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

Это квантованная в формате GGUF F16 версия модели nvidia/Cosmos-Reason2-8B, опубликованная пользователем DevQuasar. Базовая модель разработана NVIDIA и предназначена для визуального рассуждения, анализа видео и планирования действий в робототехнике и физическом ИИ. Модель поддерживает диалоговый режим и работу с изображениями, принимая визуальные данные и текстовые запросы и формируя текстовые ответы. Репозиторий указывает задачу image-text-to-text и связь с базовой моделью как дообучение. Сведений о лицензии в доступных данных нет.

Perceptron Mk1.5 — модель восприятия Perceptron, предназначенная для физических агентов. Она принимает текст, изображения, видео и аудио и отвечает текстом, при необходимости добавляя структурированные аннотации: точки, рамки, полигоны и клипы. Это позволяет использовать модель для анализа мультимодальных входных данных и передачи результатов в структурированном виде.

manfye/baby-cry-detector — компактная сверточная нейросеть CNN версии 0.2 для бинарной классификации аудио на плач младенца и другие звуки. Модель опубликована в формате ONNX и рассчитана на запуск через ONNX Runtime, в том числе в локальном веб-демо на Next.js. На вход подаётся монофонический звук с частотой 16 кГц. Он обрабатывается окнами длительностью 3,072 секунды с шагом 1,536 секунды для длинных записей; короткие фрагменты дополняются нулями. Перед классификацией применяется фильтр тишины и широкополосного шума, а также нормализация громкости. Метаданные фронтенда log-mel и статистики обучения сохранены отдельно. В документации приведены результаты на нескольких наборах данных, но автор уточняет, что это оценки на уровне наборов данных, а не независимая проверка в реальных условиях. Модель предназначена только для экспериментов и не подходит для диагностики, контроля безопасности или принятия решений о необходимости медицинской помощи младенцу. Лицензия — CC BY-SA 4.0.

udit74j разработал дообученную мультимодальную модель SmolVLM2-500M для извлечения информации о продуктах питания из изображений. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель основана на HuggingFaceTB/SmolVLM2-500M-Video-Instruct и дообучена с помощью TRL. В каталоге указаны архитектура SmolVLM, плотная модель, поддержка диалога и формат safetensors. Модель предназначена для визуального анализа еды и ответов на вопросы по изображениям продуктов или блюд. В README приведён пример для text-generation, однако он не демонстрирует работу модели с изображениями и содержит заглушку в идентификаторе модели, поэтому практические сценарии подтверждаются главным образом названием и назначением базовой модели. Лицензия в предоставленных данных не указана.

Dhahlan2000/freshness_detector_updated — классификатор изображений, созданный с помощью HuggingPics. Модель на архитектуре Vision Transformer (ViT) содержит 113,2 млн параметров и предназначена для классификации изображений по признакам свежести; точные классы в карточке не перечислены. Модель подойдёт для экспериментов с автоматической оценкой свежести продуктов по изображениям. В репозитории указаны веса в формате Safetensors. Лицензия и подробности о языках, контексте и условиях применения в предоставленных данных не описаны.

Модель jaime168/hf_cat_breed_classifier-vit-base-patch16-224 — дообученный Google Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224×224 для классификации изображений пород кошек. Она принимает изображение и предсказывает класс породы. В README указана точность 0,8901 и loss 0,3879 на оценочном наборе; описание набора данных и ограничений в карточке не приведено. Модель использует библиотеку Transformers, веса сохранены в формате safetensors, лицензия — Apache-2.0.

Sumeetgpt разработал классификатор SetFit для автоматической категоризации описаний индийских банковских и карточных операций. Модель находит одну из 21 категорий личных финансов, включая продукты и питание, коммунальные платежи, поездки, зарплату, переводы между собственными счетами, платежи по кредитам и другие доходы или расходы. Она обрабатывает как банковские записи в форматах UPI, NEFT, IMPS, ACH и POS, так и обычные текстовые описания операций. В основе — дообученный энкодер предложений sentence-transformers/all-MiniLM-L6-v2 с классификационной головой LogisticRegression; модель содержит 25,9 млн параметров и использует библиотеку SetFit. Контекст — до 512 токенов. Обучение проводилось на 970 синтетических примерах без реальных пользовательских транзакций; автор сообщает точность 94,6% на отложенном синтетическом наборе и 90% на небольшом наборе вручную составленных описаний. Модель предназначена для локального учета личных финансов и выпущена под лицензией MIT. Оценки не подтверждены на реальных банковских выписках, поэтому результаты на практических данных могут отличаться. Некоторые зачисления, например проценты, дивиденды и кэшбэк, могут быть неоднозначны; для новых версий также следует учитывать, что появились три дополнительных класса.

interiordesignsuperm — модель Stable Diffusion от StableDiffusionAPI, предназначенная для генерации изображений по текстовому описанию. В карточке приведён пример API-запроса с настройками генерации и примером фотореалистичного промпта; название модели указывает на применение в дизайне интерьеров, однако подробности о специализированных возможностях в README не описаны. Модель доступна в формате Diffusers/PyTorch и опубликована под лицензией CreativeML OpenRAIL-M. Для работы через описанный API нужен ключ ModelsLab.

Minc-Materials-23 — модель классификации изображений материалов, разработанная PrithivMLmods на основе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification. Она относит изображение к одному из 23 классов, включая кирпич, ткань, стекло, кожу, металл, камень, пластик, воду и дерево. Модель предназначена для распознавания материалов на фотографиях в задачах строительства и архитектуры, розничной торговли и учёта товаров, робототехники, экологического мониторинга, обучения и исследований. Использует визуальные признаки изображения; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Лицензия — Apache-2.0. Классификация ограничена заданными 23 категориями, поэтому неизвестные или неоднозначные материалы могут получать общий класс «other» либо ошибочную метку; качество для конкретных сценариев README не характеризует.

juppy44 разработал модель классификации изображений растений на основе Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель содержит около 97,2 млн параметров и дообучена сквозным образом на 2 млн изображений растений из GBIF и iNaturalist; классы соответствуют примерно 14 тысячам видов по таксономии GBIF. Модель предназначена для определения вида растения по одной фотографии и может применяться в экологических обследованиях, садоводстве, восстановлении экосистем, полевых исследованиях, мониторинге биоразнообразия и системах разметки изображений. Она принимает изображение и выдаёт класс вида. Доступна по лицензии Apache-2.0. Точность зависит от качества снимка и сходства видов. Некоторые растения невозможно надёжно различить только по изображению, без сведений о местоположении или репродуктивных признаках. Данные о местоположении модель не использует; опубликованной фиксированной метрики качества нет.

umutbozdag/plant-identity — классификатор изображений на базе Vision Transformer (ViT) с 113,2 млн параметров. Репозиторий создан с помощью HuggingPics; карточка описывает его как классификатор изображений, обученный для распознавания растений по фотографиям. Модель принимает изображения и выдаёт класс изображения. Подходит для определения растений на снимках. Файлы модели представлены в формате safetensors и связаны с библиотекой Transformers. Карточка не сообщает список распознаваемых видов, метрики качества или лицензию.

lazyturtl/roomclassifier — классификатор изображений на базе Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для классификации изображений комнат; README описывает её как пользовательский классификатор изображений, созданный через демонстрацию в Google Colab. В основе используется архитектура ViTForImageClassification, число параметров — около 113,2 млн. Модель подходит для автоматического отнесения фотографий комнат к классам, на которых она обучена. Репозиторий содержит веса PyTorch. Данные не описывают набор классов, обучающую выборку или качество классификации; лицензия также не указана.

Trash-Net — модель классификации изображений отходов, разработанная на основе Google SigLIP 2 и дообученная на наборе данных garythung/trashnet. Она использует архитектуру SiglipForImageClassification и присваивает изображению одну из шести меток: картон, стекло, металл, бумага, пластик или прочий мусор. Модель предназначена для сортировки отходов и может применяться в системах переработки, мониторинге общественных пространств, образовательных проектах и умных городских системах. Она принимает изображения и выдаёт категорию отхода; для работы доступна библиотека Transformers. Модель распространяется по лицензии Apache-2.0.

Модель akahana/vit-base-cats-vs-dogs — версия Vision Transformer, дообученная на наборе данных cats_vs_dogs для классификации изображений кошек и собак. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и опубликована в форматах PyTorch и safetensors. На указанной в карточке оценочной выборке достигла точности 98,83% при значении функции потерь 0,0369. Модель подходит для определения, изображена ли на фотографии кошка или собака, например, при сортировке изображений или создании простого демонстрационного классификатора. Лицензия — Apache-2.0. Карточка не описывает другие классы, условия оценки или ограничения за пределами задачи классификации кошек и собак.

VLESA-Qwen3-VL-2B-Safety-Filter — модель Hanjiang Hu и соавторов, созданная для проекта VLESA по мониторингу безопасности действий человека. Это дообученная методом GRPO мультимодальная модель Qwen3-VL-2B с архитектурой Qwen3VLForConditionalGeneration; веса представлены в формате safetensors, лицензия — Apache-2.0. Модель анализирует кадры эгоцентрического видео, соответствующие моментам до действия, точке невозврата и после действия, классифицирует действие как безопасное или небезопасное и формулирует объяснение на естественном языке. Она предназначена для фильтрации действий и мониторинга человеческой активности в составе конвейера VLESA. Модель принимает визуальные данные и текстовый запрос, а выдаёт текстовую метку с обоснованием. Карточка указывает английский язык. Это специализированный контрольный пункт для оценки безопасности действий; классификация может ошибаться, поэтому результаты не следует считать гарантией безопасности.

Модель wesleyacheng/dog-breeds-multiclass-image-classification-with-vit — дообученный Vision Transformer ViT-Base от Google, созданный автором на основе ноутбука Kaggle. Она классифицирует изображения собак по 120 породам из набора Stanford Dogs. Архитектура разбивает изображение на патчи 16×16 и обрабатывает их механизмом self-attention; исходная модель предварительно обучена на ImageNet-21k с разрешением 224×224. Размер модели — 113,2 млн параметров. Модель предназначена для определения породы собаки на фотографии, если порода входит в обучающий набор. В описанной оценке достигнуты точность top-1 84,0% и macro F1 83,0%; top-3 точность составила 97,1%, top-5 — 98,7%. Модель не предназначена для классификации других животных или пород, отсутствующих среди 120 классов. Репозиторий распространяется по лицензии MIT.

RecipeBERT — дообученная модель семейства BERT, созданная на основе bert-base-uncased для работы с текстами о еде и рецептах. Она обучена на 1 029 720 записях датасета Recipe1M+, содержащих названия блюд, ингредиенты и рецепты; 10% данных использовались для оценки. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. Основное назначение по pipeline_tag — заполнение пропусков в тексте (fill-mask). Полученные представления текста о блюдах и ингредиентах можно применять в последующих задачах пищевой тематики. На оценочной выборке указано значение loss 0,6230. Лицензия — Apache-2.0.

varcoder/segformer-b4-crack-segmentation-dataset — модель семантической сегментации изображений на архитектуре SegFormer, дообученная на основе nvidia/mit-b0 для выделения трещин. Она предназначена для получения пиксельной маски трещин на изображениях; в README приведены результаты на оценочном наборе: mean IoU 0,3346 и mean accuracy 0,6691. Модель использует Transformers и веса PyTorch. Лицензия указана как other, поэтому условия её использования следует уточнить в репозитории.

SmolLM2-360M AAC — компактная языковая модель для альтернативной и дополнительной коммуникации (AAC), созданная Prism AAC на основе HuggingFaceTB/SmolLM2-360M-Instruct. Модель дообучена методом LoRA ранга 32 на клиническом корпусе AAC и распространяется в квантизованном формате GGUF Q3_K_S; размер составляет около 207 МБ. Она предназначена для локального запуска через llama.cpp на Apple Watch и других устройствах Apple Silicon с ограниченными ресурсами. Модель преобразует последовательности AAC-символов в естественные фразы, помогает выражать потребности и экстренные ситуации, уточняет ответы «да/нет», предсказывает продолжение последовательности символов и поддерживает многоходовой диалог. Также она может классифицировать коммуникативное намерение, подбирать лексику по возрасту и переформулировать клинические выражения. В README приведена оценка 300/300 на внутреннем наборе из 300 клинических случаев; этот результат сам по себе не гарантирует качество в других сценариях. Модель оптимизирована для английской AAC-коммуникации, а неоднозначные жесты могут классифицироваться неверно, особенно при Q3_K_S. Она предназначена для помощи и не заменяет специалиста по AAC. Лицензия — Apache-2.0.

SpatialAxiom-35B-A3B — мультимодальная модель пространственного мышления, разработанная авторами SpatialAxiom на основе Qwen3.5 VLM. Она предназначена для анализа изображений и видео и решения задач пространственного рассуждения: вывода 3D-отношений, понимания перспективы, сопоставления объектов между ракурсами и интерпретации видео от первого лица и с нескольких камер. Модель использует архитектуру Qwen3.5 с визуальным энкодером и смесью экспертов: всего 35 млрд параметров, из которых активны около 3 млрд. Нативный контекст составляет 262 144 токена с возможностью расширения до 1 010 000. Обучение выполнено полным дообучением SFT на пространственных данных; модель рассчитана на прямые ответы без режима thinking. Она показывает сильные результаты на пространственных бенчмарках и совместима с Transformers и vLLM. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Модель 0xb1/wav2vec2-base-finetuned-speech_commands-v0.02 — дообученная на наборе Speech Commands модель facebook/wav2vec2-base для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. На оценочной выборке автор сообщает точность 0,9759 и значение функции потерь 0,1170. Модель предназначена для распознавания классов коротких речевых аудиозаписей из задачи Speech Commands. Доступны веса PyTorch; модель опубликована по лицензии Apache-2.0. Карточка не уточняет перечень классов и языки аудиозаписей, поэтому их нельзя определить по имеющимся сведениям.

AnimalMind Breed Classifier — модель компьютерного зрения, разработанная для экосистемы Pawra и дообученная для распознавания пород собак. Она принимает изображение и относит собаку к одному из классов, представленных в датасете Stanford Dogs. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. В карточке указаны точность 91,40%, ECE 2,69% и температура калибровки 1,7221. Модель подходит для определения породы собаки по фотографии в приложении или другом сценарии классификации изображений. Распространяется по лицензии MIT.

Модель asamol/garbage_types_image_detection предназначена для классификации изображений по типу мусора. Она дообучена на базе Vision Transformer google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. По карточке модели, точность распознавания составляет около 93%. Модель принимает изображение и выдаёт класс типа мусора; репозиторий содержит веса в формате safetensors. Модель может использоваться для сортировки мусора по фотографиям и для прототипов систем компьютерного зрения в сфере переработки отходов. Лицензия — Apache-2.0. Сведения о наборе классов, данных обучения и условиях измерения заявленной точности в карточке не приведены.

Модель MaxPowerUnlimited/vit-base-oxford-iiit-pets — дообученная на датасете Oxford-IIIT Pets модель Vision Transformer от Google для классификации изображений. Она использует архитектуру ViT, разбивающую изображение на патчи, и содержит 113,2 млн параметров. Модель различает 37 пород кошек и собак. Модель предназначена для определения породы питомца на фотографии, а также может служить базой для дообучения на других наборах изображений животных и для сравнительных экспериментов. На валидационной выборке Oxford-IIIT Pets указана точность 94,59% и значение функции потерь 0,2648. На изображениях за пределами тематики домашних животных качество может снижаться; модель не оптимизирована для мобильных устройств и периферийных вычислений. Базовая модель — google/vit-base-patch16-224. Веса представлены в формате Safetensors; лицензия — Apache-2.0.

Depth Anything V2 Metric Indoor Base — модель оценки метрической глубины изображений для внутренних помещений, разработанная авторами Depth Anything V2 и дообученная на синтетическом наборе Hypersim. Она предназначена для получения карты глубины с абсолютными оценками расстояния по изображению комнаты или другого внутреннего пространства; поддерживает сценарии компьютерного зрения, где важна геометрия сцены, а не только относительный порядок глубин. Модель использует архитектуру DPT с backbone DINOv2 и содержит около 97,5 млн параметров. Это версия семейства Depth Anything V2, обученного на синтетических размеченных изображениях и реальных неразмеченных изображениях; данный чекпойнт настроен для метрической оценки глубины в помещениях. Он совместим с библиотекой Transformers и распространяется в формате safetensors. В README не приведены ограничения точности или условия лицензии для этого чекпойнта, поэтому их нельзя уточнить по имеющимся данным. Качество метрических оценок может зависеть от соответствия входной сцены обучающим данным Hypersim; применение ориентировано на интерьеры, а не на уличные сцены.

jackleejm разработал модель на основе distilbert-base-cased, дообучив её для распознавания именованных сущностей в строках с описанием лекарств. Она выделяет пять типов сущностей: DRUG (препарат), DOSAGE (дозировка), ROUTE (способ введения), BRAND (торговая марка) и QUANTITY (количество). Модель рассчитана на разбор записей вроде «Ibuprofen 100 MG Oral Tablet» и составных описаний препаратов. Модель использует архитектуру DistilBERT для классификации токенов и принимает текст. В README указаны точность 0,998, полнота 0,983 и F1 0,991 на ограниченных вручную размеченных наборах из 309 обучающих и 335 оценочных примеров. Контекст составляет 512 токенов. Модель выпущена под лицензией MIT.

bau0221/ptz_embedding — дообученная модель Sentence Transformers на базе sentence-transformers/multi-qa-MiniLM-L6-cos-v1, предназначенная для сопоставления текстовых запросов и описаний команд управления PTZ-камерами. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Архитектура основана на BERT с усреднением токенных представлений и нормализацией; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и подбора похожих формулировок команд, например для поиска нужной команды по свободному запросу. README также перечисляет общие сценарии эмбеддингов: поиск сходства, поиск перефразировок, классификацию и кластеризацию текстов. Обучение описано на наборе из 710 пар запросов с положительными и отрицательными примерами, относящихся к управлению камерами. Модель принимает и выдаёт текстовые представления; её обучающие примеры написаны на английском языке. Это специализированная донастройка небольшой модели на 25,9 млн параметров. Карточка не указывает отдельную лицензию, поэтому условия использования следует проверять в репозитории и у базовой модели; по имеющимся данным лицензионные условия установить нельзя.

Это модель классификации изображений на базе ResNet-18, дообученная автором репозитория на датасете lewtun/dog_food. Она предназначена для распознавания категорий собачьего корма по изображению; на наборе оценки указаны loss 0,2991 и accuracy 0,896. Модель использует архитектуру ResNet и веса в формате PyTorch. Лицензия — Apache-2.0.

roomscan-dav2-metric-large-ft-lidar — дообученная на данных ARKitScenes модель Depth Anything V2 Metric-Indoor Large для оценки метрической глубины по изображениям помещений. По карточке, при обучении использовались замороженная основа DINOv2, шея и голова DPT, а функция потерь SiLog применялась к целевым оценкам глубины от LiDAR-модели. Обучающая выборка train_faro включала 10 сцен и 8656 кадров. На проверочной части ARKitScenes модель достигла abs_rel 0,142; для исходного чекпойнта в карточке приведено значение 0,461. Шесть тестовых сцен не использовались при обучении, проверке или выборе чекпойнта. Модель принимает изображения и выдаёт карты глубины; её назначение — анализ помещений и сканирование комнат. Данных о лицензии, размере и длине контекста в предоставленных источниках нет.

Модель dima806/skin_types_image_detection разработана на основе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации типов кожи по фотографии лица. Она относит изображение к одному из трёх классов: сухая, нормальная или жирная кожа; архитектура ViTForImageClassification содержит 113,2 млн параметров. Модель предназначена для автоматической предварительной оценки типа кожи по портретному изображению, например, как часть приложения или сервиса по уходу за кожей. В отчёте на 1529 примерах указана точность 65,34%; качество различается между классами, поэтому результат следует считать ориентировочным. Модель принимает изображения и выдаёт метку класса. Репозиторий распространяется по лицензии Apache-2.0. В README не приведены сведения о происхождении и репрезентативности данных, поэтому точность на других типах изображений и условиях съёмки может отличаться.