Chronos-2, CLIP и MobileNetV3: три рабочие лошадки production-ML, о которых не пишут в новостях

Три модели из второй десятки по скачиваниям на aiappdex.com не генерируют текст, но стабильно работают в продакшене — на прогнозировании временных рядов, кросс-модальном поиске и классификации на слабом железе.

Шестьдесят три миллиона скачиваний в месяц на три модели, которые не умеют отвечать на вопросы и не упоминаются в AI-новостях. Это не хайп, это инфраструктура — и за цифрами стоит конкретная эксплуатационная логика.

Зачем вообще смотреть на скачивания

Рынок моделей машинного обучения давно определяется трендами генеративного AI — языковые модели, мультимодальные ассистенты, генерация изображений. Однако если отсортировать каталог моделей не по медийному шуму, а по числу реальных скачиваний, картина заметно меняется. На пятнадцатой строчке — модель для работы с временными рядами, на четырнадцатой — для классификации изображений без обучения на конкретных данных, на шестнадцатой — классификатор с менее чем тремя миллионами параметров. Ни одна из них не генерирует текст.

Речь о Chronos-2 (≈25,7 млн скачиваний), CLIP-vit-base-patch32 (≈19,9 млн) и MobileNetV3-small (≈17,4 млн). Цифры взяты из каталога aiappdex.com на момент публикации и касаются только этого ресурса — полную картину по всем каналам доставки моделей они, разумеется, не отражают. Тем не менее порядок величин показателен: суммарно это около 63 миллионов обращений в месяц к трём моделям, которые решают совершенно разные задачи и объединены только тем, что работают «без текста».

Chronos-2: прогнозирование без разметки

Chronos-2 — второе поколение модели Amazon для нулевого прогнозирования временных рядов (zero-shot time-series forecasting). Архитектурно задача переформулирована как языковое моделирование: значения временного ряда квантуются в токены, после чего используется энкодер-декодер T5 (архитектура, изначально спроектированная для текстовых задач). Выходные токены декодируются обратно в предсказанные значения. Модель распространяется под лицензией Apache 2.0.

Ключевое свойство — «zero-shot»: модель обучена на большом разнообразном корпусе временных рядов и способна обобщаться на новые домены без дообучения. Принцип тот же, что сделал популярным CLIP для зрения: собери достаточно разнообразных данных на этапе предобучения — и перенос на новый домен становится возможен без разметки.

Что это значит на практике. 25,7 миллиона скачиваний в месяц — это, скорее всего, детекция аномалий и прогнозирование спроса в продакшен-пайплайнах, где у компании есть исторические данные, но нет размеченных примеров для конкретной задачи. Сценарий «данные есть, а разметки нет» настолько типичен, что объясняет подобные цифры без привлечения гипотез о хайпе.

Чего модель не делает. Не превосходит тщательно настроенную модель, обученную на доменных данных. Zero-shot — это альтернатива для случаев, когда разметка невозможна или слишком дорога, а не замена, когда обучающая выборка доступна. Использовать Chronos-2 там, где есть качественные исторические данные для конкретного домена — значит жертвовать точностью ради удобства. Это осознанный инженерный компромисс, но его стоит понимать.

CLIP-vit-base-patch32: поиск между модальностями

CLIP (Contrastive Language-Image Pre-training) — модель OpenAI, обученная контрастивным методом на 400 миллионах пар «изображение — текст». Конкретная версия vit-base-patch32 использует ViT-B/32 (Vision Transformer с размером патча 32×32 пикселя) в качестве энкодера изображений.

Результат обучения — общее векторное пространство (embedding space), в котором изображения и текстовые описания оказываются сопоставимыми напрямую. Это означает, что можно задать текстовый запрос — «пустая полка» — и получить наиболее релевантные изображения без обучения классификатора под эту конкретную концепцию.

19,9 миллиона скачиваний, 1137 лайков.

Почему именно B/32, а не более точная L/14. ViT-B/32 уступает ViT-L/14 в точности, но заметно быстрее на инференсе. В продакшене это часто определяющий фактор: обработать больше объектов за единицу времени полезнее, чем получить на несколько процентов выше точность на меньшем объёме. Применения, стоящие за цифрами скачиваний, — это поиск по изображениям, предварительная фильтрация при модерации контента и формирование мультимодальных эмбеддингов в пайплайнах RAG (Retrieval-Augmented Generation).

Кросс-модальность как ключевое свойство. Стоит подчеркнуть отдельно: энкодер изображений CLIP выдаёт вектора, напрямую сопоставимые с текстовыми векторами той же модели. Именно это делает CLIP незаменимым в гибридных поисковых системах — текстовый запрос → поиск → релевантные изображения — без дополнительного слоя трансляции между модальностями. Каждый такой слой — потенциальная точка потери информации и дополнительная латентность.

MobileNetV3-small: классификация там, где не влезает ничего другое

MobileNetV3-small-100.lamb-in1k — классификатор изображений с менее чем тремя миллионами параметров, обученный на ImageNet-1k через библиотеку timm (Ross Wightman). 17,4 миллиона скачиваний, 103 лайка — и это соотношение само по себе показательно.

MobileNetV3 попадает в этот список по совсём другой причине, чем Chronos-2 или CLIP. Модель не является zero-shot и не связывает модальности. Она — очень маленький, очень быстрый классификатор, предназначенный для оборудования, на котором ничего крупнее просто не поместится. Архитектура MobileNet изначально проектировалась для мобильных SoC и встраиваемых систем: depthwise-separable свёртки, squeeze-and-excitation блоки, оптимизированные нелинейности.

Откуда скачивания. На пересечении двух факторов: стабильный API предобработки в timm (модель можно подставить как замену любому другому классификатору из библиотеки с минимальными изменениями в коде) и огромное количество продакшен-систем, которым нужен сигнал классификации, но где модель на 10 миллионов параметров уже считается избыточно тяжёлой.

Компромисс очевидный. Точность приносится в жертву ради размера и скорости инференса. Для сценариев, где вычисления происходят на устройстве, а латентность критичнее максимальной точности, — это правильный выбор. Низкое число лайков (103 при 17,4 млн скачиваний) отражает именно это: люди используют модель не потому, что она впечатляет, а потому что она решает конкретное инженерное ограничение. Это utility-модель, и она не претендует на что-то большее.

Общий паттерн

Ни одна из трёх моделей не является «фронтовой». Ни одна не фигурирует в AI-новостях, которые попадают в ленту. Все три стабильно находятся в топ-20 каталога, где сотни моделей для генерации текста и instruction-tuned задач.

Это рабочие лошадки в категориях с принципиально другими ограничениями, нежели языковая генерация:

• Chronos-2 решает задачу «нет размеченных данных» для временных рядов.
• CLIP решает задачу кросс-модального поиска, где текст и изображения должны жить в одном векторном пространстве.
• MobileNetV3 решает задачу инференса на оборудовании, где память и латентность — первичные ограничения.

Если вы строите систему в одной из этих трёх областей, 17–26 миллионов скачиваний в месяц — лучший сигнал production-readiness, чем табличка бенчмарков. Это означает, что API предобработки стабильно, типовые сценарии отказов задокументированы, а кто-то уже отладил развёртывание на целевом оборудовании. Бенчмарк показывает, что модель точна на тестовом наборе. Цифра в миллионах скачиваний показывает, что модель работает в реальных условиях — с реальными ограничениями, реальными данными и реальными SLA.