II.8Инженерия данных и аналитика

facebook/dpt-dinov2-small-kitti — модель оценки глубины по изображениям, опубликованная Facebook. Она использует архитектуру Dense Prediction Transformer (DPT) с визуальным бэкбоном DINOv2 и предназначена для предсказания глубины сцены; карточка отмечает её как демонстрацию возможностей DPT с DINOv2. Модель подходит для задач компьютерного зрения, где требуется получить карту глубины из изображения. Весы доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Сведения о размере, контексте и поддержке языков в карточке не приведены; это визуальная модель, поэтому языковая поддержка не указана.

FairnessReciprocity_binary — дообученная на базе microsoft/deberta-v3-base модель классификации текста с архитектурой DeBERTa v3 и 211,6 млн параметров. Она предназначена для бинарной классификации текстов, связанных со справедливостью и взаимностью; подробное описание категорий и обучающих данных в карточке отсутствует. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. На оценочной выборке указаны accuracy 0,5642, precision 0,5517, recall 0,6845, F1 0,6110 и AUC 0,5834, поэтому качество может быть недостаточным для решений с высокими требованиями к надёжности. Распространяется по лицензии MIT.

Это модель обнаружения объектов RF-DETR Small, дообученная автором репозитория на Global Wheat Head Dataset в рамках DetectionBench. Она предназначена для поиска и локализации пшеничных колосьев на полевых изображениях; модель распознаёт один класс — wheat_head — и рассчитана на плотные сцены с множеством близко расположенных объектов. В README приведены результаты оценки на тестовой части набора данных, включая mAP@50 64,51% и точность 77,6%. Модель построена на трансформерной RF-DETR Small и распространяется в формате PyTorch через библиотеку rfdetr. Модель подходит для анализа полевых снимков и задач точного земледелия, например подсчёта колосьев. Качество может меняться в зависимости от страны, сорта пшеницы, стадии роста и условий съёмки; плотные перекрывающиеся объекты затрудняют локализацию. Лицензия модели — Apache-2.0; лицензия обучающего набора данных указана в README как CC BY 4.0.

MESIE-MultiAudio-v1-alpha — компактная модель класса MultiAudioTransformer, опубликованная ItsNotAI LABS. Это клиентская реализация для запуска классификации аудио в браузере и мобильных приложениях: веса доступны в ONNX, PyTorch и Safetensors, а README описывает исполнение через ONNX Runtime и WebAssembly. В метаданных указано около 917,5 тыс. параметров; README приводит 797 584 обучаемых параметра и буфер позиционного кодирования размером 640 000 элементов. Модель предназначена для офлайн-классификации аудио на устройстве, в том числе в приложениях на React, Next.js и React Native. Лицензия — Apache-2.0. Версия обозначена как alpha; README заявляет задержку инференса 1,384 мс, однако не приводит набор классов, обучающие данные или методику измерения, поэтому пригодность для конкретной предметной области по карточке оценить нельзя.

MicroViT-S2 — модель классификации изображений на основе SHViT (Single-Head Vision Transformer), опубликованная пользователем henriquequeirozcunha. Она предварительно обучена на ImageNet-1K и предназначена для отнесения изображений к одному из 1000 классов. В карточке указано 10 млн параметров и точность Top-1 74,6%. Модель распространяется в формате safetensors и поддерживается библиотекой Transformers. Лицензия — Apache-2.0. Модель подходит для классификации изображений общего назначения и экспериментов с компактными vision-трансформерами. Доступные сведения не описывают её работу вне набора классов ImageNet-1K или дополнительные возможности.

OpenPhenom-S/16 — модель Recursion для извлечения признаков из микроскопических изображений. Она использует channel-agnostic masked autoencoder (CA-MAE) с визуальным трансформером ViT-S/16 и перекрёстным вниманием между каналами патчей, чтобы формировать контекстные представления каждого канала. Модель обучена восстанавливать изображения на наборах RxRx3 и JUMP-CP, включая данные сверхэкспрессии и нокаутов генов. Модель предназначена прежде всего для создания эмбеддингов изображений из анализа CellPainting; также полный энкодер-декодер можно применять для предсказания отсутствующих каналов или окрашиваний. Эмбеддинги обычно требуют коррекции партий, например PCA-CenterScale или Typical Variation Normalization. Их польза выше при работе с большими наборами данных; на одной микропланшетной партии специализированная модель с учителем может оказаться эффективнее. Модель вряд ли хорошо подойдёт для светлопольной микроскопии и изображений за пределами обучающего домена, например H&E. Лицензия — некоммерческое пользовательское соглашение.

Карточка модели Diginsa/Plant-Disease-Detection-Project на Hugging Face совпадает с карточкой google/mobilenet_v2_1.0_224, поэтому описание составлено по ней. MobileNet V2 — сверточная модель классификации изображений, разработанная авторами статьи MobileNetV2 и предварительно обученная на ImageNet-1k. Версия 1.0_224 использует множитель глубины 1,0 и рассчитана на входные изображения размером 224 × 224 пикселя; архитектура включает инвертированные остаточные блоки и линейные узкие места. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Компактность, низкая задержка и низкое энергопотребление делают её подходящей для мобильных устройств и других систем с ограниченными ресурсами. MobileNet также можно использовать как основу для дообучения на задачах обнаружения объектов, построения эмбеддингов и сегментации. Репозиторий содержит веса PyTorch и Safetensors. В карточке указана лицензия other, поэтому точные условия использования следует проверять в файлах лицензии репозитория. Модель обучалась на ImageNet-1k и рассчитана на изображения с разрешением 224 × 224; её классификация ограничена набором из 1000 классов ImageNet.

PuritySanctity_continuous — модель классификации текста на базе DeBERTa-v3-base, дообученная автором репозитория ajrayman. Она содержит около 211,6 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. По названию и метрикам README модель предназначена для непрерывной оценки текстов; точная интерпретация оценки и область применения не описаны. В приведённой оценке указаны Loss 0,0478, RMSE 0,2187, MAE 0,1710 и корреляция 0,2894. Модель подходит для экспериментов с оцениванием текста и классификацией последовательностей. README не раскрывает датасет, целевую шкалу, языки или ограничения применимости, поэтому результаты нельзя уверенно переносить на конкретную прикладную задачу. Лицензия модели — MIT.

merve/rfdetr-roadsign-agree2 — это дообученная на неизвестном наборе данных модель обнаружения объектов на основе Roboflow/rf-detr-base. Она предназначена для поиска и локализации дорожных знаков и сигналов на изображениях, включая знаки «Въезд запрещён», «Остановка запрещена», «Парковка», «Пешеходный переход», «Железнодорожный переезд», предупреждающие знаки и сигналы светофора. Архитектура RF-DETR использует трансформерный подход к обнаружению объектов; модель работает с изображениями и выдаёт обнаруженные классы и их положения. В карточке приведены метрики оценки по классам: результаты заметно различаются, например, mAP составляет 0.4958 для «Въезд запрещён» и 0.0292 для класса «Светофор». Для класса «Автобусная остановка» метрики указаны как -1.0, поэтому оценить качество по нему нельзя. Датасет и условия тестирования не описаны. Модель распространяется по лицензии Apache-2.0.

SatishNewsGenerator — дообученная Сатишем Маринени (MSatish04) причинная языковая модель на архитектуре Qwen2. Она генерирует короткие информативные тексты на английском языке в стиле человеческого автора или ИИ, преимущественно похожие на аннотации научных работ. Модель содержит около 3,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель дообучена методом SFT на Qwen/Qwen2.5-3B-Instruct с применением QLoRA; веса адаптера объединены с базовой моделью. Она предназначена для создания синтетических примеров текстов в двух стилях и экспериментов с дообучением компактных языковых моделей. Несмотря на название, модель не специализируется на новостных статьях и не является классификатором ИИ-текстов. Автор указывает, что тексты могут содержать вымышленные исследования, факты и статистику; тематические инструкции модель может выполнять ненадёжно. Формальной количественной оценки не проводилось. Лицензия обозначена как other; README сообщает о наследовании условий Qwen Research License и рекомендует проверить лицензию базовой модели перед использованием.

Исследовательский чекпойнт whr778 для извлечения событий и их аргументов на датасете RAMS. Это Stage B эксперимента по масштабированию mmBERT: модель whr778/scaling-mmbert-40k, предварительно разогретая на примерно 40 тысячах записей о структуре событий и аргументах, дообучена на RAMS по фиксированному рецепту mmbert-base-rams в течение 15 эпох. В слепом тесте на 871 документе строгая micro-F1 составила 0,115 для извлечения аргументов и 0,706 для определения триггеров событий. Модель предназначена для измерения влияния предварительного обучения голов mmBERT на извлечение аргументов событий RAMS; это одна точка экспериментальной кривой масштабирования, а не универсальный релиз. В README указана поддержка длинного контекста, однако его длина не приведена. Доступ к артефакту обозначен как частный; лицензия в предоставленных данных не указана.

SegFormer с энкодером MiT-B2, разработанный авторами проекта Coralscapes и дообученный на датасете Coralscapes для семантической сегментации изображений коралловых рифов. Модель принимает изображения и присваивает пикселям классы, помогая анализировать подводные сцены и состав рифовых экосистем. Модель основана на предварительно обученном энкодере nvidia/mit-b2 и реализована для библиотеки Transformers. Обучение и оценка проводились с изображениями, случайно обрезанными до 1024×1024 пикселей; при оценке использовалась скользящая обработка окнами того же размера. В README приведены тестовая точность 80,904 и средний IoU 54,682. Модель ориентирована на изображения коралловых рифов и может хуже работать на сценах, отличающихся от обучающего датасета. Распространяется по лицензии Apache-2.0.

mayocream/speech-bubble-segmentation — преобразованная в формат SafeTensors модель YOLOv8m-seg, совместимая с библиотекой Candle. Она предназначена для поиска и сегментации речевых пузырей на страницах комиксов и манги; модель разработана на основе дообученной kitsumed/yolov8m_seg-speech-bubble. Входной размер изображения — 640 × 640 пикселей, класс обнаружения один: «речевой пузырь». Для получения масок используются 192 прототипа масок и 32 коэффициента; пороги по умолчанию: уверенность 0,25, NMS 0,45 и маска 0,5. Модель подходит для анализа макета комикса, размещения текста и рендеринга речевых пузырей. Она не предназначена для обнаружения панелей, персонажей или текста. Качество масок и пороги следует проверять на целевом стиле комиксов; артефакты обучения и оценки не входят в конверсию. Репозиторий распространяется по лицензии GPL-3.0.

swin_tiny_patch4_window7_224.CTransPath — модель извлечения признаков на основе Swin Transformer, представленная пользователем 1aurent и доступная через библиотеку timm. Это визуальный backbone с 27,5 млн параметров, рассчитанный на изображения размером 224 × 224 пикселя. Модель обучена на 15 млн патчей гистологических изображений из PAIP и TCGA и предназначена для получения эмбеддингов тканей, в том числе для последующей классификации гистопатологических изображений. Модель принимает изображения и выдаёт векторные признаки. Карточка указывает GPL-3.0; веса опубликованы в формате safetensors. Модель ориентирована на анализ гистологических изображений и не является готовым диагностическим классификатором: для прикладной классификации потребуется отдельная модель или этап обучения на целевой задаче.

Это базовый визуальный backbone ViT Base с патчами 16×16, опубликованный в репозитории Kaiko AI Towards Large-Scale Training of Pathology Foundation Models. Модель содержит 86 млн параметров и принимает изображения размером 224×224 пикселя с тремя цветовыми каналами. Модель предназначена для извлечения признаковых векторов из изображений и может служить визуальным энкодером для последующих задач анализа патологических изображений. Она выдаёт эмбеддинги изображений; карточка приводит пример их получения, но не описывает отдельные диагностические функции или оценки качества. Репозиторий распространяет веса в формате safetensors под лицензией other; конкретные условия лицензии следует сверить с источником модели.

VLAC-Cut — мультимодальная модель InternRobotics для оценки хода выполнения роботизированных задач по видео. Она принимает текстовую инструкцию, необязательный план задачи и выбранные кадры видео с выполнением роботом, а выдаёт оценки прогресса с временными отметками и выделяет участки продвижения или ухудшения результата. Модель учитывает нелинейную динамику: продвижение, остановку, регресс и восстановление. Модель основана на Qwen/Qwen3-VL-30B-A3B-Instruct и использует архитектуру Qwen3-VL MoE для анализа текста и визуальных данных. Заявлены обобщение на разные манипуляционные задачи, сцены, объекты и ракурсы, а также настройка частоты выборки кадров для оценки с разной временной детализацией. Веса и файлы для загрузки размещены в репозитории Hugging Face; примеры инференса и код оценки находятся в GitHub. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

keremberke/yolov8m-valorant-detection — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke и предназначенная для обнаружения объектов в изображениях из игры Valorant. Она выделяет четыре класса: сброшенный Spike, противника, установленный Spike и союзника. Модель можно использовать для анализа игровых скриншотов и видеокадров через библиотеку Ultralytics; в репозитории указан формат PyTorch. Модель подходит для распознавания участников матча и состояния Spike на кадре, например для игровых аналитических инструментов. Лицензия AGPL-3.0; других характеристик и ограничений качества в карточке не приведено.

keremberke/yolov8s-pokemon-classification — модель классификации изображений на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для определения покемонов на изображениях и рассчитана на запуск с библиотекой Ultralytics. В карточке также указано, что модель связана с датасетом keremberke/pokemon-classification. Модель принимает изображение и выдаёт предсказание класса. Карточка не сообщает метрики качества, число классов, поддерживаемые языки или условия лицензии, поэтому эти характеристики нельзя уточнить.

Модель kavsss/asr-for-phoneme-detection-1 — дообученная версия facebook/wav2vec2-base на наборе данных TIMIT. Она использует архитектуру Wav2Vec2ForCTC и предназначена для распознавания речевого аудио; название репозитория также указывает на применение для определения фонем. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch. На оценочной выборке указаны loss 0,2756 и WER 0,9613. Лицензия — Apache-2.0. README не описывает условия записи аудио, поддерживаемые языки или дополнительные ограничения; приведённый высокий WER указывает на слабое качество распознавания по этой метрике.

bintzz/bintz_model — дообученная модель классификации аудио на базе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification, содержит 113,3 млн параметров и сохранена в формате Safetensors. Модель предназначена для классификации аудиоданных; конкретные классы, набор данных и целевые сценарии в карточке не раскрыты. На оценочной выборке указаны accuracy 0,0796 и loss 2,6698, что свидетельствует о низком качестве классификации в этой оценке. Модель разработана на базе Facebook wav2vec 2.0 и распространяется по лицензии Apache-2.0.

ibm-research/biomed.rna.llama.47m.wced.multitask.v1 — модель IBM Research для получения эмбеддингов и предсказаний по данным экспрессии РНК на уровне отдельных клеток. Это конвертированная в SafeTensors версия чекпойнта BMFM-RNA на архитектуре SCLLama, содержащая 35,7 млн параметров с контекстом 512 токенов; для запуска требуется пакет biomed-multi-omic и его плагин для vLLM. Модель обучена с целью Whole-cell Expression Decoder (WCED), предсказывающей профиль экспрессии всей клетки, и дополнительными многозадачными целями: классификацией типов клеток и тканей и подавлением информации об идентификаторе донора. Она предназначена для анализа scRNA-seq, включая аннотацию клеток и получение признаков для последующих задач. В README также описаны общие возможности фреймворка для прогнозирования возмущений, однако конкретно этот чекпойнт заявлен прежде всего для эмбеддингов и предсказаний RNA. Модель принимает данные экспрессии генов, подготовленные в формате h5ad с сырыми значениями и символами генов, и выдаёт эмбеддинги и предсказания. Лицензия Apache 2.0. В описании нет результатов количественной оценки качества; применение зависит от совместимого кода biomed-multi-omic и корректной подготовки данных.

Модель разработана Tiantian Feng и предназначена для классификации просодии детской и взрослой речи. Она дообучена на наборе данных SpeechOcean762 и определяет категорию «Poor intonation» («плохая интонация»); в карточке описана реализация классификации просодии с разделением данных между детской и взрослой речью. Модель принимает аудио и выдаёт класс аудиозаписи. Это дообученная модель на базе openai/whisper-base, использующая Transformers. Лицензия — OpenRAIL. Карточка исключает клиническую диагностику и индивидуальную оценку развития без экспертной проверки, наблюдение и вторжение в частную жизнь; коммерческое использование запрещено. При обработке детской речи необходимо соблюдать требования к приватности, согласию и этическому одобрению.

Chinese-MentalBERT — модель на основе BERT, разработанная для задач, связанных с психическим здоровьем. Авторы применили доменно-адаптивное предварительное обучение и стратегию маскирования, направляемую китайским лексиконом депрессии. Модель содержит 129,5 млн параметров, поддерживает контекст до 512 токенов и предназначена для заполнения маскированных фрагментов текста на китайском языке. Модель можно использовать для восстановления пропущенных слов и изучения языковых представлений в текстах о психическом здоровье. Она опубликована в формате PyTorch под лицензией Apache-2.0. В карточке не приведены оценки качества или сведения о клинической проверке, поэтому модель не следует считать инструментом диагностики или медицинской рекомендации.

Модель tanganke/clip-vit-large-patch14_mnist — дообученная на наборе MNIST визуальная часть CLIP ViT-Large/14. Она предназначена для извлечения признаков изображений рукописных цифр, например для последующей классификации или анализа представлений. Архитектура — CLIPVisionModel с 402,7 млн параметров; веса опубликованы в формате safetensors. В README приведены результаты оценки: 0,760 до дообучения и 0,998 после него, однако метрика и протокол оценки не уточнены. Модель принимает изображения и выдаёт векторные представления; карточка не подтверждает поддержку текстового ввода или работу за пределами MNIST. Лицензия в предоставленных данных не указана.

Модель разработана для сегментации изображений коралловых рифов иерархической схемой из 95 семантических классов. Она использует энкодер DINOv3 ViT-L/16 с объединёнными LoRA-адаптерами и декодер DPT; исходные веса энкодера взяты из facebook/dinov3-vitl16-pretrain-lvd1689m. Модель обучена на наборе CoralscapesV2, содержащем плотную разметку кадров с 55 участков Красного моря. Модель принимает изображение и выдаёт плотную карту классов: 96 логитов, где ID 0 соответствует игнорируемой пустой области, а ID 1–95 — семантическим классам рифовой сцены. Она предназначена для экологического анализа подводных изображений, включая картирование кораллов и других объектов рифа. В README приведены результаты оценки на тестовых выборках CoralscapesV2 и Coralscapes V1. Для загрузки требуется код из репозитория модели; это не стандартная модель Transformers AutoModel. Репозиторий распространяется по лицензии Apache-2.0. Качество и набор классов ориентированы на изображения коралловых рифов, поэтому применимость к другим сценам не подтверждена.

Depth-Anything-V2-Metric-Outdoor-Small-hf — модель оценки абсолютной глубины для уличных сцен, созданная как дообученная версия Depth Anything V2 и опубликованная командой Depth Anything. Она предсказывает для каждого участка изображения метрическую глубину и предназначена, в частности, для оценки расстояний на фотографиях и кадрах уличных сцен. Модель использует архитектуру DPT с backbone DINOv2; вариант Small содержит 24,8 млн параметров. Обучение для метрической оценки глубины использовало синтетические данные Virtual KITTI 2; базовая Depth Anything V2 обучалась на синтетических размеченных и реальных неразмеченных изображениях. Чекпойнт совместим с библиотекой Transformers и сохранён в формате safetensors. Модель принимает изображения и выдаёт карту глубины. Она рассчитана на уличные сцены, поэтому точность на помещениях и условиях, отличающихся от обучающих данных, не гарантируется. Лицензия в предоставленных данных не указана.

facebook/dpt-dinov2-base-kitti — модель оценки глубины по изображениям, разработанная Facebook и построенная на архитектуре Dense Prediction Transformer (DPT) с визуальным backbone DINOv2. Она предназначена для определения глубины объектов и поверхностей на изображении; карточка описывает её как демонстрацию возможностей DPT с DINOv2 для оценки глубины. Модель принимает изображения и выдаёт карту глубины. Репозиторий содержит веса PyTorch; для работы с моделью предусмотрена библиотека Transformers. Модель опубликована под лицензией Apache-2.0. Данные карточки не уточняют размер модели, длину контекста или поддерживаемые естественные языки.

nvidia/esm2_t12_35M_UR50D — версия модели ESM-2, оптимизированная NVIDIA с помощью библиотеки TransformerEngine. Исходная модель разработана Facebook Research; README указывает, что оптимизированная версия сохраняет исходные веса и результаты с возможными небольшими численными отличиями. Это трансформер для работы с последовательностями аминокислот, обученный предсказывать замаскированные токены. В метаданных указаны архитектура NVEsmForMaskedLM, 44,3 млн параметров и контекст до 1026 токенов; README сообщает о лимите входной последовательности 1022 аминокислоты с усечением более длинных последовательностей. Модель принимает строку с белковой последовательностью и выдаёт векторные представления каждого аминокислотного остатка. Эти представления можно использовать для последующей настройки на задачи, принимающие белковые последовательности, включая классификацию и разметку токенов. README описывает прогнозирование структуры белка как сценарий применения, однако непосредственный выход этой версии — эмбеддинги, а не готовая трёхмерная структура. Работа оптимизирована для NVIDIA GPU; заявлена поддержка Transformers и коммерческого и некоммерческого использования. Лицензия в метаданных — MIT.

Tremor-G1 — модель Eximius Labs для преобразования данных инерциального датчика Unitree G1/H1 в векторы, сопоставимые с текстовыми описаниями движений. Она предназначена для поиска и классификации действий робота по окнам показаний закреплённого на голове трёхосевого акселерометра, например ходьбы, подъёма предмета или настройки подставки для телефона. Модель состоит из замороженного энкодера движений UniMTS и обученного проектора примерно на 2,6 млн параметров, который переводит 512-мерные признаки движения в пространство размерностью 2048 модели Qwen3-VL-Embedding-2B. Обучался только проектор — на данных Humanoid-Everyday с IMU гуманоидного робота Unitree. Полученные векторы можно сопоставлять с текстом, изображениями, аудио и видео в общем пространстве базовой модели. Tremor-G1 рассчитана на высокую точность для платформы Unitree и не предназначена для переноса на другие датчики или платформы; для такого применения README рекомендует общую модель Tremor. Модель использует только акселерометр, не учитывает гироскоп и поддерживает только английские текстовые описания с форматированием chat template базовой модели. Это исследовательская предварительная версия, не предназначенная для классификации в критически важных сценариях. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Ghanam-7B-Base-Pashto-v0.1 — экспериментальная базовая языковая модель сообщества Nassim JP на основе Mistral-7B-v0.1. Это декодерный Transformer с 7,1 млрд параметров и контекстом до 32 768 токенов. В словарь добавлены символы пушту и арабской письменности; новые эмбеддинги и выходной слой инициализированы средними значениями существующих весов. Модель хранится в 4-битном формате NF4 с двойной квантизацией. Модель подходит для корректной токенизации текста на пушту, экспериментов с расширением словаря и как основа для дальнейшего дообучения на данных пушту. Она не обучалась на пушту и не понимает смысл этого языка: при таких запросах ожидается преимущественно генерация на английском. Для генерации текста на английском сохраняются знания исходной Mistral, хотя расширение словаря может повлиять на качество. Лицензия — Apache 2.0. Карточка рекомендует использовать модель как исследовательскую основу, а не для производственных приложений на пушту; оценка на профильных бенчмарках не проводилась.