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

jhoppanne обучил ResNet-101 для классификации изображений пород собак на основе microsoft/resnet-101. Модель предназначена для определения одной из 120 пород на фотографии; она дообучена на датасете Stanford Dogs и использует архитектуру ResNet для классификации изображений. На оценочной выборке модель показала accuracy 0,8758 и loss 0,4469. Эти результаты относятся к указанному в карточке разделению данных на обучающую и тестовую выборки. Модель рассчитана на изображения собак и не предназначена для классификации других объектов. Распространяется по лицензии Apache-2.0.

juancavallotti/roberta-base-culinary — модель на архитектуре BERT, дообученная автором на кулинарном наборе данных. Она предназначена для заполнения пропусков в тексте: по контексту предлагает подходящие слова на месте маски. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель подойдёт для подстановки кулинарных терминов и ингредиентов в замаскированные фрагменты текста, а также для экспериментов с языковыми моделями в кулинарном домене. В README указана оценка loss 1,1032 на тестовой выборке, но сведения о наборе данных, языках и более широких результатах отсутствуют.

roomscan-dav2-metric-large-ft-faro — дообученная на данных ARKitScenes модель Depth Anything V2 Metric-Indoor Large для оценки абсолютной глубины по изображениям помещений. В основе лежит Depth Anything V2 Metric Indoor Large; при дообучении использовались замороженная основа DINOv2 и обучаемые блоки DPT neck и head с функцией потерь SiLog, а целевые значения задавались моделью-учителем faro. Модель предназначена для оценки расстояний до поверхностей и объектов в комнатах по кадрам, в том числе в сценариях сканирования помещений. В README указано, что обучение проводилось на 10 сценах и 3594 кадрах набора train_faro; метрика abs_rel на валидационной части ARKitScenes составила 0,145 против 0,461 у исходной модели. Шесть тестовых сцен не участвовали в обучении, валидации и выборе чекпойнта. Модель принимает изображения и выдаёт карту глубины. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

plantdoctor/swin-tiny-patch4-window7-224-plant-doctor — модель классификации изображений на архитектуре Swin Transformer Tiny, разработанная путём дообучения microsoft/swin-tiny-patch4-window7-224 на наборе данных image_folder. В репозитории указано 33 млн параметров; модель предназначена для отнесения изображений к классам, связанным с растениями и их здоровьем. В README приведены результаты на evaluation set: accuracy 0,9983 и loss 0,0043. Эти значения относятся к указанному набору оценки и сами по себе не гарантируют такую же точность на других изображениях. Модель принимает изображения и выдаёт метки классов. Весы опубликованы в формате PyTorch по лицензии Apache-2.0.

FloraSense — модель классификации изображений растений и другой флоры, разработанная Sisigoks. Это Vision Transformer на базе google/vit-base-patch16-224, дообученный на наборе Planter_GARDEN_EDITION с более чем 10 000 фотографий растений. Модель предназначена для распознавания видов растений в приложениях для ботаники и садоводства, образовательных проектах и проектах по изучению биоразнообразия. По данным карточки, точность на оценочной выборке составляет 35,46%. Модель обучалась 10 эпох; её результаты могут быть полезны для предварительной идентификации, но точность ограничена большим числом близких по виду классов. Лицензия — MIT.

HY-Embodied-0.5 — мультимодальная модель Tencent Robotics X и HY Vision Team для embodied intelligence и систем, взаимодействующих с физическим миром. Эта версия использует архитектуру Mixture-of-Transformers (MoT) и предназначена для зрительного восприятия, пространственно-временного понимания и рассуждений о физических объектах и действиях. Модель рассчитана на интеграцию в конвейеры Vision-Language-Action для робототехники. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README для версии MoT-2B указаны 4 млрд общих параметров и 2,2 млрд активируемых при инференсе; метаданные репозитория указывают 1,8 млрд параметров, поэтому размер следует считать неоднозначным. Заявленное родное окно контекста — 262 144 токена. Карточка характеризует модель как многоязычную, но не перечисляет отдельные языки. Модель ориентирована на тонкое визуальное восприятие, пространственное понимание, embodied-рассуждения, планирование и применение в робототехнических системах; опубликованные в карточке результаты охватывают соответствующие бенчмарки. Практическое применение требует среды Transformers и, для оптимальной скорости, GPU NVIDIA; на CPU работа медленнее. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

meddoc — медицинский ассистент Mittai17 для пользователей в сельских районах Индии. Это мультимодальная модель на основе Google MedGemma 1.5, распространяемая в формате GGUF с квантизацией Q4_K_M; указанный файл модели занимает 3,3 ГБ. Она принимает текстовые вопросы на английском или тамильском, включая Tanglish, и изображения кожи, ран, рентгеновских снимков и лабораторных отчётов. Модель отвечает на языке пользователя и предназначена для практических рекомендаций первой помощи: описывает меры предосторожности, пошаговый домашний уход и признаки, при которых нужно обратиться за профессиональной помощью. В ответах предусмотрены экстренные номера служб Индии. Модель может описывать медицинские изображения и подсказывать дальнейшие действия, но автор подчёркивает, что это не инструмент клинической диагностики. Для медицинских решений и при тревожных симптомах следует обратиться в больницу или к медицинскому специалисту. Модель адаптирована на основе MedGemma 1.5 и распространяется с учётом условий Health AI Developer Foundations; в метаданных лицензия обозначена как other.

Модель roomscan · DA-v2 Metric Large · FT-LiDAR-24 создана проектом roomscan: это Depth Anything V2 Metric-Indoor Large, дообученная на данных LiDAR с 24 комнат, снятых на iPad Pro и включённых в ARKitScenes. Она оценивает метрическую глубину в метрах по одному RGB-изображению помещения; при работе LiDAR не требуется. Модель предназначена для получения глубины с камер без LiDAR и для приблизительной реконструкции помещений в 3D, например слиянием глубин в TSDF. В оценке на невиданных при обучении комнатах авторы сообщают о снижении AbsRel с 0,41 до 0,13 относительно исходной модели; точность всё ещё заметно уступает LiDAR. Модель построена на архитектуре Depth Anything V2 Large и доступна в формате safetensors для Transformers. Она ориентирована на реальные домашние интерьеры, снятые на iPad Pro; README описывает оценку глубины на расстояниях 0,1–5 м. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

SPLASH-3B — мультимодальная языковая модель с тактильным восприятием, разработанная командой SPLASH и основанная на Qwen2.5-VL-3B-Instruct. Она использует обучение с масочной изоляцией для согласования тактильных данных с представлениями модели и предназначена для тактильных рассуждений вместе с сохранением общих возможностей работы с изображениями и текстом. Модель подходит для диалоговых сценариев, где нужно анализировать тактильные входы и сопоставлять их с визуальной информацией. В README не приведены сведения о лицензии и длине контекста; метаданные указывают архитектуру Qwen2.5-VL, библиотеку Transformers и формат safetensors.

Модель dima806/cat_breed_image_detection — дообученный Vision Transformer ViT-Base для классификации изображений кошек по породам. Она выбирает породу из списка 48 распространённых пород и, согласно README, достигает примерно 77% точности. Модель предназначена для распознавания породы кошки по изображению. Её можно использовать для классификации фотографий кошек в приложениях и каталогах. В основе лежит google/vit-base-patch16-224-in21k; модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Указанная точность около 77% ограничивает надёжность предсказаний; результат может зависеть от качества и содержания изображения.

OpenmindAGI FunctionGemma Robot Actions — дообученная мультиязычная текстовая модель на базе Google FunctionGemma 270M. Она преобразует запросы на естественном языке в структурированные вызовы функций для управления действиями робота и отображения эмоций. Карточка описывает набор жестов и эмоциональных анимаций; заявлены поддержка шести языков, точность 98% и задержка около 59 мс на NVIDIA Jetson AGX Thor. Модель построена на плотной архитектуре Gemma 3 Text, содержит 257 млн параметров и рассчитана на контекст до 32 768 токенов. Для ограниченного декодирования авторы заявляют два прохода модели вместо 33 авторегрессионных шагов и ускорение примерно в 18 раз относительно стандартного model.generate(). Модель подходит для локальных робототехнических агентов, которым нужно интерпретировать команды на нескольких языках и выдавать вызовы действий в заданной структуре. Модель распространяется под лицензией Apache-2.0. Заявленные точность и задержка приведены авторами карточки; README не раскрывает полный список поддерживаемых действий и эмоций и не описывает условия или методику измерения точности.

Модель marwaALzaabi/plant-disease-detection-vit — дообученный классификатор изображений на основе ViT-Large с патчами 16×16, предобученного на ImageNet-21k. Она предназначена для классификации изображений растений по состоянию здоровья и обнаружения болезней растений. В README указаны точность 1,0 и потеря 0,0002 на оценочном наборе, однако датасет обозначен как None, поэтому эти результаты не позволяют оценить обобщающую способность модели. Модель содержит около 402,7 млн параметров, использует библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0. Оценка принимает изображение и возвращает метку класса; конкретные классы болезней, условия съёмки и границы применимости не описаны.

Ling 3.0 Flash Sante — модель InclusionAI для задач в области здравоохранения и медицины, созданная на базе Ling 3.0 Flash. Это архитектура mixture-of-experts с 124 млрд общих параметров, из которых для обработки запроса активны 5,1 млрд. Модель предназначена для генерации текста в медицинских сценариях. Доступный фрагмент README не раскрывает конкретные медицинские задачи, поддерживаемые языки, длину контекста и условия использования, поэтому эти характеристики нельзя уточнить.

Модель dima806/mushrooms_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений грибов. Она принимает изображение и определяет тип гриба. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель разработана на основе google/vit-base-patch16-224-in21k и предназначена для распознавания грибов по фотографиям. Лицензия — Apache-2.0.

ashutosh-kedar/rt-detr-v2-finetuned — дообученная модель обнаружения объектов, созданная на основе PekingU/rtdetr_v2_r50vd и предназначенная для поиска объектов на изображениях. Она использует архитектуру RT-DETRv2 и распространяется в формате safetensors через библиотеку Transformers. В README приведены метрики оценки: mAP 0,43 и mAP@50 0,6. Среди названий классов и показателей упомянуты Bin, Hand, Trash и Trash Arm; по этим результатам нельзя надёжно установить полный состав классов или область применения модели. Набор данных в карточке назван неизвестным. Модель принимает изображения и выдаёт обнаружения объектов с метками классов и координатами. Лицензия — Apache-2.0; качество на других наборах данных и ограничения применения в карточке не описаны.

Модель kweer/rtdetr_v2_r50vd_finetuned — дообученная версия PekingU/rtdetr_v2_r50vd для обнаружения объектов на изображениях. Она использует архитектуру RT-DETRv2 и предназначена для локализации объектов в сценариях компьютерного зрения. В README приведены метрики оценки, включая mAP 0,4061 и показатели для классов Bin, Hand и Trash, однако назначение набора данных и смысл классов не раскрыты. Репозиторий содержит веса Safetensors и использует лицензию Apache-2.0.

RynnBrain-Nav-8B — модель Alibaba DAMO Academy для навигации и планирования действий робота по визуальным наблюдениям и языковым инструкциям. Она основана на RynnBrain-8B и использует архитектуру Qwen3-VL с генерацией текста по изображениям; семейство RynnBrain предназначено для понимания эгоцентрических сцен и привязки языка к физическому пространству и времени. Модель подходит для навигации и планирования маршрута по визуальным данным, включая распознавание целевых объектов и областей. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

ACE-Brain-0-8B — мультимодальная модель зрения и языка, разработанная ACE Robotics для задач воплощённого интеллекта. Она основана на архитектуре Qwen3-VL и дообучена на базе ACE-Brain/ACE-Brain-0-8B; репозиторий содержит веса в формате safetensors. Модель принимает изображения и текстовые запросы и предназначена для интерпретации сцен, пространственных рассуждений и поддержки решений в физических средах. Основные сценарии включают пространственное познание, понимание дорожных ситуаций для автономного вождения, анализ данных низковысотного зондирования и взаимодействие с физическими агентами. В README заявлены оценки на 24 бенчмарках и сильные результаты в понимании среды, рассуждении о движении и планировании с учётом сцены. Подтверждённые в карточке входы и выходы относятся к формату image-text-to-text; конкретные языки и длина контекста не приведены. Лицензия — MIT.

Anima Light v12 — компактная диалоговая модель примерно на 1 млрд параметров, созданная разработчиком AI-Diary на основе Gemma 3 1B-it с помощью LoRA-дообучения и выпущенная в формате GGUF. Версия v12 предназначена для приватного ведения дневника и ответов с учётом истории беседы и сохранённых фактов; модель рассчитана на запуск непосредственно на телефоне, в том числе устройствах с 4 ГБ памяти. Файл Q4_0 занимает около 0,72 ГБ и ориентирован на быструю работу на Arm. Репозиторий также содержит более ранние и исследовательские варианты; официальной рабочей версией автор называет v12. Модель поддерживает диалоговую генерацию текста на испанском и английском языках. В собственных, нестандартных тестах разработчика v12 показала результаты, близкие к базовой модели по фактам и использованию сведений из предыдущего контекста, но склонность выдумывать ответы сохраняется. По оценке автора, модель менее полезна при запросах о помощи, испанский язык бывает неровным, а под давлением модель может соглашаться с ложными утверждениями. Разработчик отдельно указывает, что модель не предназначена для замены психотерапевта. Лицензия — Gemma.

Papuguinho/gemmuguinho-636m-GGUF — набор квантованных GGUF-сборок модели aac-board-generator-moe-636m-ptbr, разработанной Stekel, Tardelli R. C. для проекта Papuguinho. Это модель Mixture-of-Experts для генерации и редактирования досок с пиктограммами альтернативной и дополнительной коммуникации (AAC) на бразильском португальском языке. Она ориентирована на ассистивные технологии, доступность и локальную работу на устройствах без обязательного подключения к облачным сервисам. Модель содержит около 636 млн общих параметров; число активных параметров зависит от конфигурации маршрутизации: примерно 141 млн при k=1, 212 млн при k=2 и 283 млн при k=3. Представлены варианты от Q4_K_M до Q8_0 и f16 размером примерно от 460 МБ до 1,2 ГБ. Сборки запускаются через llama.cpp на CPU, однако требуется версия с поддержкой нестандартной архитектуры gemma3moe. Указанная скорость достигает примерно 210 токенов в секунду для k=1 и 90–130 токенов в секунду для k=2 на Apple Silicon CPU/Metal. Сильные стороны модели — специализация на создании и изменении AAC-досок, поддержка компактного DSL для команд редактирования и приемлемое качество даже в варианте Q4_K_M; для лучшего качества рекомендуется k=2 с Q8_0. Ограничения включают специализацию преимущественно на бразильском португальском, зависимость от совместимой сборки llama.cpp и отсутствие в README подробных сведений об обучении, оценке и ограничениях базовой модели. Данные обучения полностью синтетические. Используется лицензия Gemma.

Llama-3.2-SARA-3b — дообученная EryriLabs разговорная языковая модель на базе unsloth/Llama-3.2-3B-bnb-4bit. Она предназначена для кратких ответов на вопросы по основам кибербезопасности и для доступных рекомендаций по цифровой безопасности на английском языке. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Разработчик позиционирует её как лёгкого офлайн-помощника для устройств с ограниченными ресурсами. Модель подходит для объяснения базовых практик, например создания надёжных паролей и включения двухэтапной проверки. Она не рассчитана на профессиональные консультации, сложные технические инциденты или подробные ответы за пределами основ кибербезопасности. По README, лицензия — llama3.2.

Модель dima806/oxford_flowers_image_detection — дообученный классификатор изображений на базе Vision Transformer ViT-Base/16. По изображению она определяет тип цветка. Модель содержит 113,2 млн параметров и опубликована в форматах PyTorch и Safetensors. Модель предназначена для распознавания типов цветов на изображениях. Она лицензирована по Apache-2.0. Карточка не уточняет список классов и языковые характеристики; текстовый ввод для работы не требуется.

malifiahm/plant_disease_classification — модель классификации изображений растений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она содержит 113,2 млн параметров и предназначена для отнесения изображений к классам заболеваний растений. Модель подходит для распознавания болезней по фотографиям растений, например как компонент приложения для первичной сортировки снимков. На указанном в карточке наборе оценки достигла точности 0,9915 и потери 0,0323; состав набора данных и перечень классов не раскрыты. Веса доступны в формате Safetensors по лицензии Apache-2.0.

PlantDiseaseDetectorVit2 — модель классификации изображений растений, созданная дообучением google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViTForImageClassification) с 113,2 млн параметров и предназначена для определения заболеваний растений по изображениям. Модель подойдёт для первичной сортировки фотографий листьев и других растительных тканей по классам болезней. В карточке указаны результаты на оценочной выборке: accuracy 0,9959 и loss 0,1892. Состав классов, набор данных и условия оценки подробнее не описаны, поэтому эти метрики не показывают, насколько хорошо модель переносится на фотографии из других источников. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Qwen3.5-9B-medadapt — доменно адаптированная медицинская модель на базе Qwen/Qwen3.5-9B, опубликованная jmajkutewicz. Она прошла дополнительное обучение на польских медицинских текстах, затем дообучение на медицинских инструкциях на польском и английском языках. Модель предназначена для диалога и генерации ответов по медицинским запросам. В метаданных указана архитектура Qwen3.5 плотного типа и библиотека Transformers; исходная модель — мультимодальная, с поддержкой анализа изображений, однако для этого чекпойнта подтверждена задача text-generation. Шаблон чата поддерживает режимы с рассуждением и без него. Данные не сообщают размер контекста или лицензию, поэтому эти характеристики не приводятся.

SpatialLM-Llama-1B — дообученная модель SpatialLM на базе meta-llama/Llama-3.2-1B-Instruct, разработанная командой SpatialLM для понимания 3D-сцен. Она принимает подготовленные облака точек и генерирует структурированное описание сцены: элементы планировки, включая стены, двери и окна, а также ориентированные 3D-рамки объектов с семантическими категориями. Источниками облаков точек могут быть монокулярное видео, RGBD-изображения и LiDAR. Модель предназначена для анализа 3D-сцен в робототехнике, автономной навигации и задачах реконструкции планировки. В репозитории указано, что входное облако точек должно быть выровнено по осям, а ось z должна указывать вверх. Версия на 1,2 млрд параметров использует архитектуру SpatialLMLlamaForCausalLM; метаданные указывают контекст до 131 072 токенов и формат safetensors. Для оценки авторы предоставляют тестовый набор из 107 облаков точек, реконструированных из RGB-видео; в README отмечены шум и окклюзии в таких данных. Лицензия — Llama 3.2.

CURE-MED-14B-i1-GGUF — это набор квантованных GGUF-версий модели CURE-MED-14B, разработанной Aikyam-Lab и квантованной mradermacher. Модель ориентирована на генерацию текста, рассуждения и медицинские AI-сценарии, включая задачи в сфере здравоохранения. Для оценки указано использование набора данных CUREMED-BENCH. Модель имеет размер 14 млрд параметров в исходной версии. Доступны варианты квантования i1-IQ и i1-Q с объёмом файлов примерно от 3,7 до 12,2 ГБ; варианты различаются компромиссом между размером, скоростью и качеством. В README заявлена мультиязычность для амхарского, бенгальского, французского, хауса, хинди, японского, корейского, испанского, суахили, тайского, турецкого, вьетнамского и йоруба. Архитектура, поддержка других модальностей и размер контекста не указаны. Сильными сторонами являются специализация на медицинской тематике, поддержка нескольких языков и возможность локального запуска через GGUF при выборе подходящего уровня квантования. Ограничения включают возможное снижение качества у наиболее компактных вариантов, а также отсутствие в README подробных результатов тестирования, описания архитектуры и рекомендаций по безопасному применению медицинских ответов. Модель распространяется по лицензии Apache-2.0.

Dewa/dog_emotion_v2 — модель компьютерного зрения для классификации эмоций собаки по изображению. Разработчик дообучил её на наборе kaggle-dog-emotion-dataset; архитектура ViTForImageClassification, около 113,2 млн параметров. Модель относит изображение к одному из четырёх классов: грусть, радость, злость или спокойствие. Модель предназначена для классификации фотографий собак и может использоваться в демонстрационных приложениях, которые определяют предполагаемую эмоцию питомца. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в доступных сведениях не указана.

KoolCogVideoX-5b — модель генерации видео из текста, дообученная на базе CogVideoX-5B для сценариев дизайна интерьеров. Она предназначена для создания коротких видеосцен помещений по текстовому описанию, например гостиных, спален и кухонь с заданной мебелью, отделкой, освещением и стилем. Модель использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Примеры в карточке охватывают современные интерьеры с минималистичной эстетикой и нейтральной цветовой гаммой. Модель унаследована от CogVideoX-5B; размер и длина контекста в предоставленных данных не указаны. Лицензия не приведена в доступных источниках.

surgeonwz/plant-village — модель классификации изображений, дообученная на базе Swin-Tiny от Microsoft. Она предназначена для распознавания категорий на изображениях из набора Plant Village. В архитектуре используется Swin Transformer; модель содержит 33 млн параметров и сохранена в формате PyTorch. На указанной в карточке оценочной выборке модель достигла точности 0,9859 при значении функции потерь 0,0511. Эти результаты относятся только к данной выборке и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.