[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-model-card::ru":3,"gloss-cluster-model-card::ru":26,"gloss-next-model-card::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"model-card","mlops","Карточка модели","Карточка модели — короткий структурированный документ, который сопровождает обученную модель и сообщает, для чего она предназначена, на чём обучалась и проверялась, как ведёт себя на значимых подгруппах и где применять её не следует. Формат был предложен, чтобы ограничения модели были видны так же ясно, как заглавная метрика: агрегированная точность скрывает ровно ту информацию, которая нужна внедряющей стороне, — на каких группах, входах и условиях модель вообще не тестировалась. Полезная карточка конкретна, а не успокоительна. Она называет целевое применение и применения вне области; описывает происхождение обучающих данных хотя бы по типу, включая известные пробелы; приводит результаты в разбивке по группам, важным для задачи, а не одним числом; перечисляет известные режимы отказа; фиксирует версию, дату и ответственного, чтобы читатель понял, описывает ли карточка ещё ту модель, что работает в проде. Карточки без негативных разделов — маркетинговые материалы в техническом оформлении. Командам, строящим на сторонних моделях, карточка даёт один из немногих артефактов, на котором держится настоящая оценка поставщика, а её отсутствие или расплывчатость сами по себе являются выводом. Командам, выпускающим свои модели, включая дообученные, которые наследуют ограничения базовой и добавляют свои, написать карточку дёшево и окупается в закупках, ревью безопасности и разборе инцидентов, где первый вопрос после плохого ответа всегда один: в чём эта модель вообще должна быть хороша.","Карточка модели фиксирует назначение, данные обучения, результаты по подгруппам и известные отказы — так ограничения становятся видны наравне с метрикой.",null,[11,14,17,20,23],{"slug":12,"name":13},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":15,"name":16},"golden-dataset","Золотой датасет",{"slug":18,"name":19},"llm-benchmark","Бенчмарк LLM (LLM Benchmark)",{"slug":21,"name":22},"model-registry","Реестр моделей (Model Registry)",{"slug":24,"name":25},"trust-center","Центр доверия (Trust Center)",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Батч-инференс",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Канареечный промпт",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":34},"class-imbalance","Дисбаланс классов",{"slug":49,"category":5,"name":50,"updated_at":34},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":52,"category":5,"name":53,"updated_at":34},"cross-validation","Перекрёстная проверка",{"slug":55,"category":5,"name":56,"updated_at":34},"data-labeling","Разметка данных",{"slug":58,"category":5,"name":59,"updated_at":44},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":61,"category":5,"name":62,"updated_at":44},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":64,"category":5,"name":65,"updated_at":44},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)"]