IV.6Научные исследования, математика и новые материалы

CAD-Recode — дообученная модель на базе Qwen2-1.5B, предназначенная для восстановления 3D CAD-моделей по облакам точек. Она принимает геометрию в виде облака точек и генерирует Python-код, описывающий CAD-модель; архитектура включает Qwen2-1.5B и один дополнительный линейный слой. Модель содержит 1,5 млрд параметров, использует формат safetensors и имеет нативный контекст длиной 131 072 токена. Модель предназначена для преобразования 3D-сканов или облаков точек в программное описание CAD-геометрии и может использоваться в исследовательских и экспериментальных рабочих процессах обратного проектирования. Базовая модель — Qwen/Qwen2-1.5B; язык генерируемого кода и поддерживаемые языки README не уточняет. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

ChronoGrid FusionNet — специализированная модель для классификации повреждений линий электропередачи в тестовой системе IEEE 9-Bus (WSCC). Она принимает временные электрические сигналы, представленные в виде тепловых карт преобразования S-Transform размером 227×227, и различает 11 условий повреждения. Архитектура объединяет 1D CNN для извлечения частотно-временных искажений, двунаправленную LSTM для анализа динамики переходного процесса и механизм self-attention для выделения важных моментов отключения повреждения. Модель предназначена для анализа энергосистем и академического сравнения методов обнаружения повреждений. В обучающих данных использовались синтетические сигналы, созданные в Simulink для WSCC 9-Bus с различными местами и моментами возникновения повреждений и уровнями нагрузки. Репозиторий предоставляет веса в формате safetensors; для загрузки пользовательской архитектуры PyTorch требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

ESM-2 Sequence Classifier — классификатор белковых последовательностей на базе facebook/esm2_t6_8M_UR50D, опубликованный AmelieSchreiber. Модель содержит 9,8 млн параметров, использует архитектуру ESM и принимает белковые последовательности; заявленная длина контекста — 1026 токенов. Классификатор относит последовательности к одному из трёх классов: ферменты, рецепторные белки и структурные белки. Он обучен на синтетических данных, созданных GPT-4, и подходит для экспериментов и учебных задач. README предупреждает, что модель недостаточно протестирована, поэтому её предсказания требуют проверки. Модель распространяется по лицензии MIT. Метаданные указывают задачи text-classification и zero-shot-classification; для практического поиска и классификации белковых последовательностей основная задача — text-classification.

GorillaWatch-DINOv2-Small — модель извлечения признаков для повторной идентификации горилл в естественных условиях, созданная авторами системы GorillaWatch. Она основана на небольшом визуальном трансформере DINOv2 (`vit_small_patch14_dinov2.lvd142m`), дообученном на Gorilla-SPAC-Wild с hard-mining triplet loss. На вход подаётся изображение размером 518×518, на выходе — эмбеддинг размерности 256; для распознавания эмбеддинги сопоставляют методом k-NN с галереей, поэтому модель не ограничена фиксированным набором идентификаторов и рассчитана на поиск ранее не встречавшихся особей. Модель предназначена для повторной идентификации горилл между разными встречами и камерами, а также для мониторинга популяции по фотоловушкам и видеозаписям. В README приведены результаты на Gorilla-SPAC-Wild и zero-shot перенос на Gorilla-Zoo-Berlin. Для корректной работы требуется квадратное изменение размера до 518×518 и нормализация со средним и стандартным отклонением 0,5 по каждому каналу; стандартное преобразование DINOv2 из timm даёт некорректные эмбеддинги. Веса распространяются в формате safetensors и имеют лицензию CC BY 4.0.

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

NCS-v1-2.5d-base — базовая модель для извлечения признаков из сейсмических данных, разработанная Норвежским вычислительным центром (NR) совместно с Equinor ASA и AkerBP ASA. Она предназначена для анализа сейсмических объёмов и подготовки представлений для последующей настройки под геологические задачи. Модель основана на ViT-MAE и обрабатывает четыре 2D-среза одной точки объёма: inline, crossline и два диагональных направления. Общий CLS-токен и позиционные кодировки направлений позволяют объединять пространственную информацию между срезами. Архитектура содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Предобучение выполнено на 829 сейсмических кубах Норвежского континентального шельфа из базы DISKOS. Полученные признаки можно использовать для классификации сейсмических фаций, сегментации соляных тел, обнаружения геологических структур, поиска похожих сейсмических изображений и отслеживания горизонтов и событий. Модель рассчитана на сейсмические данные; её представления проверялись на задачах геологической интерпретации с ограниченным числом размеченных примеров. Лицензия — Apache-2.0.

Madras1/plantdoc-rtdetrv2-leaf-disease-detector — модель обнаружения объектов на изображениях листьев, разработанная на основе RT-DETRv2-R18 и дообученная на очищенной версии набора PlantDoc. Она принимает изображения размером 640 × 640 и находит области листьев, относя их к одной из 27 категорий растений или заболеваний. Модель предназначена для исследовательских экспериментов и предварительного анализа фотографий растений; она не сегментирует отдельные поражения и не является проверенной системой диагностики. Модель содержит около 20,1 млн параметров и использует архитектуру RT-DETRv2 с backbone R18. На отложенном тестовом наборе указаны mAP@[0.50:0.95] 0,239 и mAP@0.50 0,337; результаты заметно различаются между классами. Репозиторий распространяет веса в формате safetensors, для запуска указаны Transformers и PyTorch. Лицензия — Apache-2.0. Качество ограничено особенностями PlantDoc: неоднородными источниками изображений, водяными знаками, смещениями фона и неполной или непоследовательной разметкой. Модель слабо различает некоторые похожие болезни, качество обнаружения мелких объектов не установлено, а выбранный общий порог уверенности может не подходить для отдельных классов. Результаты не следует использовать самостоятельно для выбора пестицидов, лечения или иных агрономических мер; перенос на новые хозяйства, камеры, сорта, регионы и условия освещения не подтверждён.

Модель marcmarais-ru/seaturtle_reid_mobilenetv2-quadruplet-random-combined_datasets разработана для повторной идентификации отдельных морских черепах по фотографиям. Она извлекает 512-мерный вектор признаков, который сравнивают с векторами размеченной галереи по косинусному или евклидову расстоянию; типичный сценарий — поиск ближайшего совпадения в закрытом наборе известных особей. Архитектура включает полностью дообученный MobileNetV2, обучаемый GeM-пулинг, линейный слой, LayerNorm, ReLU и Dropout. Модель обучена с quadruplet loss на головных кропах SeaTurtleID2022 и данных популяций Амвракикоса и Реюньона. Для оценки указаны вход 384×384 и аугментация из десяти кропов. Репозиторий использует PyTorch и формат safetensors; лицензия — MIT. По опубликованной оценке на случайном закрытом разбиении средний Recall@1 составил 0,7166, а Recall@5 — 0,7722; результаты относятся к заданному протоколу и трём сиду обучения. Модель предназначена для исследований и бенчмарков повторной идентификации животных. Она обучена только на трёх популяциях морских черепах, не предназначена для открытого поиска незнакомых особей или идентификации людей; качество на других видах и условиях съёмки не проверено. Закрытый протокол предполагает, что особь из запроса присутствует в галерее.

SpatialStack-Qwen3.5-4B — мультимодальная модель для пространственных рассуждений по изображениям, разработанная проектом SpatialStack и представленная как работа для CVPR 2026. Она дообучена на основе Qwen/Qwen3.5-4B и расширяет её параллельным геометрическим потоком VGGT-1B. Механизм layered geometry-language fusion проецирует геометрические признаки слоёв энкодера 11, 17 и 23 в слои декодера 0, 1 и 2, чтобы объединять локальную структуру и пространственный контекст с языковыми признаками. Модель предназначена для понимания изображений и 3D-пространственных задач; в README приведены результаты на VSI-Bench и CV-Bench. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется отдельный геометрический энкодер VGGT-1B вместе с мультимодальной базовой моделью. Модель оптимизирована для бенчмарков пространственного рассуждения, а не для общего мультимодального диалога; её не проверяли для задач, критичных к безопасности, робототехники и принятия решений в реальном мире.

Карточка модели xjh19972/ThermalGen-B-2 на Hugging Face совпадает с карточкой xjh19972/ThermalGen-XL-2, поэтому описание составлено по ней. 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.

WirelessMathLM-7B — текстовая генеративная модель XINLI1997 для математических рассуждений в области беспроводной связи. Это дообученная методом GRPO модель Qwen/Qwen2.5-7B, обученная без предварительного SFT на 3 227 задачах обучающей части WirelessMathBench-XL. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров, работает в формате bfloat16 и поддерживает контекст до 131 072 токенов. Модель предназначена для исследовательских экспериментов с решением математических задач о беспроводных системах, а не для роли универсального чат-ассистента. В тестах WirelessMathBench-XL точность составила 47,88% на полном тестовом наборе из 800 задач и 46,45% на открытой подвыборке из 310 задач. Для воспроизведения протокола авторы используют сырые текстовые запросы из поля prompt без шаблона чата. Результаты не подтверждают обобщённые или независимые от верификатора способности к рассуждению: обучающая и тестовая части разделены по задачам, но содержат задачи из общих исходных статей, а семейство модели и стиль запросов верификатора пересекаются с оцениванием. Лицензия — Apache-2.0.

WirelessMathLM-Qwen3-4B — исследовательская языковая модель, разработанная авторами WirelessMathBench-XL для математических рассуждений в задачах беспроводной связи. Это дообученная методом GRPO модель Qwen/Qwen3-4B с архитектурой Qwen3 и 3,7 млрд параметров; в обучении использовались 3 227 задач из обучающей части WirelessMathBench-XL. Модель принимает текст и генерирует текст, поддерживает контекст до 40 960 токенов. Для запросов авторы рекомендуют использовать исходный текстовый формат без chat template и добавлять к prompt суффикс /no_think. В проверке на обучении, описанной в статье, точность выросла с 13,63% у базовой модели до 17,87% у GRPO-чекпойнта; эти результаты не являются оценкой на закрытом тесте. Модель предназначена для исследовательских экспериментов с математическими задачами по беспроводной связи, а не для использования как универсальный помощник. Лицензия — Apache-2.0.

weathon/3d2smiles_pretrain — дообученная модель на базе microsoft/git-base, опубликованная в формате safetensors под лицензией MIT. По названию репозитория она связана с преобразованием 3D-данных в SMILES, однако карточка не описывает входные данные, метод преобразования или целевое применение. Метаданные указывают задачи генерации текста и преобразования изображения в текст; базовая GIT-base предназначена для генерации описаний изображений и ответов на визуальные вопросы. Модель содержит 56,6 млн параметров и имеет контекст длиной до 1024 токенов. В карточке приведены результаты на оценочной выборке: loss 0,0178 и accuracy 0,9535, но описание набора данных и протокола оценки отсутствует, поэтому эти показатели нельзя интерпретировать вне этого контекста. Языки модели также не определены. Лицензия — MIT.

Fusion 9B — экспериментальная чат-модель на базе Gemma 2 9B IT с вектором управления, встроенным в веса. Её настроили так, чтобы она была особенно сосредоточена на термоядерной энергетике. Модель предназначена для генерации текста в диалоге и ответов на вопросы о термоядерном синтезе. Она содержит около 9 млрд параметров, использует плотную архитектуру Gemma 2 и поддерживает контекст до 8192 токенов. В репозитории указаны веса safetensors и лицензия Apache 2.0. README не сообщает о качестве ответов или проверках фактической точности; встроенный вектор управления может влиять на ответы и ограничивать их тематическое разнообразие. Используйте ответы о физике и энергетике с проверкой по надёжным источникам.

GorillaIdentifier — модель распознавания отдельных горных горилл по лицам на полевых фотографиях, разработанная для проекта с офлайн-приложением Android. Конвейер сначала обнаруживает лицо гориллы с помощью YOLOv8, затем обрабатывает квадратный фрагмент размером 224×224 моделью MegaDescriptor-T на базе Swin Transformer Tiny и получает эмбеддинг размерности 768. Идентификатор сравнивает его с примерами особей по косинусному сходству и может отклонить снимок как неизвестный. Модель предназначена для идентификации горилл Вирунга и работы без подключения к сети. В галерее хранится до 25 эталонных эмбеддингов на особь; добавлять особь можно по нескольким фотографиям с телефона без повторного обучения. Для Android подготовлен экспорт backbone в TFLite. Для версии 1 на 66 особях заявлены точность Top-1 93,0% и Top-3 96,1% на отложенной валидационной выборке. Веса представлены в PyTorch и TFLite; лицензия репозитория — MIT. Метрики получены на ограниченном наборе фотографий из Вирунги 2025 года, поэтому качество на других популяциях, условиях съёмки и видах приматов не установлено.

GorillaWatch-DINOv2-Large — модель компьютерного зрения проекта GorillaWatch для повторной идентификации горилл по изображениям и мониторинга популяций. Она разработана для системы, описанной в работе WACV 2026, и дообучена на датасете Gorilla-SPAC-Wild на основе крупного визуального энкодера DINOv2 ViT-Large. Модель принимает изображение размером 518×518 и выдаёт вектор признаков размерности 256. Идентификация выполняется поиском ближайших соседей среди эмбеддингов галереи, поэтому модель не ограничена фиксированным набором идентичностей и рассчитана на сопоставление ранее не встречавшихся особей. Для корректных результатов требуется квадратное изменение размера и нормализация со средним и стандартным отклонением 0,5 по каждому каналу. В карточке приведены результаты поиска по галерее как на Gorilla-SPAC-Wild, так и при переносе на записи зоопарка Берлина без дообучения. Точность зависит от данных и протокола сопоставления; модель предназначена для повторной идентификации горилл, а не для универсального распознавания объектов. Веса распространяются по лицензии CC BY 4.0.

Kaiko AI Midnight-12k — базовая модель для вычислительной патологии, построенная на архитектуре DINOv2 и дообученная на 12 тысячах гистологических whole slide images из открытого набора TCGA. По метаданным, модель содержит 1,5 млрд параметров; веса опубликованы в формате Safetensors. Она извлекает признаки и эмбеддинги из изображений тканей для последующего обучения классификаторов и сегментации, а представления на уровне слайдов могут использоваться в задачах анализа патологии и предсказания экспрессии генов. Модель обучена с использованием самообучения, патчей изображений размером 224×224 и аугментаций, учитывающих вариации окрашивания. Для подготовки изображений README задаёт нормализацию со средним и стандартным отклонением 0,5 для каждого цветового канала; для сегментации выход включает токены патчей сетки 16×16. Разработчик сообщает о конкурентных результатах на открытых бенчмарках, однако опубликованные сравнения наиболее подробно выделяют более крупные варианты Midnight-92k и Midnight-92k/392. Лицензия Midnight-12k — MIT. Модель предназначена для извлечения признаков и не является готовой диагностической системой.

LLMSafety/Qwen2.5-Math-7B-4bit — модель из экосистемы Hugging Face Transformers с 4-битным представлением и заявленным размером 7B, однако README не подтверждает её архитектуру, разработчика, базовую модель или назначение. По идентификатору можно предположить связь с Qwen2.5 и математическими задачами, но эти сведения не описаны в карточке и не должны считаться подтверждёнными. В README отсутствуют данные о поддерживаемых языках и модальностях, размере контекста, сценариях использования, результатах оценки, обучающих данных, ограничениях, рисках, способах запуска и лицензии. Поэтому надёжно охарактеризовать сильные стороны модели, область применения и условия использования невозможно.

Qwen3.8-Couture-Engine-27B — дообученная мультимодальная модель на базе Qwen/Qwen3.8-27B от автора репозитория aifeifei798. Карточка позиционирует её как инженерного помощника для проектирования мехатронных систем и анализа физических ограничений; в качестве примера приведён расчёт привода коленного сустава гуманоидного робота с требованиями к моменту, массе, габаритам, ударной прочности, тепловому режиму и тормозу. Метаданные указывают архитектуру Qwen3.5 dense с 27 млрд параметров, поддержку диалога и зрения, формат safetensors и задачу image-text-to-text. Модель предназначена для подготовки инженерных предложений, выбора архитектуры привода и компонентов, а также анализа ограничений в робототехнике, аэрокосмической и автомобильной инженерии, биомеханике и задачах оптимизации конструкции. README заявляет детерминированное решение с опорой на физические расчёты, но не приводит независимых оценок качества или подтверждения заявленных свойств. Доступна по лицензии Apache-2.0.

ResNet50 для классификации изображений гистологических препаратов, обученная центром Tissue Image Analytics (TIA) на патчах датасета kather100k, также известного как NCT-CRC-HE. Модель содержит 23,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя с тремя цветовыми каналами. Модель предназначена для классификации гистологических изображений и может использоваться как backbone для извлечения признаков и получения эмбеддингов. Подходит для анализа патчей тканей в исследовательских и прикладных рабочих процессах цифровой патологии. Репозиторий распространяет веса в формате safetensors; для работы используется библиотека timm. Модель опубликована по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0), требующей указания авторства. Обучение на конкретном наборе гистологических патчей ограничивает применимость к другим типам изображений и клиническим условиям; README не приводит оценок качества.

SPLASH-1B — мультимодальная модель команды SPLASH, представленная в работе «Wake up for Touch! Mask-isolated Tactile Alignment Learning in MLLMs». Она расширяет InternVL2.5-1B тактильным восприятием: использует языково-визуальную основу InternVL2.5-1B и тактильный фронтенд ViT-Tiny. Обучение проходит в два этапа: модель оценивает значимость параметров и выделяет неактивную подпространство весов, затем настраивает его для согласования тактильных представлений, сохраняя критическую часть параметров замороженной. Модель предназначена для диалоговых задач, в которых нужно совместно интерпретировать изображения и тактильные данные. Метод обучения нацелен на интеграцию осязания при сохранении уже имеющихся возможностей визуально-языкового рассуждения и снижении риска катастрофического забывания. В README не приведены сведения о лицензии, размере контекста и поддерживаемых языках; репозиторий содержит веса safetensors.

TCSPair — модель классификации последовательностей на базе архитектуры ESM, разработанная автором репозитория mgh6 и дообученная на основе mgh6/esm_cluster_35M_linear. Она предназначена для классификации последовательностей; карточка сообщает значение loss 0,1515 на оценочном наборе, но не раскрывает набор данных, метрики качества или назначение классов. Модель содержит 44,3 млн параметров, принимает последовательности длиной до 1026 токенов и доступна в форматах PyTorch и Safetensors. Практическое применение ограничено отсутствием описания целевых классов, обучающих данных и инструкции по использованию. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

rouluan/Agro-TabPFN — дообученная модель регрессии на основе TabPFN-v3, созданная для прогнозирования урожайности кукурузы по провинциям Китая. Она обучена на данных за 2003–2022 годы: 602 наблюдения, 96 признаков и 31 провинция. В README указаны контекст 256 и продолжительность обучения 30 эпох; лучший результат на валидации получен на 26-й эпохе. Модель принимает табличные признаки и выдаёт числовые прогнозы. Во внутренней проверке на данных 2020–2022 годов версия после дообучения показала RMSE 0,6207 и R² 0,6981 против RMSE 0,6865 и R² 0,6308 у базовой модели. Репозиторий содержит полный возобновляемый чекпойнт с состоянием оптимизатора, предназначенный также для продолжения дообучения. Веса распространяются по TABPFN-3 Non-Commercial License v1.0: коммерческое и производственное применение запрещено, как и предоставление модели через размещённые, управляемые, API- или SaaS-сервисы. Это неофициальная производная модель, не одобренная Prior Labs GmbH.

bloomee-app разработала эту модель в составе платформы Bloomee для NASA Space Apps Challenge 2025. Это дообученная версия IBM Granite 4.1 3B с плотной причинно-языковой архитектурой GraniteForCausalLM и 3,4 млрд параметров. Модель предназначена для ответов на вопросы о цветении растений по данным NDVI: она выбирает инструменты агента, формирует аргументы вызова и кратко сообщает результат. Контекст — до 131 072 токенов; модель рассчитана преимущественно на английский язык. Для работы нужны обучающий системный промпт, описания четырёх инструментов и жадное декодирование. Модель усвоила поведение конкретного приложения, поэтому сама по себе не заменяет получение контекста и подключение инструментов. В тесте на 15 диалогах точность по точному набору вызовов инструментов снизилась относительно базовой модели с 13 до 11 случаев, хотя выбор первого инструмента на обучающей конфигурации улучшился. Модель ограничена восемью регионами, может делать лишние вызовы инструментов и ошибаться в датах. Распространяется по лицензии Apache-2.0.

CeLLaTe-bioformer-16L-tapt-adapted — модель семейства BERT, дообученная OTAR3088 на базе Mardiyyah/bioformer-16l-tokenizer-adapted. Она предназначена для задачи fill-mask: предсказывает скрытые токены в тексте, что подходит для анализа и дополнения биомедицинских текстов. Модель содержит 51,6 млн параметров, принимает текст и выдаёт текстовые предсказания; длина контекста — до 1024 токенов. В README приведены результаты оценки: loss 2,6328, accuracy 0,6251 и perplexity 13,9125. Датасет обучения не указан, поэтому результаты не позволяют судить о качестве на конкретных биомедицинских задачах. Лицензия в предоставленных данных не указана.

EleFind — модель компьютерного зрения на базе YOLOv11, дообученная Helitha Guruge в рамках студенческого исследовательского проекта для обнаружения слонов на аэрофотоснимках и изображениях с дронов. Она предназначена для подсчёта и определения местоположения животных при авиационных обследованиях дикой природы; для снимков высокого разрешения рекомендуется обработка SAHI с нарезкой на фрагменты 1024 × 1024 и перекрытием 0,30. Модель принимает изображения и выдаёт рамки обнаруженных объектов с оценками уверенности. В тесте на 50 изображениях указаны precision 53,2 %, recall 49,1 % и F1 51,0 %. Лицензия — MIT. Модель рассчитана на верхние, близкие к вертикальным ракурсы. Она может хуже работать при освещении и на местности, отличающихся от обучающих данных, пропускать мелких или частично закрытых слонов и ошибочно отмечать камни, тени и похожие объекты; боковые ракурсы не подходят для надёжного обнаружения. README не указывает размер весов или контекст, которые для этой модели обнаружения объектов неприменимы.

Gene-R1-1B Bio FOCUS Checkpoint — экспериментальный чекпойнт на базе ncbi/Gene-R1-1B, подготовленный для исследований переноса токенизатора. Разработчик заменил часть не-латинских слотов токенизатора символами генов, кодирующих белки HGNC, и инициализировал эмбеддинги методом FOCUS. В словарь добавлено 19 196 специальных токенов генов; каждый такой символ должен кодироваться одним токеном. Размер модели — 1,2 млрд параметров, архитектура — плотная LlamaForCausalLM, формат весов — safetensors, библиотека — Transformers; контекст составляет 131 072 токена. Модель предназначена для workshop-экспериментов с переносом токенизатора перед последующим переносом MATT и дообучением. Чекпойнт обучался на 2 400 строках GO SFT, поровну распределённых между ветвями BP, MF и CC; README также описывает подготовку строк для FOCUS с использованием fastText. Это промежуточная экспериментальная версия, а не итоговая модель с бенчмарками. Лицензия в предоставленных данных не указана.

HFO-eHFO — модель классификации изображений из набора моделей HFO Classification Models, разработанного Roychowdhury Research для выявления эпилептических высокочастотных осцилляций (eHFO). Такие осцилляции изучаются как биомаркеры эпилепсии и областей мозга, связанных с возникновением приступов. Модель предназначена для анализа HFO в исследовательских и клинических рабочих процессах. В карточке описан конвейер классификации артефактов, spike-associated HFO и eHFO; этот репозиторий посвящён варианту eHFO. Архитектура указана как ResNet, задача в метаданных — классификация изображений. Модель можно загружать через библиотеку Transformers. Репозиторий содержит файлы ONNX и Safetensors и распространяется по лицензии MIT. Карточка заявляет высокую точность и устойчивость, но не приводит численных оценок, состав обучающих данных или клинической валидации. Практическое применение требует проверки на данных целевой популяции и оборудования.

Модель vit_large_patch14_clip_336.datacompxl_ft_inat21 — классификатор изображений из серии экспериментов timm, дообученных на данных соревнования iNaturalist 2021. Она распознаёт 10 000 видов по фотографиям; модель рассчитана на классификацию природных объектов, например растений и животных, снятых в естественной среде. Для обучения использовался размер изображения 336 пикселей, а в карточке приведены показатели Top-1 91,98% и Top-5 98,03% для варианта с предобучением DataCompXL. Модель подходит для определения видов по фотографиям из сада, двора или природных наблюдений. Обучение проводилось без дополнительных метаданных. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

CSI-CLIP — модель представления беспроводного канала от GREAT-Wireless-AI, опубликованная как официальные веса ResNet-50 для работы, описанной в статье «A MIMO Wireless Channel Foundation Model via CIR-CSI Consistency». Она предварительно обучена контрастивным методом на симулированных данных DeepMIMO и согласует представления Channel State Information (CSI/CFR) и Channel Impulse Response (CIR). Репозиторий содержит веса модели без оптимизатора, обучающих данных и головы для конкретной задачи; доступны файлы SafeTensors и PyTorch. Модель принимает тензор формы [batch, 2, 256, 256] с вещественной и мнимой компонентами и предназначена для извлечения признаков CSI, исследований представлений беспроводного канала и инициализации моделей для позиционирования, управления лучом и классификации LOS/NLOS. Для предсказаний в этих прикладных задачах требуется отдельно обучить выходную голову. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением её условий.