IV.5Образование и развитие навыков

Mel-Band-RoFormer для выделения вокала из музыкального микса, разработанный Романом Соловьёвым (ZFTurbo) и конвертированный в формат MLX сообществом mlx-community. Это одноцелевой чекпойнт примерно на 33 млн параметров: он принимает стереоаудио с частотой 44,1 кГц и выдаёт отдельную вокальную дорожку. Инструментальную дорожку можно получить вычитанием вокала из исходного микса. Модель предназначена для разделения музыкальных источников, когда важны компактность и скорость вывода. Используется архитектура Mel-Band-RoFormer с 60 мел-полосами; обработка выполняется фрагментами примерно по 8 секунд с перекрытием. Веса представлены в fp16 и safetensors для MLX, в частности для запуска на Apple Silicon. Чекпойнт обучен именно для выделения вокала и не проверен как универсальная модель разделения ударных, баса и других источников. В README приведено внутреннее сравнение, где скорость выше, а качество разделения немного ниже, чем у Kim Vocal 2. Лицензия — MIT.

Mirror's Edge Diffusion — модель Stable Diffusion, дообученная автором репозитория на скриншотах игры Mirror's Edge методом DreamBooth. Она предназначена для создания изображений по текстовым запросам в стилистике игры; для вызова стиля рекомендуется добавить в запрос токен «MirrorsEdge style». В качестве тематических подсказок также указаны городской пейзаж, стерильная чистота, абстрактные и парящие формы, а также back rooms. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. В README отмечено, что результаты могут получаться чрезмерно геометричными и случайными; добавление «abstract» и «floating shapes» в негативный запрос может помочь скорректировать генерацию.

modeversion2_m7_e8 — модель классификации изображений, созданная дообучением ViT-Base с патчами 16×16 и входным разрешением 224 пикселя на наборе sudo-s/herbier_mesuem7. В карточке указаны 113,2 млн параметров и точность 0,9761 на оценочном наборе; метрика относится к этому набору и не гарантирует такое же качество на других изображениях. Модель подходит для классификации изображений гербарных музейных образцов. Использование ограничено задачей и данными дообучения; подробные сведения о классах и ограничениях в карточке не приведены. Лицензия — Apache-2.0.

stanford-crfm/music-large-800k — авторегрессионная модель семейства GPT-2, разработанная Stanford CRFM. Это Transformer с 780 млн параметров, обученный 800 тысяч шагов на музыке, закодированной через время появления нот: использованы наборы Lakh MIDI и MetaMidi, транскрипции FMA и коммерческих музыкальных записей. Обучение проводилось с anticipation. Модель предназначена для генерации продолжений последовательностей музыкальных событий в текстовом представлении, в частности событий на основе MIDI-кодирования. В метаданных указан контекст 1024 токена и формат весов safetensors. Лицензия — Apache-2.0. Карточка не уточняет формат подачи музыкальных событий и качество генерации; обычный текстовый промпт сам по себе не является описанным сценарием применения. Модель обучена на музыкальных данных и не предназначена для непосредственной обработки аудио как волнового сигнала.

Paper-Mario-Thousand-Year-Door-map-model — модель генерации изображений, созданная Kagerage методом DreamBooth на базе Stable Diffusion. Она предназначена для создания изображений карт в стилистике игры Paper Mario: The Thousand-Year Door по текстовым запросам и может использоваться в совместимых интерфейсах, включая AUTOMATIC1111 и Diffusers. Автор отмечает, что модель не завершена: при генерации иногда появляются артефакты, а широкие изображения она создаёт плохо. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML Open RAIL-M.

Parrotlet-a 2.5 Pro — модель распознавания речи Eka.care для медицинских разговоров в индийских медицинских учреждениях. Она преобразует аудио в текст на индийском английском, хинди, маратхи, каннада и телугу и рассчитана на частое смешение английских медицинских терминов и названий лекарств с индийскими языками. Архитектура сочетает энкодер Whisper large-v3 и декодер MedGemma 4B через проектор; модель дополнительно настраивали методом GRPO на медицинских диалогах. Веса хранятся в формате bfloat16. По результатам приведённых в карточке медицинских тестов, модель показала лучшие результаты среди сравниваемых систем на наборах диалогов по всем пяти языкам, включая точность распознавания медицинских сущностей. Модель подходит для транскрибации консультаций и извлечения из речи клинически значимых сведений. Она принимает аудио с частотой 16 кГц, обрабатывает фрагменты длиной до 30 секунд; более длинные записи нужно разбивать вручную, иначе они будут обрезаны. Работает на CPU или GPU с PyTorch и Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

piper-vasco — англоязычная модель синтеза речи Piper, созданная автором репозитория с нуля на голосовых репликах персонажа Васко из игры Starfield, расшифрованных Whisper. Она предназначена для озвучивания компаньона в модификациях и для локальных диалогов с LLM. Модель обучалась 1805 эпох; в репозитории представлены веса в формате ONNX. Модель преобразует английский текст в речь с голосом, стилизованным под Васко. Автор оценивает результаты как хорошие, однако это личная оценка, а описание не приводит независимых тестов качества. Лицензия в предоставленных данных не указана.

SciCore-Omics — биомедицинская мультимодальная модель компании OpenBMB для совместного анализа гистологических изображений, пространственных транскриптомных профилей и биологического текста. Она предназначена для рассуждений в задачах пространственной биологии и патологии, а также для интерпретации биомедицинских данных на естественном языке. Модель основана на архитектуре MiniCPMV и содержит 7,1 млрд параметров. Для кодирования транскриптомных данных используется ветвь NicheFormer, Gene Q-Former и Gene Projector, выравнивающая представления генов с токенами языковой модели. Поддерживаются анализ изображений или генов по отдельности и совместное рассуждение по изображениям и профилям генов; контекст составляет до 32 768 токенов. Модель работает с изображениями, биологическими данными и текстом на английском и китайском языках. SciCore-Omics подходит для биомедицинской интерпретации, но может выдавать неточные или неполные выводы. Её нельзя использовать как самостоятельную систему клинической диагностики или рекомендаций по лечению. Веса распространяются по лицензии Apache-2.0; авторы указывают исследовательское назначение.

Это диффузионная модель для безусловной генерации изображений милых бабочек. Модель опубликована участником ashwinstrikes и предназначена для создания изображений без текстового запроса; в README приведён пример запуска через DDPMPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате Safetensors для Diffusers. Модель создана в рамках учебного курса по диффузионным моделям. Лицензия MIT разрешает использование, изменение и распространение на её условиях.

SoulX-Singer-fp32 — подготовленный сообществом mlx-community вариант весов SoulX-Singer в формате safetensors с точностью fp32 для Apple Silicon и библиотеки MLX. В репозитории находятся компоненты SVS для синтеза пения по тексту и SVC для преобразования вокала; базовая модель разработана Soul-AILab. Модель предназначена для генерации вокала и преобразования уже имеющегося пения. Веса организованы в MLX-совместимом виде, однако полный аудиопроцесс пока использует официальную структуру модели PyTorch через SoulX-Singer-MLX, а не полностью нативный MLX runtime. README сообщает о проверке загрузки компонентов и генерации тестового WAV на Apple Silicon. Размер файлов на диске — около 5,6 ГБ. Для использования требуется отдельная среда с зависимостями проекта и предобученной Whisper-base. Лицензия — Apache-2.0. В README нет сведений о поддерживаемых языках и длине контекста.

SupraLabs/Supra-Mini-v6-1M — небольшая авторская языковая модель шестой версии серии Supra Mini, созданная SupraLabs. Это плотная авторегрессионная модель семейства Llama с 1,4 млн параметров: 6 слоёв, скрытый размер 128, 4 головы внимания и словарь из 4096 токенов с пользовательским BPE-токенизатором. Максимальная длина контекста — 1024 токена. Модель обучена на англоязычных данных FineWeb-Edu и Cosmopedia-v2. Модель предназначена для учебных экспериментов, запуска на устройствах с ограниченными ресурсами, проверки процессов дообучения и экспериментов с малыми языковыми моделями. Она генерирует текст, однако авторы предупреждают, что модель часто выдаёт несвязный или недостоверный текст и не подходит для рассуждений, диалога или написания кода. Репозиторий распространяется по лицензии Apache-2.0.

Tiny-Cowboy-1.1b-v0.1 — компактная языковая модель компании phanerozoic для генерации текстов в стиле Дикого Запада. Это дообученная версия TinyLlama-1.1B-Chat-v1.0 с архитектурой Llama и примерно 1 млрд параметров; модель работает с текстом и рассчитана на контекст до 2048 токенов. Она подходит для ковбойских рассказов, тематических диалогов и материалов о ковбойской культуре. Для поддержания темы в диалоге рекомендуется задать начальный контекст. Модель сохраняет ковбойскую стилистику, но может добавлять её даже к ответам на нетематические вопросы. Она слабее справляется с общими задачами, особенно с научными и техническими объяснениями, поэтому не подходит для сценариев, где важна точность таких сведений. Файлы представлены в формате safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

optimum-intel-internal-testing/tiny-random-flux.2-klein — модель для генерации изображений по текстовому описанию, опубликованная организацией Optimum Intel Internal Testing на Hugging Face. Она интегрируется с библиотекой Diffusers и использует Flux2KleinPipeline. Модель содержит около 432 тысяч параметров, сохранена в формате Safetensors с типом тензоров F32. В карточке указана модальность Text-to-Image; сведения о поддерживаемых языках, размере контекста и подробной архитектуре отсутствуют. README модели пуст, а название tiny-random указывает на тестовый, уменьшенный вариант, поэтому её возможности и качество не следует оценивать как характеристики полноразмерной продукционной модели. Модель распространяется по лицензии Apache-2.0. Она предназначена прежде всего для тестирования и проверки совместимости инструментов вокруг Flux2Klein и Diffusers, а не для получения высококачественных изображений в производственных сценариях.

Tokle-SPAB-3M — небольшая авторская языковая модель techdotus на базе декодерного трансформера с причинной языковой моделью (TokleForCausalLM). По карточке, в модели 2,91 млн обучаемых параметров и 8,39 млн замороженных параметров SPAB; метаданные указывают 3,7 млн параметров. SPAB добавляет к логитам внимания смещение, рассчитанное по PMI для пар токенов. Модель обучена на 12 млрд токенов из англоязычных веб-, образовательных и математических данных. Модель предназначена для экспериментов с малыми языковыми моделями и генерации английского текста. В карточке приведены результаты тестов на рассуждениях, вопросах по естественным наукам и арифметике; они не означают, что модель надёжна как универсальный помощник. Максимальная длина контекста — 512 токенов. Модель не проходила настройку на инструкции или выравнивание безопасности, а генерации могут быть повторяющимися, бессвязными или фактически неверными. Для загрузки пользовательской архитектуры в Transformers требуется trust_remote_code=True. Лицензия — CC BY-NC-SA 4.0; коммерческое использование не разрешено условиями лицензии.

tomato-disease-vit — модель классификации изображений на базе Vision Transformer (ViT), дообученная автором репозитория на google/vit-base-patch16-224-in21k. Она предназначена для распознавания классов заболеваний томатов по изображениям и может использоваться для автоматической сортировки или предварительной проверки фотографий растений. В оценке на тестовом наборе указаны accuracy 0,9812, macro F1 0,9812 и loss 0,0651; состав классов и подробности набора данных не описаны. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к указанному набору данных и сами по себе не гарантируют такую же точность на фотографиях из других условий или регионов.

ChatWaifu — дообученная автором spow12 (yw_nam) причинная языковая модель на базе Elizezen/Antler-7B. Модель предназначена для диалогового отыгрыша персонажей японских визуальных новелл; карточка показывает примеры персонажей из Senren＊Banka. Это плотная Mistral-модель на 7,1 млрд параметров с контекстом 4096 токенов, опубликованная в формате safetensors и рассчитанная на работу через Transformers. Модель принимает текст и генерирует текстовые ответы на японском языке. Она может подойти для ролевых диалогов и чат-ботов в стиле визуальных новелл. Автор предупреждает, что в обучающих данных были материалы с NSFW-содержанием и фильтрация могла быть неполной, поэтому модель может генерировать такой контент. Указано разрешение только для некоммерческого использования и исследований; лицензия в метаданных обозначена как other.

Chat-With-YourFAV-Character-Small — диалоговая модель, разработанная Manan Raval из Virtual Height IT Services Pvt. Ltd. Она создана на базе microsoft/DialoGPT-small и дообучена на репликах персонажа Джошуа из игры The World Ends With You, чтобы вести беседы в его стиле. Архитектура — GPT-2/DialoGPT-small; модель генерирует текст, принимает текстовый контекст и поддерживает контекст до 1024 токенов. Модель предназначена для ролевого общения с имитацией персонажа и интеграции в чат-приложения и игры. Обучающие данные ограничены диалогами из конкретной игры, поэтому ответы могут быть неожиданными или оскорбительными и не подходят для чувствительных ситуаций, принятия важных решений, терапии или консультирования. Лицензия — Apache-2.0.

ChemGPT 1.2B — генеративная модель для молекулярного моделирования, основанная на GPT-Neo и представленная в работе Neural Scaling of Deep Chemical Models. Модель содержит 1,4 млрд параметров, построена на архитектуре GPT-Neo и принимает последовательности текста; для представления молекул при обучении использовались строки SELFIES, полученные из SMILES.

ConvNeXt-Tiny для классификации болезней листьев растений по 38 категориям. Модель разработали Jonathan Núñez Moya и Francisco Rietta González для проекта FitoAsistente; это дообученная на PlantVillage модель facebook/convnext-tiny-224 с архитектурой ConvNeXt, содержащая 27,85 млн параметров. Модель предназначена для распознавания болезней и здоровых листьев на изображениях растений. На тестовой выборке PlantVillage указаны точность 96,41 % и macro F1 0,919. По сравнению с ViT-Base/16 она меньше и быстрее на CPU, но хуже распознаёт некоторые редкие классы. Репозиторий использует формат safetensors; лицензия — Apache-2.0. Результаты ограничены лабораторными изображениями PlantVillage: в полевых условиях качество может существенно снижаться. Разделение данных могло завысить оценку из-за попадания фотографий одного листа в обучение и тест; модель плохо справляется с редкими категориями и не умеет отклонять неизвестные классы. Она не заменяет оценку специалиста.

Модель dima806/farm_insects_image_detection — дообученный классификатор изображений насекомых на основе Vision Transformer ViT-Base/Patch16-224, предварительно обученного на ImageNet-21k. Она определяет тип сельскохозяйственного насекомого по изображению; в README заявлена точность около 91%. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель подходит для автоматической классификации изображений насекомых в сельскохозяйственных сценариях. Она принимает изображения и выдаёт предсказанный класс. Лицензия — Apache-2.0. README не сообщает подробности о наборе классов и условиях оценки точности.

Jwen — экспериментальная генеративная модель Джоша Волка для создания рисунков лиц в стиле doodle, похожем на наброски автора в Apple Notes. Она основана на Qwen2.5-3B и полностью дообучена предсказывать последовательности токенов, кодирующие штрихи: инструмент, цвет, положение, форму и порядок рисования. Затем модель прошла preference tuning методом DPO на 660 оценках автора. Архитектура — плотная авторегрессионная Qwen2ForCausalLM с 3,1 млрд параметров, расширенной до 157 668 строк матрицей эмбеддингов и контекстом до 32 768 токенов. Модель генерирует структурированные последовательности штрихов, которые можно преобразовать в рисунок; для корректного семплирования репозиторий использует ограничения грамматики токенов. Она предназначена прежде всего для генерации лиц и небольших рисунков в индивидуальном стиле автора, а не для универсального рисования. Автор отмечает нестабильное расположение черт лица, ограниченность сюжетов и некорректные последовательности при генерации без грамматических ограничений. Для визуально точного рендеринга Apple Pencil и других инструментов нужен PencilKit; предварительный рендерер служит лишь приближением. Модель выпущена по Qwen Research License, разрешающей исследовательское и некоммерческое использование.

Карточка модели localized-ft/Llama-3.1-8B-old-bird-names-v2-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

MedDr — мультимодальная медицинская vision-language модель, разработанная Sunan He и соавторами из SMART Lab Гонконгского университета науки и технологий. Она основана на дообученной OpenGVLab/InternVL-Chat-V1-2 и использует стратегию diagnosis-guided bootstrapping для построения обучающих данных с изображениями и диагностическими метками. Модель принимает медицинские изображения и текстовые вопросы, а отвечает текстом: поддерживает визуальные вопросы и ответы, генерацию медицинских заключений и диагностику изображений. MedDr предназначена для работы с рентгеновскими снимками, КТ и МРТ, гистологическими, дерматологическими и ретинографическими изображениями, а также эндоскопией. При выводе применяется поиск по медицинским данным для улучшения обобщения. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель может помогать в анализе медицинских изображений, однако README не приводит количественной оценки качества или подробных условий клинического применения.

Это 4-битная MLX-версия мультимодальной медицинской модели MedGemma 4B IT, разработанной Google и квантованной командой LM Studio с помощью mlx_lm. Она основана на Gemma 3 и оптимизирована для Apple Silicon. Модель принимает текст и медицинские изображения и формирует текстовые ответы в диалоговом режиме. Модель предназначена для ответов на вопросы по медицинским изображениям и текстам, включая сценарии клинического рассуждения и анализ радиологических, дерматологических, патологических и офтальмологических изображений. Квантование уменьшает размер весов и упрощает локальный запуск, но может повлиять на точность относительно исходной версии. Ответы могут быть неточными или вредными и требуют проверки специалистом. В метаданных указана лицензия other; конкретные условия следует сверять с лицензией исходной модели Google/medgemma-4b-it.

Melodimodell-16M — компактная авторегрессионная языковая модель на архитектуре Qwen3, опубликованная пользователем qwrt. Она обучена на текстовом представлении MIDI-мелодий из набора projectlosangeles/Monster-MIDI-Dataset и предназначена для продолжения такого представления по начальному фрагменту. Сгенерированный текст можно преобразовать обратно в MIDI; песни в текстовом формате разделяются символом «*». Модель содержит 16,5 млн параметров. README указывает длину контекста обучения 4096 токенов, хотя в метаданных каталога заявлен native context 8192 токена; автор предупреждает, что качество быстро ухудшается при контексте длиннее 4096. Из-за малого размера модель не предназначена для генерации связной музыки. Репозиторий использует формат safetensors, лицензия — Apache-2.0.

mlx-community подготовила конверсию чекпойнта Kim Vocal 2 авторства Kimberley Jensen в формат MLX для запуска на устройствах Apple Silicon. Это модель семейства Mel-Band-RoFormer с плотной архитектурой и примерно 228 млн параметров; веса сохранены в safetensors с точностью bfloat16. Модель принимает стереомикс музыки с частотой 44,1 кГц и выделяет вокальную дорожку. Инструментальную часть можно получить вычитанием вокала из исходного микса. Модель предназначена для разделения музыкальных источников, в частности для изоляции вокала. Обработка длинных записей выполняется фрагментами примерно по 8 секунд с перекрытием 50%. В README указана проверка соответствия PyTorch-реализации, но она проведена на одном тестовом аудиофрагменте. Репозиторий распространяется по лицензии MIT; README отмечает, что исходная лицензия была изменена с GPL-3.0.

Minimax-H3 LoRAs — серия адаптеров LoRA от WarmBloodAban, созданных на базе видеогенерационной модели MiniMax-H3 от MiniMaxAI. Представленная модель Minimax-h3_Third_person_view предназначена для генерации видео по изображению, а также сценариев text-to-video и image-to-video, ориентированных на игровые кинематографические сцены, интерфейсы HUD и динамическую смену ракурсов от третьего лица к первому лицу. Модель специализируется на управлении камерой: поддерживает съёмку из-за плеча, движение spring-arm камеры, изменение дистанции, camera whip-pan и переходы между third-person view и first-person POV. Она также ориентирована на создание эстетики game CG, боевых сцен, визуальных эффектов, прицелов target-lock, QTE-подсказок и индикаторов здоровья боссов. В README указана архитектура MiniMax-H3 INT8 Reference и поддержка английского и китайского языков. Рекомендуется использовать структурированные описания сцен и референсных объектов, особенно при работе через ComfyUI или API. Сильная сторона модели — специализация на игровых боевых сценах, сохранении визуальных характеристик персонажей и окружения по референсам, а также на кинематографичном движении камеры. Ограничения, точные требования к вычислительным ресурсам, длительность контекста и другие характеристики в README не указаны. Лицензия — Apache-2.0.