II.8Инженерия данных и аналитика

Raychanan/COVID_RandomOver — дообученная модель классификации текста на базе hfl/chinese-bert-wwm-ext, опубликованная Raychanan. Это BERT-модель с архитектурой BertForSequenceClassification и 129,5 млн параметров; она принимает текст длиной до 512 токенов и выдаёт результат классификации. Название репозитория указывает на связь с COVID и RandomOver, однако карточка не описывает классы, набор данных или конкретный сценарий применения. В README приведены результаты оценки: F1 0,9546 и loss 0,4235; набор данных и условия оценки не раскрыты, поэтому эти показатели нельзя переносить на другие данные. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Это reward-модель на базе DeBERTa-v3-large-tasksource-nli, дообученная на датасете Anthropic/hh-rlhf за одну эпоху с learning rate 1e-5. Модель разработана для оценки ответов ассистента в сценариях обучения с подкреплением на основе обратной связи людей (RLHF): она присваивает тексту оценку, отражающую предпочтительность ответа. В метаданных указаны архитектура DeBERTa-v2 для классификации последовательностей, 533,8 млн параметров и контекст до 512 токенов. Модель подходит для ранжирования и сравнения текстовых ответов в обучающих или исследовательских конвейерах RLHF. В README сообщается о точности 75,16% на валидации — выше указанного результата сравниваемой reward-модели, 69,25%; подробности протокола оценки не приведены. Карточка не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Depth Anything V2 Metric Outdoor Large — модель оценки метрической глубины по изображениям наружных сцен, созданная на основе Depth Anything V2 и дообученная на синтетических данных Virtual KITTI 2. Архитектура сочетает DPT с backbone DINOv2; версия Large содержит 335,3 млн параметров. Чекпойнт опубликован в формате safetensors и совместим с библиотекой Transformers. Модель предсказывает абсолютную глубину для каждого участка изображения и предназначена для анализа уличных сцен, включая задачи компьютерного зрения и робототехники. В README указано, что семейство Depth Anything V2 обучалось на синтетических размеченных изображениях и реальных неразмеченных изображениях; эта метрическая версия дообучена для наружных сцен. Репозиторий модели впервые выпущен для этой задачи 26 июля 2024 года. Модель распространяется по лицензии Apache-2.0. Её область применения ограничена наружными сценами; README описывает оценку глубины, но не приводит количественных оценок качества именно этого чекпойнта.

Карточка модели vivym/DNABERT-2-117M на Hugging Face совпадает с карточкой zhihan1996/DNABERT-2-117M, поэтому описание составлено по ней. DNABERT-2-117M — официальная предобученная трансформерная модель для геномики, разработанная авторами работы DNABERT-2: Efficient Foundation Model and Benchmark For Multi-Species Genome. В основе разработки лежит реализация MosaicBERT от команды MosaicML. Модель обучена на геномах нескольких видов и содержит 116,4 млн параметров; для загрузки используется Transformers с поддержкой пользовательского кода. Её применяют для получения эмбеддингов последовательностей ДНК, а также задач заполнения масок и классификации геномных последовательностей. Контекст составляет 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

DNABERT-2-117M — официальная предобученная трансформерная модель для геномики, разработанная авторами работы DNABERT-2: Efficient Foundation Model and Benchmark For Multi-Species Genome. В основе разработки лежит реализация MosaicBERT от команды MosaicML. Модель обучена на геномах нескольких видов и содержит 116,4 млн параметров; для загрузки используется Transformers с поддержкой пользовательского кода. Её применяют для получения эмбеддингов последовательностей ДНК, а также задач заполнения масок и классификации геномных последовательностей. Контекст составляет 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

RyanDDD разработал классификатор эмпатии для разговоров о психическом здоровье. Модель на основе RoBERTa-base использует два энкодера с cross-attention: один обрабатывает сообщение человека, ищущего поддержку, другой — ответ с учётом этого контекста. Приблизительный размер — 125 млн параметров, максимальная длина каждого сообщения — 64 токена. Модель определяет уровень эмоциональной реакции в ответе: низкий, средний или высокий. Она также выделяет токены, которые, по оценке модели, выражают эмпатию. Её можно применять для анализа разговоров Reddit о поддержке, исследований эмпатичного общения и обратной связи участникам групп взаимопомощи. В README указаны точность классификации около 70–75%, macro F1 около 0,68–0,73 и IOU F1 для выделения обоснований около 0,60–0,65. Модель обучена на англоязычных обсуждениях Reddit о психическом здоровье и может хуже работать на других платформах, в формальном общении и в иных культурных контекстах. Она не предназначена для диагностики или лечения и требует человеческого контроля в практических сценариях. Лицензия — MIT.

Это зеркало кэша латентных представлений для четырёх наборов LIBERO: libero_spatial, libero_object, libero_goal и libero_10. Репозиторий содержит 1717 файлов .pt общим объёмом 53,19 ГБ; латенты получены с помощью Wan2.2 VAE для кадров размером 256×256 в оконном режиме, по одному файлу на эпизод. Разработчик рекомендует использовать перенесённую версию репозитория типа dataset; этот репозиторий типа model оставлен как идентичное зеркало. Кэш предназначен для обучения политик LIBERO, включая action head и VLA: готовые латенты позволяют пропустить повторное кодирование VAE. Это набор предварительно вычисленных данных для робототехнического обучения, а не универсальная генеративная модель. Лицензия указана как other, без дополнительных условий в предоставленных сведениях.

M8 N0 Numeric Equity Ranking — числовая модель NeoZJX для ранжирования наблюдений «ценная бумага — поставщик данных — торговый день» на рынке акций США. Она принимает 48 числовых признаков, включая рыночные показатели, ликвидность, характеристики событий и издателей, а также индикаторы пропусков, и выдаёт непрерывный балл относительного предпочтения для каждого символа в пределах одного дня. Архитектура — компактная полносвязная сеть PyTorch с LayerNorm, слоями Linear шириной 64 и 32, GELU и Dropout; всего 5 345 параметров. Веса трёх временных фолдов сохранены в формате Safetensors. Программа вывода принимает CSV или Parquet и может работать на CPU или CUDA. Модель предназначена для поперечного ранжирования акций и анализа сигналов, построенных по историческим рыночным данным. README сообщает о валидации на 298 769 наблюдениях за 1 350 торговых дней со средним дневным IC 0,02088; эти результаты относятся к историческим выборкам и не подтверждают будущую доходность. Сравнение оценок между годами, поставщиками и версиями признаков требует отдельной проверки распределений. Модель и материалы репозитория распространяются по лицензии CC BY-NC 4.0 для исследований и образования; коммерческое использование лицензией не разрешено.

MegaDescriptor-B-224 — модель извлечения визуальных признаков на основе Swin-B, предварительно обученная Supervisely на наборах данных для повторной идентификации животных. Она предназначена для получения эмбеддингов изображений, по которым можно сопоставлять особей и искать повторные появления животных на фотографиях. Архитектура — swin_base_patch4_window7_224, размер входного изображения — 224 × 224 пикселя, число параметров — 109,1 млн. Модель рассчитана на сценарии повторной идентификации животных и работы с визуальными признаками в экологических исследованиях и мониторинге дикой природы. В метаданных Hugging Face указана задача image-classification, а веса представлены в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Oneirogen-1.5B — англоязычная языковая модель для генерации рассказов о сновидениях, разработанная на основе Qwen2 и дообученная автором карточки на корпусе DreamBank из более чем 27 тысяч описаний сновидений с помощью LoRA. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и принимает текстовый префикс «Dream:» для генерации продолжения. В метаданных указан контекст до 131 072 токенов. Модель предназначена для создания новых повествований о снах и может служить основой для экспериментов с анализом сновидений, например для предсказания персонажей и эмоций при дополнительном дообучении на соответствующих аннотациях. Она также использовалась при создании англоязычного набора данных из реальных и сгенерированных снов. Модель работает с текстом на английском языке и распространяется по лицензии MIT.

OpenPath — модель компьютерной патологии, разработанная авторами проекта OpenPath. Это зрительный энкодер ViT-g/14 с 1536-мерным CLS-представлением, обученный самообучением на публичных гистопатологических тайлах whole-slide изображений. В обучении использованы DINOv2 и gram anchoring; начальные веса основаны на Meta DINOv2 ViT-g/14-reg. Модель предназначена для извлечения признаков из тайлов H&E размером 224×224, снятых при увеличении около 40×. Полученные эмбеддинги можно использовать для линейного или ridge-пробинга, k-NN, агрегации MIL и поиска похожих изображений. В описанном сравнении OpenPath показала лучший результат на внутреннем бенчмарке пространственной транскриптомики AMC-HCC-ST, но на публичных бенчмарках HEST-1K, NCT-CRC-HE и BACH уступала ряду крупных моделей. Модель обрабатывает изображения и выдаёт векторные признаки. Она кодирует тайлы независимо, поэтому для анализа контекста всего стекла нужен отдельный агрегатор. Обучение проводилось на H&E изображениях при нативном увеличении около 40×; работа с IHC, цитологией, замороженными срезами, другими масштабами и изображениями вне патологии не проверялась. Это исследовательский инструмент, не медицинское изделие; его нельзя использовать для диагностики или клинических решений. Лицензия — Apache-2.0.

seyonec/PubChem10M_SMILES_BPE_450k — модель семейства ChemBERTa на архитектуре RoBERTa, опубликованная Seyone Chithrananda и соавторами. Это языковая модель для химических строк SMILES: она обучена на корпусе из 10 миллионов записей PubChem с токенизацией Byte Pair Encoding и предсказывает замаскированные фрагменты последовательности. Модель предназначена для заполнения пропусков в SMILES и получения представлений молекул, которые можно использовать в задачах анализа химических соединений и прогнозирования их свойств. Архитектура — RobertaForMaskedLM, размер — 96,6 млн параметров, длина контекста — 512 токенов. Вход — текстовые последовательности SMILES; естественный язык для модели не заявлен. Репозиторий предоставляет веса PyTorch и Flax. Карточка Hugging Face не содержит сведений о лицензии и отдельных ограничениях качества, поэтому условия использования и специфические ограничения по ней подтвердить нельзя.

mschuh/PubChemDeBERTa-augmented — текстовая модель на базе DeBERTa для представления описаний биологических анализов и поиска сходства между ними. Модель разработана Maximilian G. Schuh, Davide Boldini и Stephan A. Sieber из Технического университета Мюнхена. Она предназначена для задач молекулярного прогнозирования, где требуется сопоставлять текстовые сведения об анализах, в том числе при ограниченном количестве данных. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 и обрабатывает последовательности длиной до 512 токенов. В README описан исследовательский конвейер TwinBooster, сочетающий дообученную языковую модель, самообучение Barlow Twins и градиентный бустинг для прогнозирования свойств молекул и переноса на новые биологические анализы. Репозиторий содержит веса PyTorch; карточка указывает английский язык. Сведения о лицензии в предоставленных источниках отсутствуют.

QRM-Gemma-2-27B — модель Nicolai Dorka для оценки ответов в сценариях RLHF. Она строит распределение награды, объединяя распределения оценок по отдельным атрибутам, включая полезность и безвредность. Модель использует Skywork/Skywork-Reward-Gemma-2-27B-v0.2 в качестве основы и обучена предсказывать 19 квантилей для пяти целей из набора HelpSteer2; для обучения gating-сети использовался Skywork/Skywork-Reward-Preference-80K-v0.2. Это плотная архитектура Gemma 2 с 27,6 млрд параметров и контекстом 8192 токена. Основной сценарий — оценивание и ранжирование ответов по качеству для разработки и анализа систем RLHF. В репозитории представлены веса в формате safetensors. Лицензия указана как llama3.

ThermalGen-XL-2 — модель преобразования изображений, опубликованная пользователем xjh19972 на Hugging Face. Метаданные связывают её с тематикой тепловизионных изображений и набором данных ThermalGen-Dataset; формат весов — safetensors, лицензия — MIT. Карточка не описывает архитектуру, размер модели, поддерживаемые языки или конкретный способ преобразования изображений, поэтому назначение можно определить только на общем уровне.

Модель DunnBC22/vit-base-patch16-224-in21k_vegetables_clf — классификатор изображений овощей, созданный автором DunnBC22 путём дообучения google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и предназначена для отнесения изображения к одному из классов овощей. Модель подходит для демонстрационных задач распознавания овощей на изображениях и построения простых систем визуальной сортировки. В README указаны идеальные метрики на оценочном наборе, однако состав и размер набора не раскрыты, поэтому эти результаты не гарантируют такую же точность на новых данных. Модель принимает изображения и выдаёт метки классов; сведения о языковой поддержке к задаче не применимы. Лицензия модели — Apache-2.0. README предупреждает, что использованные сторонние наборы данных могут иметь отдельные лицензии и ограничения использования.

VLAC — мультимодальная модель InternRobotics для оценки прогресса и проверки завершения задач манипуляции роботом по изображениям и описанию задачи. Карточка описывает VLAC-2B как парный критик и модель манипуляции для обучения роботов с подкреплением в реальных условиях и подготовки данных; архитектура — InternVLChatModel, файлы представлены в формате safetensors. В обучении использованы более 3000 часов эгоцентрических данных людей, более 1200 часов открытых данных роботизированных манипуляций и более 15 часов собственных данных. Модель поддерживает отслеживание выполнения, оценку завершения задачи, оценивание описания задачи, визуальные вопросы и ответы, а также выдачу воплощённых действий. Заявлены режимы zero-shot и one-shot, перенос между объектами, сценами и задачами, а также фильтрация низкокачественных траекторий для обучения имитации. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения на тех же условиях и некоммерческого применения. В карточке также упомянута VLAC-8B, но приведённая модель обозначена как VLAC-2B.

starmpcc/Asclepius-Llama2-7B-Pretraining-Only — клиническая языковая модель на архитектуре Llama 2, разработанная для генерации текста на основе синтетических клинических записей Asclepius-Synthetic-Clinical-Notes. Это версия после предварительного обучения с причинным языковым моделированием; модель Asclepius с инструкционной настройкой создана на её основе. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекст до 4096 токенов. Модель предназначена для исследовательских экспериментов с генерацией клинического текста. Лицензия в метаданных указана как CC-BY-NC 4.0, тогда как README указывает CC-BY-NC-SA 4.0; лицензионные условия следует сверить с репозиторием перед использованием. README ограничивает применение исследовательскими целями. Модель не следует считать готовым клиническим инструментом: карточка описывает предварительное обучение на синтетических данных, а не клиническую валидацию или инструкционную настройку этой версии.

birdclass-na — модель houlette для классификации видов птиц на изображениях. Она основана на визуальном трансформере DINOv2-base с линейной классификационной головой и содержит 113,2 млн параметров. Модель предсказывает 407 классов: 406 видов птиц Северной Америки и категорию OTHER для птиц, не входящих в эту группу. Модель предназначена прежде всего для снимков с кормушек и фотоловушек, в том числе с частичным перекрытием птицы, смазом движения, загромождённым фоном и слабым освещением. В обучении использовались наборы gpiosenka 525, NABirds, iNat21-Birds и пользовательские кадры кормушки. Карточка сообщает о точности top-1 92,9% на тестовой выборке из 27 470 изображений; результаты зависят от источника снимков и распределения видов. Модель слабо подходит для определения видов за пределами Северной Америки: такие птицы в основном объединены в OTHER. У редких видов с малым числом обучающих примеров точность также ниже. Весам назначена лицензия CC-BY-NC-4.0, поэтому коммерческое использование ограничено; код обучающего конвейера отдельно указан как Apache-2.0.

BulkFormer-37M — компактная модель на 37 млн параметров для представления транскриптомов bulk RNA-seq. Она основана на архитектуре BulkFormer, разработанной Kang, Fan и соавторами, и выпущена в формате, совместимом с Transformers; веса представлены в safetensors. Модель предназначена для извлечения признаков на уровне генов и экспрессии, а также для последующей тонкой настройки с классификационной головой или продолжением предобучения для masked imputation и объединения эмбеддингов с ESM2. Модель ориентирована на анализ bulk RNA-seq данных и может служить основой для задач классификации транскриптомов и изучения профилей экспрессии. Репозиторий указывает лицензию MIT. Длина контекста и перечень поддерживаемых языков не приводятся; для этой биологической модели естественные языки не являются основным входом.

BulkFormer-93M — фундаментальная модель BulkFormer для представления транскриптомов bulk RNA-seq, опубликованная в пяти вариантах размера; эта версия содержит 93 млн параметров. Модель разработана авторами работы Kang, Fan и соавторами и представлена в формате, совместимом с Transformers. Модель предназначена для извлечения признаков на уровне генов или экспрессии из данных bulk RNA-seq. Полученные представления можно использовать для последующего дообучения с классификационной головой, продолжения предобучения для импутации пропущенных значений и объединения с эмбеддингами ESM2. Репозиторий распространяется под лицензией MIT.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_ppl_b1000_s0 — дообученная AmberYifan модель на основе marin-community/marin-8b-base. Согласно README, для обучения использован набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_ppl_b1000_s0, связанный с финансовыми данными и ConvFinQA. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста; поддерживает контекст до 4096 токенов. В метаданных отмечена возможность чата. Лицензия указана как other, конкретные условия по доступным данным определить нельзя. README не содержит сведений о качестве, оценке и рекомендуемых сценариях использования.

ChuckleNet-Kage — модель классификации аудио для обнаружения эпизодов смеха в записях стендап-выступлений. Её разработали как исследовательскую модель семейства ChuckleNet на основе microsoft/wavlm-base: замороженный WavLM извлекает 768-мерные признаки, а MLP-голова классифицирует аудиофрагменты; в архитектуре также используются признаки просодии. Модель обучена на 620 видео StandUp4AI с использованием маркеров [laughter] из VTT-субтитров в качестве слабых меток. Она предназначена для изучения связи просодии, комедийного тайминга и маркеров в расшифровках. На отложенном разбиении по комикам указана IoU-F1@0.2 0,229; метки не проверялись людьми, поэтому результат не отражает точность обнаружения реальных событий смеха. Модель не валидирована для производственного применения и может хуже работать на выступлениях незнакомых комиков. Распространяется по лицензии MIT.

CT-BERT-JPN — японская BERT-модель для многометочной классификации радиологических заключений. Её разработчик дообучил tohoku-nlp/bert-base-japanese-v3 на наборе CT-RATE-JPN, содержащем японские переводы радиологических заключений с метками патологических находок. Модель основана на архитектуре BERT для классификации последовательностей, содержит 138,4 млн параметров и принимает текст длиной до 512 токенов. Модель предназначена для автоматического выявления патологических находок в японских заключениях компьютерной томографии, например кальцификации артериальной стенки и кардиомегалии. В README приведены метрики по отдельным классам на валидационной выборке из 150 примеров; эти результаты не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей атрибуцию, распространение производных на тех же условиях и некоммерческое использование.

vojtam/DNAGPT2_32 — авторегрессионная модель для анализа и сжатия геномных последовательностей ДНК, разработанная авторами карточки на основе архитектуры GPT-2 и обученная с нуля. Это вариант DNAGPT2 с размером словаря 32: модель содержит около 86 млн параметров, 12 слоёв, 12 голов внимания и контекстное окно 1 024 токена. Модель принимает последовательности из символов A, C, G и T и предсказывает вероятности следующего токена. Её можно использовать для моделирования последовательностей и вместе с арифметическим кодированием для сжатия ДНК. Предобучение проводилось на данных DNABERT-2: примерно 32,5 млрд нуклеотидов из 135 геномов разных групп организмов. В приведённых испытаниях модель сжимала последовательности лучше gzip, но уступала указанным специализированным компрессорам Jarvis3 на трёх наборах данных. Модель распространяется под лицензией Apache-2.0. Обучающие последовательности ограничены A, C, G и T; неоднозначный символ N исключён, поэтому работа с такими входами не описана.

AmelieSchreiber разработала дообученную модель ESM-2 для классификации белковых последовательностей на два класса: «cystolic» и «membrane». Модель предназначена для предсказания локализации белка по его последовательности и может использоваться для первичной аннотации белковых данных. Это плотная модель ESM-2 с архитектурой EsmForSequenceClassification, примерно 9,8 млн параметров и контекстом до 1026 токенов. В карточке указана точность 94,83% на оценочной выборке. Модель работает с последовательностями белков и выдаёт метку класса; сведения о составе выборки и независимой проверке результата не приведены. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

FocalCodec 25 Hz — модель-кодек речи, опубликованная lucadellalib. Она сжимает речь с низким битрейтом, используя одно кодовое пространство и сети на основе focal modulation. В репозитории представлен чекпойнт с частотой кодирования 25 Гц, обученный на LibriTTS 960; заявлена поддержка аудио с частотой дискретизации 16 и 24 кГц. Модель предназначена для низкобитрейтного кодирования и восстановления речи, включая сценарии потоковой передачи, связанные с проектом FocalCodec-Stream. Это дообучение Microsoft WavLM Large на данных LibriTTS. Кодек принимает и выдаёт аудио; карточка не уточняет точные характеристики качества и задержки этого чекпойнта. Лицензия — Apache-2.0.

Это модель классификации медицинских текстов на основе BioBERT: Cristian Untaru разработал её в рамках академического проекта SortMed в Университете Западного Тимишоара. Энкодер BioBERT v1.1 заморожен, обучена только классификационная голова; модель содержит 135,5 млн параметров и принимает текстовые описания симптомов на английском языке длиной до 512 токенов. Модель относит описание к одной из трёх категорий срочности: самонаблюдение, консультация врача общей практики или срочная медицинская помощь. Её можно применять в учебных и исследовательских прототипах предварительной сортировки симптомов и для экспериментов по классификации медицинских текстов. Модель распространяется по лицензии MIT. Качество проверено на отложенной выборке небольшого академического датасета: точность составила 0,6792, macro precision — 0,7097, macro recall — 0,6689. Метки сформированы на основе правил и не прошли клиническую проверку. Модель не ставит диагноз, не учитывает медицинский анамнез и другие индивидуальные факторы и не предназначена для принятия экстренных решений или использования без медицинского надзора.

GENATATOR-Caduceus-PS — модель AIRI Institute для бинарной классификации последовательностей транскриптов: она различает мРНК и длинные некодирующие РНК (lncRNA). Модель дообучена на основе Caduceus PS; её архитектура включает 16 слоёв, скрытый размер 512 и посимвольную токенизацию нуклеотидов. На вход подаётся ДНК-последовательность одного транскрипта, на выходе — один логит на последовательность; для получения вероятности класса lncRNA к логиту применяют сигмоиду. Максимальная поддерживаемая длина последовательности — 250 000 нуклеотидов. Модель обучалась на транскриптах мРНК и lncRNA из генов, по одному транскрипту на ген, на многовидовом наборе данных без межгенных областей. Она предназначена для классификации отдельных транскриптов, а не для сегментации последовательностей или анализа полных геномов. Распространяется по лицензии Apache-2.0.

Intern-S1-mini V27 BBB Martins L2 — это дообученная исследовательская контрольная точка модели Intern-S1-mini, разработанная автором репозитория для переноса результатов анализов проницаемости гематоэнцефалического барьера на уровне отдельных записей. Модель построена на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров; принимает текст и выдаёт текст. Максимальная длина контекста — 65 536 токенов. Веса сохранены в формате BF16 Safetensors, модель предназначена для использования через Transformers. Модель обучена на наборе jiosephlee/assay-transfer-record-level-v27-bbb-martins-l2-intern. В README указано, что выбран чекпойнт шага 1575 по метрике валидации для ранжирования срезов ID/OOD; в приведённом сравнении он превосходит базовый Morgan ранжировщик по совместной ошибке и Spearman. Это свидетельствует о потенциале для ранжирования записей переноса анализа, но не гарантирует качество на других данных. Модельная карточка не сообщает лицензию, поэтому условия распространения и коммерческого применения следует проверять в репозитории.