus. Данных о размере модели, языках и лицензии нет, поэтому условия распространения по карточке установить нельзя.

Модель pszemraj/beit-large-patch16-512-film-shot-classifier — дообученная модель BEiT large от автора pszemraj, созданная на базе microsoft/beit-large-patch16-512 для классификации типов кинематографических планов по изображению. Она предназначена для автоматической разметки кадров и анализа композиции в сценариях, связанных с кинопроизводством и изучением видео. Архитектура — BEiT Large Vision Transformer с 411 млн параметров; модель принимает изображения и выдаёт метки классов. В README указаны результаты на оценочном наборе: accuracy 0,6763 и loss 1,2335. Модель распространяется по лицензии Apache-2.0.

hongpingjun98/BioMedNLP_DeBERTa — модель классификации текста, полученная дообучением MoritzLaurer/DeBERTa-v3-base-mnli-fever-anli на наборе данных sem_eval_2024_task_2. Она предназначена для классификации текстовых примеров в рамках задачи SemEval 2024 Task 2; карточка не уточняет категории и целевой сценарий применения. Модель основана на архитектуре DeBERTa-v3-base с головой классификации последовательностей, содержит 135,4 млн параметров и принимает последовательности длиной до 512 токенов. На оценочном наборе указаны accuracy 0,76, precision 0,7601, recall 0,76 и F1 0,7600. В качестве базовой модели использована англоязычная DeBERTa, поэтому основной предполагаемый язык — английский. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

ChemBERT_ChEMBL_pretrained — компактная модель на архитектуре BERT, подготовленная Jonghyun Lee для работы с молекулярными последовательностями SMILES. Модель адаптирована для библиотеки Hugging Face Transformers и предварительно обучена на базе ChEMBL версии 33. Она содержит около 8,4 млн параметров, использует 8 слоёв и 8 голов внимания, размер скрытого состояния — 256; длина контекста составляет 128 токенов. Модель предназначена для извлечения признаковых представлений молекул и может служить основой для задач анализа химических структур и предсказания молекулярных свойств, включая последующее дообучение. В README сообщается точность 0,9672 на тестовой выборке из 10% данных ChEMBL, однако метрика не конкретизирована. Модель принимает последовательности SMILES в виде текста и выдаёт скрытые векторы признаков. Лицензия — MIT.

Nothasan/Chessboard — модель классификации изображений на основе Vision Transformer ViT-Base, дообученная автором на датасете imagefolder от google/vit-base-patch16-224-in21k. Веса представлены в формате safetensors; модель содержит 113,2 млн параметров. Модель предназначена для классификации изображений. По названию репозитория можно предположить связь с шахматной доской, однако карточка не описывает классы и сценарии применения, поэтому конкретное назначение классификатора установить нельзя. Лицензия — Apache-2.0.

ConvNeXt-V2 Atto — компактная сверточная модель классификации изображений из библиотеки timm. Она разработана авторами семейства ConvNeXt-V2 и предварительно обучена методом FCMAE, затем дообучена на ImageNet-1k. Веса содержат около 3,7 млн параметров; модель рассчитана на изображения 224 × 224 при обучении и 288 × 288 при оценке. Модель присваивает изображению классы ImageNet-1k и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Компактный размер и вычислительная стоимость около 0,6 GMAC делают её подходящей для классификации изображений и построения лёгких компьютерно-зрительных конвейеров. Карточка приводит результаты сравнения моделей, но не отдельные метрики этой версии. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

MAEST — семейство трансформерных моделей для анализа музыкального аудио, разработанное Пабло Алонсо и дообученное на базе PaSST. Эта версия содержит 113,2 млн параметров и реализует архитектуру Audio Spectrogram Transformer для классификации аудио. Модель предварительно обучена классифицировать музыкальные стили и напрямую предсказывает метки одной из 400 категорий, составленных на основе метаданных Discogs. Её также применяют для распознавания жанров и эмоций в музыке и обнаружения инструментов; для таких задач полезны представления с промежуточных слоёв. Модель рассчитана на музыкальный анализ, а не на классификацию произвольных звуков. Обучающие данные охватывают преимущественно западную музыку, особенно электронную, поэтому качество может быть ниже для недостаточно представленных стилей. Для работы в Transformers требуется включить trust_remote_code=True. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с соблюдением условий лицензии; для коммерческого применения разработчик предлагает запросить проприетарную лицензию.

Модель Camillebrl классифицирует английскую речь по предполагаемому родному языку говорящего и относит её к одному из 16 классов: 14 европейским языкам, а также индийскому и вьетнамскому. Она создана полным дообучением Orange/Speaker-wavLM-pro на базе WavLM-large с 316 млн параметров. Архитектура объединяет 25 скрытых состояний, статистический pooling и нормализованный эмбеддинг с классификационной головой AAM-softmax. Модель принимает монофоническое аудио с частотой 16 кГц; для классификации использует скользящие окна по 4 секунды. Лицензия — MIT. Модель предназначена для анализа акцентов в английской речи, в том числе на узкополосных радиозаписях. Авторы обучали её быть устойчивой к изменениям канала и проверяли на дикторах, не встречавшихся в обучении. Лучше агрегировать результаты по нескольким записям одного человека или использовать модель для сравнения групп: метки отдельных фрагментов могут меняться при смене канала, а уверенность модели плохо отражает надёжность ответа. Главная путаница возникает между чешским и словацким; записи короче двух секунд не соответствуют обучающим данным.

Это зеркало официального чекпойнта GCNet-L для датасета Cityscapes, разработанного авторами GCNet и представленного на CVPR 2025. Веса перепубликованы без изменений для загрузки через Hugging Face Hub; из исходного обучающего чекпойнта удалено состояние оптимизатора. Модель построена на архитектуре Golden Cudgel Network, содержит около 45,2 млн параметров и требует PyTorch и совместимой версии mmsegmentation с зарегистрированными компонентами GCNet. Модель предназначена для семантической сегментации изображений городских сцен Cityscapes. Она присваивает пикселям изображения семантические классы, что подходит для анализа дорожной обстановки и сцен автономного вождения. Для загрузки нужны компоненты mmsegmentation из исходного репозитория GCNet: стандартная установка mmsegmentation эти компоненты не содержит. Лицензия репозитория — MIT.

Generalist-IDM-1B — модель vision-action проекта Open World Agents для восстановления действий игрока по игровому видео. Она принимает последовательность кадров экрана размером 448×448 и событий клавиатуры и мыши с временными метками, а затем предсказывает пропущенные события ввода между наблюдениями. Модель основана на InternVL и содержит около 0,9 млрд параметров. Модель обучена на наборе D2E: 267 часах синхронизированных игровых видео и событий ввода из 29 игр для ПК разных жанров, включая шутеры от первого лица, игры с открытым миром, песочницы и roguelike. Она предназначена для восстановления траекторий управления и анализа игрового поведения; результат можно сохранить в MCAP с временными метками, синхронизированными с исходным видео. Для инференса описан конвейер с предварительной обработкой видео и использованием CUDA-совместимого GPU; в README указана потребность примерно в 8 ГБ видеопамяти или больше и скорость около шести секунд обработки на секунду видео на H100. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о поддержке иных типов входных данных или языковых сценариях.

GlobalWheat/GWFSS_Segformer_b4 — модель семантической сегментации изображений на архитектуре SegFormer, разработанная для сегментации органов пшеницы в полевых изображениях. Она связана с набором данных Global Wheat Full Semantic Organ Segmentation (GWFSS) и предназначена для задач фенотипирования сельскохозяйственных культур. Версия в репозитории основана на SegFormer из Hugging Face; авторы отмечают, что она может отличаться от версии, использованной в научной статье, реализация которой построена на mmsegmentation. В репозитории также доступны веса для mmsegmentation. Модель использует класс SegformerForSemanticSegmentation и опубликована в формате safetensors для библиотеки Transformers. Она дообучена от nvidia/segformer-b1-finetuned-ade-512-512. Лицензия — CC BY 4.0. Модель принимает изображения и выдаёт сегментационные маски. Карточка не приводит конкретные классы сегментации, языки или численные показатели качества.

Hibou-B — базовая модель компьютерного зрения для цифровой патологии, разработанная HistAI. Это Vision Transformer, предварительно обученный на закрытом наборе данных с использованием подхода DINOv2; модель предназначена для извлечения визуальных признаков из изображений, связанных с патологией. Модель можно загружать через Transformers с помощью AutoImageProcessor и AutoModel. В репозитории используется модифицированная реализация DINOv2 с поддержкой register-токенов, поэтому при загрузке требуется параметр trust_remote_code=True. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Hibou-B подходит как компонент для построения и настройки систем анализа гистологических изображений. Карточка не приводит конкретных результатов оценки или подробных ограничений применимости, поэтому качество на отдельных типах тканей и клинических сценариях по ней определить нельзя.

Rajaram1996/Hubert_emotion — модель классификации аудио на базе HuBERT, предназначенная для определения эмоций по локальным аудиозаписям. В примере карточки она присваивает записи эмоциональные метки, например male_sad и male_fear, с оценками уверенности. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch. Модель подходит для анализа эмоциональной окраски речи и звуковых проявлений эмоций в аудио. README показывает пример с записью плачущего мужчины; другие классы и условия применения не описаны. Карточка не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Intern-S1-mini assay transfer V27 — BBB Martins L3 — это дообученная модель jiosephlee на базе jiosephlee/Intern-S1-mini-lm. Она предназначена для ранжирования записей биологических анализов при переносе результатов между тестами, в частности в сценарии BBB Martins L3. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, доступная в формате Safetensors; контекст — до 65 536 токенов. Модель принимает текст и генерирует текстовые ответы в режиме чата. Чекпойнт выбран по метрике на валидационной выборке; в README также приведено сравнение с Morgan-ранжировщиками на отложенном тесте. Для модели указаны бинарный macro-F1@3 0,8611 и regression MAE@3 0,7717, однако Spearman@3 составляет −0,0802, а Top-1 hit@3 — 0,1408, поэтому метрики отражают разные стороны качества и не гарантируют превосходство во всех сценариях. Обучение остановили до завершения запланированных эпох. Лицензия в предоставленных данных не указана.

Это reward-модель семейства Llama 3.1, разработанная theSOL1 и дообученная на исходном обучающем наборе предпочтений HH-RLHF с фокусом на helpfulness. Она использует архитектуру LlamaForSequenceClassification с 7,5 млрд параметров и выдаёт оценку для входного текста, пригодную для сравнения вариантов ответа по полезности. Контекст модели составляет до 131 072 токенов. Модель предназначена для ранжирования ответов в системах RLHF и оценки их полезности в экспериментах с языковыми моделями. В карточке приведены метрики временной валидационной выборки, однако значения accuracy, loss и margin отсутствуют, поэтому качество по этим метрикам оценить нельзя. Модель распространяется в формате safetensors; для загрузки требуется Transformers версии от 4 до 5. Лицензия в предоставленных данных не указана.

kehanlu/mandarin-wav2vec2 — предварительно обученная аудиомодель Wav2Vec 2.0 base, разработанная Ke-Han Lu и соавторами. Модель преобразована из контрольной точки Fairseq/ESPnet в формат Hugging Face Transformers и предварительно обучена на примерно 960 часах мандаринской речи из AISHELL-2; в метаданных указано около 116,5 млн параметров. Модель предназначена для извлечения признаков из мандаринской речи и последующей адаптации к задачам распознавания речи, например через CTC-финетюнинг. Она работает с аудио и поддерживает китайский мандарин; готовой системой транскрибирования сама по себе не является. Для ASR используется отдельная производная модель kehanlu/mandarin-wav2vec2-aishell1. Модель подходит для построения акустических представлений и исследовательских пайплайнов распознавания речи. Ограничения включают специализацию на мандаринской речи, отсутствие готовой ASR-головы в этой контрольной точке и зависимость условий использования от лицензии AISHELL-2: свободное применение разрешено для академических целей, а коммерческое использование требует разрешения фонда AISHELL.

Mask2Former — модель компьютерного зрения, опубликованная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен для семантической сегментации сцен Cityscapes; в основе лежит Swin с предобучением на ImageNet-21k. Архитектура Mask2Former использует многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention, предсказывая маски и соответствующие им классы. Модель предназначена для сегментации изображений городских сцен: она присваивает класс пикселям изображения. Семейство Mask2Former также рассчитано на instance- и panoptic-сегментацию, однако README указывает, что данный чекпойнт обучен для семантической сегментации. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.