IV.10Дом, личная жизнь, уход и повседневные задачи

Verdant — набор из двух моделей классификации изображений для мобильного приложения-дневника растений. Он объединяет голову MobileViT для распознавания 47 видов комнатных растений и MobileNetV2 для определения 38 состояний листьев, включая 12 здоровых. Модели поставляются в формате ONNX: классификатор видов квантован до int8 и занимает 5,4 МБ, классификатор состояния листьев сохраняет точность fp32 и занимает 9 МБ. Вывод моделей — логиты, которые приложение преобразует в вероятности и сверяет с порогом уверенности. Модели предназначены для локального запуска на телефоне: фотографии пользователей не отправляются с устройства. Набор рассчитан на подсказки в дневнике растений — определение вида и предварительную оценку состояния листьев. Классификатор видов охватывает начальный список популярных комнатных растений. Модель состояния листьев обучена на лабораторных изображениях PlantVillage, поэтому её результаты на обычных фотографиях с телефона требуют проверки; перед производственным применением её следует перепроверить и дообучить на полевых данных. Головы основаны на публичных чекпойнтах dybdyb/mobilevit-houseplants и linkanjarad/mobilenet_v2_1.0_224-plant-disease-identification. Указанная в метаданных лицензия — Apache-2.0.

Модель Melih Uzunoğlu — дообученная версия YOLOv11 для обнаружения падений людей на изображениях и видеокадрах. Она предназначена для мониторинга безопасности в учреждениях ухода за пожилыми людьми, больницах и на промышленных объектах, в том числе для систем оповещения в реальном времени. Модель построена на Ultralytics YOLOv11, использует веса PyTorch и обучалась на датасете Roboflow; карточка указывает три класса состояний, но не приводит их названия. Модель может служить компонентом системы видеонаблюдения, обнаруживающим людей в состоянии падения. Автор позиционирует её для образовательных и исследовательских целей и рекомендует не полагаться на неё как на единственную основу критически важных систем безопасности. Распространяется по лицензии AGPL-3.0.

Smart Home Automation Wizard 1.5B — дообученная авторами Sheetal Tatiya, Mayank Dwivedi, Prabhav Rathi и Nikhil Jain языковая модель для помощи с автоматизацией умного дома. Она основана на Qwen/Qwen2.5-1.5B-Instruct, использует плотную архитектуру Qwen2ForCausalLM и содержит 1,5 млрд параметров; контекст — до 32 768 токенов. Модель предназначена для консультаций по экосистемам Home Assistant, Node-RED, SmartThings, Matter, Thread, Apple Home, Alexa и Google Home: она помогает разбирать конфликты хабов и синхронизации, проблемы подключения устройств и условия срабатывания автоматизаций. Карточка заявляет поддержку локального запуска, в том числе через MLX на компьютерах Apple Silicon, и генерацию логики автоматизаций. Доступна по лицензии Apache-2.0. Указанные в карточке скорость, качество и расход памяти не подтверждены независимыми данными; модель компактна, поэтому сложные технические рекомендации и конфигурации следует проверять перед применением.

TinyBrainBot-350M-v4-Thinking — компактная языковая модель на 348,3 млн параметров, разработанная автором репозитория nkthebass. Это дообученная модель семейства Llama для диалоговой генерации текста: на простые запросы она отвечает напрямую, а для вопросов «почему», советов и повседневных решений обычно сначала формирует рассуждение в блоке `…`, затем выдаёт ответ. Модель обучали на базовой TinyBrainBot-350M-V3 с дополнительными примерами повседневных вопросов и ответов; заявлены английский язык и контекст до 2048 токенов. Модель подходит для коротких разговоров, объяснений и ответов на бытовые вопросы, когда важны локальный запуск и небольшие требования к ресурсам. В карточке приведены результаты внутренних проверок поведения и бенчмарков, однако они ограничены небольшими выборками и не подтверждают надёжность ответов в реальных сценариях. Доступны веса Safetensors и F16 GGUF; GGUF предназначен, в частности, для llama.cpp, LM Studio и Ollama. Лицензия — Apache-2.0. Модель невелика: факты и арифметика часто бывают неверными, даже если рассуждение звучит уверенно; особенно ненадёжны проценты и пересчёт единиц. Она не предназначена для медицинских рекомендаций, может чрезмерно трактовать обычные личные проблемы как кризисные, а усвоенное поведение отказа не гарантирует безопасный результат.

ConvNeXt-Food-CLF-75 — модель многометочной классификации пищевых ингредиентов, разработанная Alas-V. Она принимает RGB-изображение блюда и оценивает вероятность присутствия каждого из 75 ингредиентов; для одного изображения могут быть предсказаны несколько классов. Модель основана на ConvNeXt-Tiny с предобучением на ImageNet-1k, использует внимание CBAM и обучаемый GeM pooling. Изображение автоматически приводится к размеру 640×640 и нормализуется статистиками ImageNet. Модель предназначена для распознавания ингредиентов и извлечения признаков для последующих систем, например сегментации, оценки калорийности, ведения пищевого дневника и поиска рецептов. На валидации указаны macro F1 0,6546 и mAP 0,7142. Доступны вероятности по всем классам и эмбеддинг предпоследнего слоя. Модель обучена на очищенной подвыборке MM-Food-100K. Редкие классы и кухни, слабо представленные в наборе, могут распознаваться хуже; визуально похожие продукты могут путаться, а модель иногда предсказывает невидимые ингредиенты. Она охватывает только 75 классов и не предназначена для медицинской диагностики или диетических рекомендаций. Лицензия — Apache-2.0.

Boba Food VLM 0.8B — компактная мультимодальная модель от Doses-AI для оценки питания по фотографиям еды. Это дообученная с помощью LoRA модель Qwen3.5-0.8B, распространяемая в формате GGUF; доступны варианты Q4_K_M и F16, а также отдельный файл визуального проектора F16. Модель распознаёт ингредиенты на изображении и формирует структурированный JSON с названием каждого ингредиента, оценкой массы порции в граммах, калорий и содержания белков, углеводов и жиров. Она рассчитана на локальный запуск на устройстве. В оценке на тестовой части Nutrition5k достигла средней абсолютной ошибки 112,3 ккал и корреляции Пирсона 0,73; доля корректно разбираемых ответов составила 100%. Оценки по фотографии приблизительны: точность уступила указанным в карточке GPT-4o и CalorieLLaVA-13B, а результат зависит от изображения и распознавания порций и ингредиентов. Модель обучалась на Nutrition5k и оценивалась на его тестовом наборе. Лицензия — Apache-2.0.

BERT-Lite — компактная англоязычная модель семейства BERT, разработанная boltuix на основе google-bert/bert-base-uncased и дообученная на данных с терминологией IoT, командами умного дома и контекстами датчиков. Она предназначена для локального выполнения NLP-задач на устройствах с ограниченными ресурсами: README заявляет архитектуру из двух слоёв с размером скрытого состояния 64 и двумя головами внимания, контекст до 512 токенов и размер около 10 МБ для квантизованной версии. Метаданные каталога указывают 12 млн параметров и класс BertForMaskedLM; оценка размера модели в README расходится с этим числом. Модель подходит для предсказания пропущенных слов, классификации коротких текстов и распознавания намерений в командах умного дома, IoT и офлайн-помощниках. Небольшой размер и поддержка локального запуска могут быть полезны для сценариев с низкой задержкой и ограниченным подключением к сети. README также упоминает NER, но отдельная оценка этой задачи не приведена. В карточке приведены ориентировочные результаты на небольшом наборе тестовых примеров, часть результатов обозначена как гипотетическая; показатели качества и скорости могут зависеть от устройства и дообучения. Модель распространяется по лицензии MIT, допускающей коммерческое и личное использование.

Модель edwinpalegre/ee8225-group4-vit-trashnet-enhanced — дообученная Edwin Palegre модель Vision Transformer для классификации изображений мусора. Она основана на google/vit-base-patch16-224-in21k и обучена на наборе данных edwinpalegre/trashnet-enhanced. Архитектура ViT имеет около 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для распознавания категорий мусора на изображениях, например в приложениях для сортировки отходов или анализа снимков мусора. В README указана точность 0,9817 и loss 0,0793 на оценочном наборе; эти результаты относятся к описанной оценке и не гарантируют такую же точность на других данных. Модель распространяется по лицензии Apache-2.0.

Chef Transformer — модель семейства T5, созданная командой Flax/JAX Community Week при поддержке Hugging Face и Google. Она предназначена для генерации рецептов по названиям или списку продуктов и обучена на наборе RecipeNLG, содержащем более 2,2 млн кулинарных рецептов. Модель имеет около 123,8 млн параметров и контекст длиной до 512 токенов; доступны версии для Flax, PyTorch и TensorFlow. Модель подходит для создания вариантов рецептов из заданных ингредиентов и для прототипов кулинарных помощников. В README приведена оценка на общем тестовом наборе с несколькими сгенерированными рецептами для каждого входа; результаты выше приведённого базового сравнения RecipeNLG по указанным метрикам. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Food-101-93M — модель классификации изображений еды, созданная prithivMLmods на основе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification на наборе Food-101. Она относит фотографию блюда к одному из 101 классов, включая суши, гамбургер, вафли и пад-тай. Модель предназначена для распознавания блюд на фотографиях в приложениях для учёта питания и калорий, подбора рецептов, умных кухонных устройствах, оцифровки ресторанных меню и автоматической разметки наборов изображений. Для работы используется библиотека Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0. Классификация ограничена 101 классом Food-101, поэтому модель может неверно распознавать блюда вне этого набора или неоднозначные изображения. README не приводит оценок качества.

Модель yangy50/garbage-classification — классификатор изображений для сортировки бытовых отходов, разработанный автором репозитория на основе Vision Transformer (ViT) и обученный с PyTorch. Она относит изображение к одному из шести классов: картон, стекло, металл, бумага, пластик или прочий мусор. Модель содержит 113,2 млн параметров. По README, обучение проходило 10 эпох с оптимизатором Adam на наборе из 2467 изображений; автор сообщает точность 95% на тестовой выборке. Это узкая модель для классификации фотографий отходов, а не универсальный классификатор. Лицензия в предоставленных данных не указана.

Mara — компактная модель принятия решений и маршрутизации вызовов инструментов, предназначенная для локального запуска во встраиваемых системах, браузерах и веб-приложениях. В карточке она описана как предобученная модель с 692 тыс. активных параметров, двумя слоями Transformer, Grouped-Query Attention и механизмом PointerHead, который выбирает инструменты и параметры напрямую, без пошаговой генерации текста. Метаданные указывают задачи классификации текста, форматы ONNX и Safetensors, библиотеку Transformers и английский язык; заявлена лицензия Apache-2.0. Модель рассчитана на маршрутизацию текстовых команд к зарегистрированным инструментам: управление GPIO и датчиками, вызовы MCP, сценарии умного дома и локальные агентные приложения. Карточка заявляет планирование составных команд, выдачу структурированных вызовов и выполнение в браузере или на периферийном устройстве без облачного инференса. По данным README, размер весов PyTorch составляет около 2,78 МБ, а задержка ONNX на CPU в указанном бенчмарке — 0,72 мс; эти показатели относятся к описанным условиям оценки. Mara не предназначена для свободного диалога, генерации эссе, открытых исследований и сложных рассуждений вне заданных схем инструментов. В README отмечено падение точности до 44% на независимых разговорных перефразированиях. Подключение к опасным исполнительным механизмам требует внешних блокировок и отказоустойчивых средств управления.

Hy-Embodied-RxBrain-1.0 — мультимодальная модель для воплощённого познания, разработанная Tencent Robotics X, Futian Laboratory и Tencent Hy Team. Она объединяет языковое рассуждение и визуальное воображение, чтобы отвечать на вопросы по изображениям и многокадровому видео, прогнозировать визуальные последствия действий и строить пошаговые планы с текстовыми действиями и целевыми изображениями. Модель использует архитектуру Unified Mixture-of-Transformers (MoT) с отдельными путями для текста, визуального понимания и генерации; в README указано около 6,2 млрд параметров, тогда как метаданные Hugging Face сообщают 1,8 млрд. Генерация изображений основана на flow matching и декодировании в латентное пространство FLUX VAE. Контекст — 262 144 токена. Для понимания достаточно основных весов; генерация изображений требует внешнего FLUX VAE. Репозиторий распространяется под лицензией Apache-2.0.

NeuroBERT-Tiny — компактная англоязычная модель семейства BERT, разработанная boltuix на основе google-bert/bert-base-uncased и предназначенная для локального запуска на устройствах с ограниченными ресурсами. По карточке, архитектура включает 2 слоя, размер скрытого состояния 128 и 2 головы внимания; модель содержит около 4,4 млн параметров, поддерживает контекст до 512 токенов и использует библиотеку Transformers. Репозиторий описывает квантизированный размер около 15 МБ, однако метаданные указывают формат safetensors и не подтверждают квантизацию файлов. Основное применение — заполнение пропусков в тексте; также заявлены классификация текста, определение намерений команд и распознавание именованных сущностей. Модель ориентирована на обработку коротких англоязычных текстов в офлайн-сценариях: например, для разбора команд умного дома, носимых устройств и голосовых помощников. Небольшой размер и низкая задержка могут быть полезны для периферийных устройств, но приведённые оценки качества названы приблизительными, а результаты тестирования частично гипотетическими; для прикладного использования требуется проверка на целевых данных и устройстве. Лицензия MIT разрешает коммерческое и личное использование.

CookGPT — специализированная языковая модель для генерации индийских кулинарных рецептов. Модель разработал Vishal Mysore; она создана на основе TinyLlama/TinyLlama-1.1B-Chat-v0.6 и дообучена с помощью AutoTrain на более чем 10 000 рецептов индийской кухни из набора данных VishalMysore/cookGPT. Модель предназначена для создания и уточнения рецептов, предоставления инструкций по приготовлению, а также выдачи сопутствующей информации, например времени приготовления, диетических характеристик и типа кухни. Это текстовая causal language model без заявленной поддержки дополнительных модальностей; в README языки явно не указаны. Размер базовой модели составляет 1,1 млрд параметров. Предусмотрена загрузка в обычной или 8-битной точности, что может снизить требования к памяти. Сильная сторона модели — специализация на индийских рецептах и возможность диалогового взаимодействия через chat template. Ограничения включают узкую предметную область, зависимость качества от данных дообучения и отсутствие в README сведений о контекстном окне, поддерживаемых языках, точности ответов, безопасности рекомендаций и лицензии. Условия лицензирования для этой модели отдельно не указаны.

SpatialAxiom-9B — мультимодальная модель пространственного рассуждения, разработанная командой SpatialAxiom на основе Qwen3.5-9B. Это плотная модель на 9 млрд параметров с архитектурой Qwen3.5 VLM: языковая модель с энкодером изображений. Она дообучена методом полного supervised fine-tuning на пространственных данных для анализа сцен в помещении, восприятия от первого лица и многокамерных сценариев. Модель предназначена для вывода пространственных отношений в 3D, понимания перспективы, сопоставления объектов между ракурсами и анализа видео с точки зрения действий и перемещений. Она принимает изображения и видео вместе с текстовыми запросами и отвечает текстом; поддерживает прямые ответы без режима chain-of-thought. Контекст составляет 262 144 токена и, согласно README, может расширяться до 1 010 000 токенов. Для работы требуются актуальные версии Transformers или vLLM с поддержкой Qwen3.5. В README заявлены высокие результаты на нескольких бенчмарках пространственного понимания, однако они приведены авторами модели. Модель не поддерживает режим thinking и переключатели /think и /nothink; включать thinking при инференсе не следует. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

NumcayX2 разработала Thai GPT-2 Cats Q&A Fine-Tuned как учебную дообученную языковую модель для ответов на вопросы о кошках. В основе лежит `flax-community/gpt2-base-thai`; архитектура — GPT-2, формат весов — safetensors, контекст — 1024 токена. Модель обучена на 3 000 парах вопросов и ответов из набора `disease_3000`. Модель предназначена для генерации ответов на тайском языке о породах кошек, их поведении, здоровье, уходе и питании. В примерах она отвечает на вопросы об особенностях сиамской породы и опасности парацетамола для кошек. Лицензия MIT. Поскольку модель создана как домашнее задание и обучена на ограниченном тематическом наборе, её ответы могут быть неполными или ошибочными; медицинские рекомендации следует проверять у ветеринара.

Wiam/baby-cry-classification-finetuned-babycry-v4 — модель классификации аудио, созданная дообучением Wav2Vec2 на наборе данных audiofolder для распознавания классов плача младенцев. Она принимает аудиозапись и выдаёт метки классов; конкретный перечень классов в карточке не описан. Модель содержит около 402,7 млн параметров, использует архитектуру Wav2Vec2ForSequenceClassification и формат весов safetensors. На оценочной выборке указаны accuracy 0,815, F1 0,732, precision 0,665 и recall 0,815. Базовая модель обучалась на английской речи, но карточка не подтверждает, что классификатор плача рассчитан на определённый язык. Модель распространяется по лицензии Apache-2.0.

AvitoTech разработала дообученную модель DINOv2-Small для распознавания отдельных кошек и собак. Она преобразует изображение животного в эмбеддинг размерностью 384, пригодный для сравнения изображений, повторной идентификации и проверки совпадения. Модель принимает изображения размером 224×224 пикселя; архитектура основана на DINOv2 и содержит 28,3 млн параметров. Модель предназначена для поиска одного и того же животного на разных фотографиях: например, для сопоставления найденного питомца с базой объявлений или для ведения ветеринарных записей. В описанных испытаниях показаны результаты на наборах данных для кошек и собак, однако качество зависит от фотографий и состава конкретной базы. Для работы с эмбеддингами приложению потребуется отдельный механизм сравнения или поиска. Модель распространяется под лицензией Apache-2.0. README описывает обучение на наборах PetFace, Dogs-World, LCW и отобранных веб-изображениях; заявленная область применения — идентификация кошек и собак.

HY-Embodied-0.5-X — мультимодальная модель для робототехники, совместно разработанная Tencent Robotics X и HY Vision Team. Это дообученная версия HY-Embodied-0.5: модель семейства HunYuan VLMoT использует архитектуру MoT с 4 млрд параметров, из которых активируются 2 млрд; метаданные репозитория указывают 1,8 млрд параметров. Модель принимает изображения и текст, поддерживает диалог и имеет контекст длиной до 262 144 токенов. Модель предназначена для цикла взаимодействия робота с физической или симулированной средой: понимания сцен и пространственных отношений, разрешения ссылок на объекты, планирования многошаговых задач, предсказания действий и оценки рисков. Среди сценариев — бытовые и настольные манипуляции, планирование задач и оценка поведения в симуляции. В README заявлены результаты верхнего уровня на десяти бенчмарках, включая первое место среди моделей для периферийных устройств на семи из них. Репозиторий содержит веса Safetensors и использует Transformers; README указывает поддержку Linux, Python 3.12 и CUDA 12.6. Лицензия обозначена как other, поэтому конкретные права использования следует проверять по условиям репозитория. Практические ограничения: модель ориентирована на embodied-сценарии, а конкретные мультиязычные языки и требования к аппаратным ресурсам в предоставленных материалах не перечислены.

AvitoTech SigLIP2-Giant — дообученная модель компьютерного зрения для распознавания отдельных кошек и собак по изображениям. Она основана на google/siglip2-giant-opt-patch16-384 и принимает изображения размером 384×384 пикселя, выдавая эмбеддинги размерностью 1536, пригодные для сравнения и проверки совпадений. Модель предназначена для повторной идентификации животных и поиска похожих изображений: например, для сопоставления найденного питомца с базой фотографий или связывания снимков с ветеринарной записью. В README указано обучение на 1 904 157 фотографиях 695 091 кошки и собаки с использованием нескольких наборов данных и дополнительно собранных изображений. Для сравнения эмбеддингов и принятия решения о совпадении требуется внешняя логика. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Заявленные сценарии ограничены идентификацией кошек и собак; метрики в карточке приведены для отдельных наборов тестовых данных, поэтому они сами по себе не гарантируют качество на иных породах, условиях съёмки или популяциях.

VST-7B-SFT — мультимодальная модель Ray Ruiyang и соавторов из семейства Qwen2.5-VL, дообученная методом supervised fine-tuning в рамках Visual Spatial Tuning. Она предназначена для понимания изображений и пространственных рассуждений: например, подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. По данным карточки, модель содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текст; поддерживает контекст до 128 000 токенов. Авторы сообщают о результатах на пространственных бенчмарках и сохранении общих возможностей VLM. Модель распространяется под лицензией Apache-2.0.

auhide/chef-gpt-base — языковая модель на архитектуре GPT-2, разработанная для генерации рецептов по списку ингредиентов. Модель обучена на пользовательском наборе рецептов на болгарском языке и принимает текст с ингредиентами, обозначенными специальным токеном [ING]; токен [REC] обозначает начало рецепта, а [EOL] — конец строки. Модель подходит для генерации болгарских рецептов из доступных продуктов и создания черновиков рецептов. Максимальная длина контекста — 1024 токена. Вес опубликован в форматах PyTorch и Safetensors; лицензия — MIT.

VST-3B-RL — визуально-языковая модель rayruiyang, описанная в работе Visual Spatial Tuning. Она предназначена для понимания пространственных отношений и рассуждений по изображениям, нескольким изображениям и видео. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и имеет контекст до 128 000 токенов. Модель обучалась поэтапно: сначала с учителем на пространственных данных, затем с подкреплением для развития пространственных рассуждений. Она отвечает на вопросы о количестве и размере объектов, расстояниях, направлениях, планировании маршрутов и порядке приближения. В карточке сообщается о результатах на пространственных бенчмарках и сохранении общих возможностей; это результаты авторов и они не гарантируют качества на произвольных данных. Для работы указаны Transformers и qwen-vl-utils; для загрузки видео авторы рекомендуют поддержку decord. Лицензия — Apache-2.0.

Модель Boorapha/6704101346 — дообученная версия Thai GPT-2, созданная студентом с идентификатором 6704101346 для вопросов и ответов о собаках на тайском языке. Она генерирует текст и охватывает породы, болезни и здоровье, питание, дрессировку, поведение, уход, щенков и пожилых собак, вакцинацию и первую помощь. Архитектура — плотная GPT-2 с 1024 токенами контекста; веса доступны в формате safetensors. Для обучения указана выборка disease_3000. Лицензия — MIT. Модель может служить справочным помощником по уходу за собаками и отвечать на тематические вопросы. Карточка не приводит оценок качества и подробностей обучения, поэтому ответы о здоровье и первой помощи следует проверять по надёжным ветеринарным источникам.

Модель Tejasssss23/ai_interior_design_model — дообученный конвейер Stable Diffusion с ControlNet Canny для изменения дизайна интерьеров по изображению. Она принимает фотографию комнаты и текстовое описание желаемого стиля, а затем генерирует визуализацию с новой отделкой, мебелью и освещением, стараясь сохранить геометрию помещения и исходную планировку за счёт управления по контурам. Модель предназначена для виртуального редизайна комнат, визуализации идей для интерьера и приложений для декора жилья или недвижимости. В README указано дообучение на наборах данных об интерьерах, но конкретные базовые репозитории, размер модели и языки не приведены. Лицензия — CreativeML Open RAIL-M. Результат зависит от качества исходного изображения и контурного ввода. Возможны нереалистичная расстановка мебели и освещение, нестабильность мелких деталей и слабая обобщающая способность на отдельных типах помещений и стилях. Визуализации требуют проверки специалистом и не подходят для инженерных или безопасностных решений.

Molmo2-ER — мультимодальная модель зрения и языка на 4 млрд параметров, разработанная Ai2 для задач embodied reasoning, связанных с пониманием визуальной сцены и пространственных отношений. Она дообучена на базе allenai/Molmo2-4B; архитектура Molmo2-4B использует основу Qwen3-4B и визуальный энкодер SigLIP2. Модель предназначена для визуального восприятия, на которое могут опираться последующие модели планирования действий, и служит визуально-языковой основой MolmoAct2. Модель отвечает на вопросы по изображениям и видео, описывает сцены, указывает объекты с точностью до пикселей, сопоставляет виды одной сцены на нескольких изображениях, включая перспективы от первого и третьего лица, и рассуждает о временной последовательности в видео. В README сообщается, что на 9 из 13 перечисленных бенчмарков embodied reasoning она превзошла сравниваемые открытые и закрытые модели; средний результат составил 63,8%, на 17 процентных пунктов выше исходной Molmo2. Эти результаты относятся к указанному набору бенчмарков и не гарантируют качество в других сценариях. В метаданных указан английский язык, библиотека Transformers и формат весов Safetensors. Лицензия — Apache-2.0. Ограничения по длине контекста и подробные результаты для конкретных сценариев в предоставленных материалах не приведены.

Модель tribber93/my-trash-classification — дообученная версия Vision Transformer ViT для классификации изображений отходов. Разработчик дообучил предобученную google/vit-base-patch16-224-in21k на наборе TrashNet из 5054 изображений. Модель относит изображение к одному из шести классов: картон, стекло, металл, бумага, пластик или прочий мусор. Её можно применять для сортировки отходов по фотографиям и прототипов систем распознавания мусора. Архитектура ViTForImageClassification содержит 113,2 млн параметров; репозиторий предоставляет веса в формате safetensors. В README указана точность 94,26% после трёх эпох обучения. Результаты относятся к описанному набору данных и не гарантируют такую же точность на новых фотографиях, при иных условиях съёмки или для объектов вне шести классов. Лицензия в предоставленных данных не указана.

Argus — многозадачная модель компьютерного зрения от phanerozoic на замороженном backbone EUPE-ViT-B. Она содержит 103 млн параметров, включая 17 млн параметров выходных голов, и принимает изображения. В карточке описаны классификация ImageNet, семантическая сегментация, оценка глубины и обнаружение объектов; для каталога основная задача модели — оценка глубины. Глубина предсказывается для внутренних сцен на расстоянии до 10 м; результат включает карту глубины, а по запросу — уверенность и стандартное отклонение. Для классификации указана точность top-1 85,53% на валидационной выборке ImageNet-1k, для сегментации — 52,72 mIoU на ADE20K. Для глубины на тестовом наборе NYU Depth V2 приведены RMSE 0,452 и abs rel 0,117. Модель также имеет варианты меньшего размера argus-lite и argus-edge. Репозиторий использует PyTorch и формат safetensors; лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

dut-recipe-generator-i1-GGUF — это набор квантованных GGUF-версий модели dut-recipe-generator, разработанной Ashikan и квантованной mradermacher. Модель предназначена для генерации рецептов и относится к семейству BLOOM; основная задача — текстовая генерация на английском языке, в частности создание описаний рецептов и связанных с ними кулинарных текстов. В репозитории представлены weighted/imatrix-квантизации с размерами файлов примерно от 0,4 до 0,6 ГБ и различными форматами IQ и Q. Доступны варианты с разным компромиссом между размером, скоростью и качеством: наиболее компактные варианты имеют очень низкое качество, тогда как Q4_K_M отмечен как быстрый и рекомендуемый, а Q6_K — как практически эквивалентный статическому Q6_K. Квантованные файлы предназначены для запуска через совместимое с GGUF программное обеспечение. Известно, что модель поддерживает английский язык и работает в текстовой модальности. Сведения о точном размере базовой модели, архитектурных параметрах и длине контекста в README не указаны. Ограничения включают возможное снижение качества из-за сильной квантизации и отсутствие подтверждённых характеристик производительности. Лицензия — bigscience-bloom-rail-1.0.