IV.5Образование и развитие навыков

Модель farleyknight/mnist-digit-classification-2022-09-04 — дообученная версия vision-трансформера ViT-Base/Patch16-224, созданная на основе google/vit-base-patch16-224-in21k для классификации изображений MNIST. Она распознаёт рукописные цифры от 0 до 9; на тестовой выборке указана точность 99,23% и значение loss 0,0319. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch. Модель предназначена для распознавания цифр на изображениях, учебных и экспериментальных задач компьютерного зрения. Лицензия — Apache-2.0. Карточка не описывает ограничения и условия оценки подробнее, поэтому заявленная точность относится только к указанной выборке MNIST.

MusicGen Medium — модель генерации музыки по текстовому описанию, разработанная командой FAIR в Meta AI. Это версия среднего размера с 1,5 млрд параметров: авторегрессионный Transformer формирует аудиотокены EnCodec с частотой дискретизации 32 кГц, предсказывая четыре кодбука за один проход. Модель предназначена для генерации музыкальных фрагментов по текстовым подсказкам; семейство MusicGen также включает вариант с управлением по мелодии. Модель подходит исследователям в области аудио и машинного обучения, а также для экспериментов с генеративной музыкой. Она обучена на англоязычных описаниях и лучше работает с ними. Модель не умеет реалистично генерировать вокал; качество различается между жанрами и культурами, иногда фрагмент затихает раньше времени, а для удачного результата может потребоваться подбор формулировки запроса. Весовые файлы распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MusicGen Stereo Small — разработанная командой FAIR в Meta AI модель генерации музыки по текстовому описанию или аудиоподсказке. Версия Stereo дообучена на 200 тысячах шагов от монофонической модели; размер семейства Small — 300 млн параметров. Модель использует авторегрессионный Transformer и токенизатор EnCodec с частотой 32 кГц, а стереозвук формирует по двум чередующимся потокам аудиотокенов. В метаданных указаны библиотека Transformers и формат весов safetensors. Модель подходит для создания музыкальных фрагментов по заданному жанру, настроению или другим текстовым характеристикам, а также для генерации с аудиоподсказкой. Она рассчитана прежде всего на исследование управляемой генерации музыки и эксперименты с такими системами. Описания на английском работают лучше; реалистичное пение модель не генерирует, качество зависит от стиля и культуры, а результат иногда затухает до тишины. Для получения нужного звучания может потребоваться подбор формулировок. Веса распространяются по лицензии CC-BY-NC 4.0, поэтому коммерческое использование ими не разрешено. README предостерегает от применения в практических системах без дополнительной оценки и снижения рисков.

Qwen3-0.6B OpenR1-Math SFT S1 — исследовательский чекпойнт, опубликованный для воспроизводимости и аудита эксперимента. Его разработчик выполнил один цикл полного дообучения Qwen/Qwen3-0.6B-Base методом supervised fine-tuning на детерминированно отфильтрованном наборе OpenR1-Math; модель содержит около 508 млн параметров и использует плотную архитектуру Qwen3. Это причинная языковая модель для генерации текста, рассчитанная на контекст до 32 768 токенов. Чекпойнт предназначен для исследований дообучения небольших моделей, анализа данных и ошибок, поведения длины генерации и воспроизводимых сравнений с базовой моделью. В указанной оценке улучшились соответствие обучающему распределению и результат GSM8K, однако макрооценка по 59 задачам снизилась. Короткий тест MATH-500 был сильно ограничен длиной генерации, а полный запуск остановили до завершения, поэтому он не подтверждает математические способности модели. Это экспериментальный чекпойнт, а не универсальный ассистент; математические ответы требуют независимой проверки. Модель распространяется по лицензии Apache-2.0. В конфигурации генерации EOS отличается от токена EOS базовой модели; некоторые движки могут игнорировать сохранённую конфигурацию, поэтому для ограниченной генерации нужно явно задавать стоп-токены или строки и максимальную длину ответа.

joeportnoy/resume-match-ml — модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстов резюме. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает косинусным сходством. Модель предназначена для семантического поиска и оценки близости между резюме и описаниями вакансий, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT-энкодере с mean pooling; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. В качестве обучающего набора указаны 4 316 пар предложений с оценками сходства. Англоязычная базовая модель и примеры данных указывают на основную ориентацию на английский язык. Лицензия в предоставленных данных не указана.

chorcat/rukh-small — небольшая GPT-модель с декодером ходов, разработанная автором курса Rukh с нуля для предсказания следующего шахматного хода по истории партии в нотации UCI. Модель содержит 51,4 млн параметров по метаданным Hugging Face; в README указана версия с 38 971 392 параметрами. Она обучена на партиях игроков рейтинга 1800+ с Lichess и использует фиксированный словарь из 2030 токенов. Контекст составляет 200 ходов, а карточка указывает английский язык. Модель предназначена для продолжения шахматных партий и игры против пользователя; опубликованы веса Safetensors и варианты ONNX, включая FP16 для WebGPU и INT8 для WASM. В оценке авторов точность предсказания следующего хода составила 52,4%, а доля легальных ходов без маски — 99,1%; демо применяет маску легальности. Это языковая модель ходов, а не шахматный движок: у неё нет поиска, собственной оценки позиции или состояния доски, поэтому она может пропускать тактику и заметно слабее играет, если дать только позицию без истории. Лицензия — Apache-2.0.

Sanskrit Qwen2.5-7B Base Model — экспериментальная языковая модель автора diabolic6045, созданная дообучением Qwen/Qwen2.5-7B для генерации и продолжения текстов на санскрите. Это плотная авторегрессионная Transformer-модель семейства Qwen2 с 7,1 млрд параметров; она принимает текст и выдаёт текст. В README описаны LoRA-дообучение и добавление токенов санскритской пунктуации для письма деванагари. Метаданные указывают контекст до 131 072 токенов, однако в README сказано, что обучение проводилось с длиной контекста 1 024 токена. Модель предназначена для генерации стихов и прозы, продолжения фрагментов и экспериментальных учебных приложений, работающих с классическим санскритом. README отмечает, что результаты не достигли качества для практического применения. Модель может хуже работать с современным санскритом и не предназначена для перевода или транслитерации; мультимодальные возможности отсутствуют. Лицензия — Apache-2.0.

Модель minsolimbu/smart-job-search-model — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный для семантического сопоставления резюме и вакансий. Она кодирует текст предложений и абзацев в плотные векторы размерностью 384 и использует косинусное сходство для оценки близости. Модель построена на архитектуре BERT с усредняющим pooling и нормализацией; в метаданных указано 25,9 млн параметров и контекст до 512 токенов, тогда как README сообщает максимальную длину последовательности 256 токенов. Модель подходит для поиска вакансий по резюме, ранжирования подходящих предложений и оценки семантического сходства текстов. В README приведена оценка Spearman 0,7778 на наборе resume-job-validation. Она принимает только текст и выдаёт векторы для последующего поиска или сравнения. Язык обучения и поддерживаемые языки явно не указаны; базовая модель ориентирована на английский язык. Лицензия в предоставленных данных не указана.

TinyLM-11M — компактная языковая модель для генерации английского текста, разработанная автором репозитория rasa04 и обученная с нуля без использования transformers, trl и accelerate в тренировочном цикле. Модель предназначена для коротких связных историй, простых инструкций, удержания chat-формата и пошагового выполнения арифметических процедур, включая сложение с переносом и вычитание с заёмом. Она также умеет отказываться от ответа на фактические вопросы, если не может вывести ответ рассуждением. Модель содержит 10,56 млн параметров и использует Qwen3-совместимую архитектуру с RMSNorm, SwiGLU, QK-norm, GQA с 8 головами и 2 KV-головами, RoPE и связанными эмбеддингами. Конфигурация включает 12 слоёв, размер скрытого состояния 256, FFN-размер 704 и контекст длиной 512 токенов. Используется собственный BPE-токенизатор с 8192 токенами; цифры разбиваются по отдельности. Поддерживается только английский язык. Модель доступна в форматах GGUF F16 и Q8_0 и может запускаться в LM Studio. Сильные стороны TinyLM-11M — очень малый размер, низкие требования к ресурсам, связная генерация коротких текстов и высокая точность на специально подготовленном наборе алгоритмических задач: 94,5% на 64 held-out задачах при greedy-декодировании. При этом модель не предназначена для энциклопедических вопросов, длинных диалогов, программирования и стандартных бенчмарков знаний или рассуждений; фактических знаний о мире у неё практически нет, а вне узкого домена она может уверенно выдумывать ответы. Модель распространяется по лицензии MIT, при этом данные обучения регулируются лицензиями исходных датасетов.

Модель разработана организаторами курса и представляет собой дообученную версию языковой модели Microsoft Phi-1.5 для продолжения текста. Она обучена на отфильтрованном корпусе полных произведений Уильяма Шекспира и подходит для генерации и продолжения текста в близкой к этому корпусу литературной манере. Модель имеет плотную архитектуру PhiForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Основной сценарий — экспериментальная генерация стилизованного текста и изучение дообучения языковых моделей на литературном корпусе. Английский язык следует из состава обучающих данных и описания базовой модели. Узкое обучение на произведениях Шекспира ограничивает надёжность ответов за пределами литературного продолжения; карточка не заявляет специальных возможностей диалога или фактологического ответа.

ACE-Step/acestep-v15-xl-base-diffusers — официальный вариант контрольной точки ACE-Step v1.5 XL Base в формате Diffusers. Это музыкальная модель на основе flow-matching DiT с 5 млрд параметров, 32 слоями и 32 головами внимания; размер скрытого слоя составляет 2560, а размер представления кодировщика условий — 2048. Модель предназначена для генерации музыки по текстовому описанию и загружается через AceStepPipeline из библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и структуру стандартного конвейера Diffusers. Модель создана преобразованием upstream-релиза в формат Diffusers; базовая ACE-Step 1.5 XL также поддерживает редактирование и дополнение аудио, однако для этой версии карточка подтверждает только задачу генерации аудио по тексту. Лицензия — MIT.

XuanTruong03/ai-recruitment-embedder — модель Sentence Transformer, дообученная разработчиком на базе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с усредняющим pooling и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов по косинусному сходству. Размер модели — 162,4 млн параметров, максимальная длина последовательности — 258 токенов по метаданным. Модель предназначена для поиска и сопоставления текстов в сфере подбора персонала: например, для поиска подходящих вакансий или кандидатов по описаниям. README демонстрирует вьетнамские тексты и набор из 1 031 пар предложений; базовая модель также ориентирована на вьетнамский язык. При применении следует учитывать ограничение длины входа и проверять качество на собственных данных. Сведения о лицензии в доступных материалах отсутствуют.

JanSt/albert-base-v2_mbti-classification — модель классификации текста на основе ALBERT, предназначенная для отнесения текста к категориям MBTI. Она содержит 136,3 млн параметров, использует архитектуру AlbertForSequenceClassification и рассчитана на контекст до 512 токенов. Модель принимает текст и выдаёт метку класса. В карточке указаны английский язык, библиотека Transformers и лицензия MIT. Подойдёт для экспериментальной классификации англоязычных текстов по типам MBTI; качество и ограничения классификатора в карточке не описаны.

akhooli/ap2023 — модель генерации арабской поэзии, созданная дообучением aragpt2-medium на стихотворениях разных эпох. Она принимает текстовый запрос и продолжает его, формируя стихотворный текст; автор приводит пример генерации с выборкой и beam search. Модель основана на GPT-2 и имеет контекст длиной 1024 токена. Обучающий набор включал около 1,4 млн строк стихов, из которых 1,25 млн использовались для обучения. В карточке приведены perplexity 52, eval_accuracy 0,3704 и eval_loss 3,9513. Автор отмечает ограничения покрытия и качества обучения и рекомендует использовать модель как демонстрацию или proof of concept, а не в производственном коде. Лицензия в предоставленных данных не указана.

BiMediX-Ara — арабская версия BiMediX, медицинской разговорной языковой модели на архитектуре Mixtral-8x7B-Instruct-v0.1. Модель разработана исследователями Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI) и дообучена на наборе BiMed1.3M-Arabic с разнообразными медицинскими диалогами. В метаданных указаны архитектура Mixtral с механизмом Mixture of Experts, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для медицинских диалогов на арабском и английском языках, ответов на вопросы с выбором ответа и закрытые вопросы. Она может использоваться для исследовательских прототипов медицинских чат-ботов и ответов на медицинские вопросы. Карточка приводит результаты на медицинских бенчмарках, но не описывает их как гарантию клинической точности. Модель распространяется по лицензии CC BY-NC-SA 4.0; README указывает на исследовательское использование и предупреждает о галлюцинациях, токсичности и стереотипах.

BrockportGPT-7b — дообученная модель семейства LLaMA 2, созданная для ответов на вопросы о Государственном университете Нью-Йорка в Брокпорте (SUNY Brockport). Для обучения использован синтетический набор вопросов и ответов, сформированный с помощью GPT-4 на основе сайта университета. Модель предназначена для диалоговых запросов об университете, например о подаче документов и доступных службах. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; максимальная длина контекста — 4096 токенов. Репозиторий содержит веса PyTorch, а метаданные указывают поддержку английского языка и генерации текста. README предупреждает, что качество ответов различается. Лицензия в предоставленных данных не указана.

ChessBot — трансформерная модель для шахмат, разработанная Maxlegrec и реализованная на PyTorch. Она принимает позицию в формате FEN и предсказывает следующий ход, оценивает позицию и выдаёт вероятности ходов. Архитектура включает 10 слоёв трансформера, скрытый размер 512, 8 голов внимания, размер feed-forward слоя 736 и словарь из 1929 шахматных ходов; модель насчитывает 37,7 млн параметров и имеет контекст 64 токена. Репозиторий содержит веса в формате safetensors, для работы используются Transformers и python-chess. Модель обучена на примерно 750 млн шахматных позиций из проекта LCZero. Автор отмечает, что она играет сильнее большинства людей, но значительно уступает Stockfish; снижение температуры генерации может усилить игру. Лучше всего модель работает со стандартными позициями, а качество на редких и необычных позициях может меняться. Для оптимальной скорости инференса рекомендуется GPU. Лицензия — MIT.

Это дообученная языковая модель GPT-2, разработанная на основе austindavis/gpt2-lichess-uci-2016-01_11. По названию репозитория и базовой модели она предназначена для генерации шахматных ходов в формате UCI на доске 8×8; метаданные указывают задачу text-generation и контекст 512 токенов. Модель сохранена в формате safetensors. В карточке приведён результат оценки: loss 0,8839. Данные обучения и подробности об оценке не описаны, поэтому этот показатель не позволяет судить о качестве партий или легальности генерируемых ходов. Лицензия в предоставленных сведениях не указана.

DermTriage — дообученная с помощью QLoRA модель Google MedGemma 1.5 4B для предварительной классификации кожных новообразований по изображениям. Она принимает изображение поражения кожи и текстовый запрос, а затем формирует текстовую оценку. В обучении использованы фотографии со смартфонов PAD-UFES-20 и дерматоскопические изображения HAM10000; модель распространяется в формате GGUF BF16 с отдельным vision-проектором SigLIP. Модель предназначена для исследовательских и образовательных сценариев предварительной сортировки, включая оценку риска злокачественного или предракового поражения. На отложенной выборке из 872 изображений автор сообщает чувствительность 89,5%, специфичность 70,3% и точность разделения на доброкачественные и злокачественные случаи 73,2%. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории. Модель не является диагностическим инструментом и не заменяет осмотр дерматолога или гистологическое исследование; в обучающих данных недостаточно представлены люди с тёмным цветом кожи.

Filiberto 124M — компактная авторегрессионная языковая модель семейства GPT-2, разработанная проектом bertin-project и обученная на испанских пьесах Золотого века. Модель содержит 124 млн параметров, использует токенизатор GPT-2 и рассчитана на контекст до 1024 токенов. Модель предназначена для генерации продолжений и стилизованного текста на материале испанской драматургии. Благодаря небольшому размеру её можно запускать на CPU, а также использовать для пакетной генерации на GPU. В README описано предобучение на примерно 5 млн токенов корпуса TEXORO; чекпойнт обозначен как специализированная базовая модель. Модель распространяется по лицензии Apache-2.0. Её узкий обучающий корпус ограничивает надёжность для современного испанского, других языков и задач за пределами генерации текста.

GatorGPT2 — небольшая языковая модель kunjcr2 для экспериментов с обучением и запуском собственных языковых моделей. Это авторегрессионный трансформер с архитектурой decoder-only, обученный с нуля на подмножестве англоязычного набора TinyStories для предсказания следующего токена. Модель содержит 54,6 млн параметров, использует RoPE, grouped-query attention, RMSNorm и SwiGLU; длина контекста — 1024 токена. Для токенизации применяется tiktoken с кодировкой p50k_base. Модель подходит для образовательных демонстраций, исследований компактных трансформеров и экспериментов с настройкой, квантизацией, дистилляцией и вариантами внимания. Она генерирует простые короткие тексты на английском языке. Качество ограничено небольшим размером, обучением на историях для детей и отсутствием instruction tuning и RLHF; возможны несвязные или повторяющиеся ответы. Формальных результатов бенчмарков не приведено. Лицензия — Apache-2.0.

Gemma-2 2B Verbalized Rebus Solver — модель на базе Gemma 2, дообученная Gabriele Sarti для решения вербализованных ребусов на итальянском языке. Она преобразует последовательность букв и определений кроссвордного типа в фразу, соответствующую заданным длинам слов. Модель содержит 2,7 млрд параметров, использует архитектуру Gemma2ForCausalLM и рассчитана на контекст до 8192 токенов. Для обучения применялся QLoRA с 4-битной точностью на наборе EurekaRebus; адаптер объединён с основными весами в формат половинной точности, поэтому модель можно запускать через Transformers. Лицензия — Apache-2.0. Модель предназначена для решения итальянских вербализованных ребусов, в которых нужно восстановить ответ по подсказкам и зашифрованной последовательности букв. Карточка указывает на переобучение на определениях и ответах, использованных при первом проходе обучения: качество заметно ухудшается на отложенных словах и примерах вне обучающего домена.

AiHub4MSRH-Hash/hash-MedGemma-4B-16bit-eng-swa-it — дообученная мультимодальная модель семейства Gemma 3, созданная AiHub4MSRH-Hash на базе unsloth/medgemma-4b-it. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальным вводом. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL. В метаданных указаны архитектура Gemma3ForConditionalGeneration, формат safetensors, английский язык и возможность работы с изображениями. Лицензия — Apache-2.0. Карточка не описывает конкретные медицинские сценарии, обучающие данные, оценки качества или ограничения модели. Поэтому её специализированные возможности и надёжность в медицинских задачах по этим данным определить нельзя.

Hassan Remix — слитая модель генерации изображений от Yntec на базе Stable Diffusion 1.5. Она принимает текстовые описания и создаёт изображения в художественном стиле; в карточке приведён пример запроса для иллюстрации с персонажем и сказочным пейзажем. Модель распространяется в формате Diffusers с весами SafeTensors и встроенным VAE MoistMixV2; лицензия — CreativeML OpenRAIL-M. Модель склонна создавать наготу даже без соответствующего запроса. Автор отмечает, что для снижения этого эффекта нужно добавлять «nude, naked» в негативный промпт, однако полностью устранить проблему не удалось. Поэтому она не подходит для сценариев, где требуется надёжно исключать такой контент.

Healix-1.1B-V1-Chat-dDPO — медицинская языковая модель на архитектуре Llama с примерно 1,1 млрд параметров, представленная разработчиком health360. Она предназначена для генерации медицинских текстов и ответов на вопросы, включая запросы о неотложной помощи; карточка описывает применение в медицинских исследованиях и как вспомогательный инструмент для клинической работы. Модель принимает текст и выдаёт текст, использует формат Alpaca и имеет контекстное окно 2048 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Карточка сообщает об обучении на медицинской литературе и наборе вопросов Healix-Medical-Shot, а также приводит результат 64% на оценке медицинских вопросов, но не уточняет протокол этой оценки. Это заявление не подтверждено приведёнными метаданными. Модель может выдавать ошибочные или предвзятые ответы и не заменяет профессиональную медицинскую консультацию; при работе с ней следует учитывать конфиденциальность пациентских данных.

tiborousset/JapMed-Task_Arithmetic — слитая диалоговая языковая модель на архитектуре Llama, созданная с помощью mergekit методом Task Arithmetic. В качестве базовой использована lightblue/suzume-llama-3-8B-japanese; в слияние также включена ContactDoctor/Bio-Medical-Llama-3-8B. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста в диалоге и может сочетать японские возможности базовой модели со справочными ответами по биомедицинским темам второй модели. Репозиторий содержит веса в формате safetensors; для работы используется Transformers. Лицензия в предоставленных данных не указана.

NadunAnjanaka/Llama-2-7b-chat-Counsellor — языковая модель на архитектуре Llama 2, дообученная для раннего выявления проблем психического здоровья и виртуального консультирования. Модель разработана в рамках учебного проекта факультета медицины Университета Коломбо, Шри-Ланка, и ориентирована на образовательное применение. Модель принимает текст и генерирует ответы в диалоговом формате. Она содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и рассчитана на английский язык. В репозитории указаны веса PyTorch и лицензия Llama 2. Карточка не подтверждает клиническую пригодность модели или качество её рекомендаций. Её следует рассматривать как учебную разработку, а не как замену профессиональной оценке психического здоровья.

Lythri-4B-A2B — дообученная модель семейства Lythri для локальных диалогов и эмоциональной поддержки. Она основана на Google Gemma 4 E2B и разработана автором проекта Lythri. Модель использует архитектуру Gemma 4; в ней 4,63 млрд параметров, из которых активно 2,3 млрд. Для запуска предусмотрены сценарии на ноутбуке и телефоне, а репозиторий содержит веса Safetensors. Модель предназначена для естественных многоходовых бесед, распознавания эмоционального контекста и поддержки пользователя. По заявлению авторов, на трёх тестах эмоционального интеллекта она сопоставима с Gemma 4 E4B IT. Для сценариев эмоциональной поддержки авторы рекомендуют системный промпт; без него результаты могут быть хуже. Модель не оптимизирована для математики, программирования и сложных рассуждений, может выдавать неточные или неуместные ответы и не заменяет профессиональную помощь в области психического здоровья. Лицензия — Apache-2.0.

baruga/mandelbrot-fractals — модель Stable Diffusion, дообученная автором baruga на изображениях фракталов Мандельброта в рамках DreamBooth Hackathon. Она предназначена для генерации изображений по текстовым запросам, в том числе фракталов заданной формы; в карточке предложен шаблон запроса «a photo of mafra fractal in the shape of …». Для генерации используется StableDiffusionPipeline из библиотеки Diffusers; автор рекомендует CFG scale около 8–9 и отмечает, что дополнительные модификаторы и негативные запросы могут улучшить результат. Модель распространяется под лицензией CreativeML OpenRAIL-M.

Matrix-Game-2.0 — модель интерактивного мира, представленная разработчиком Skywork. Это производная модель на 1,8 млрд параметров, дообученная на базе Skywork/SkyReels-V2-I2V-1.3B-540P; в карточке также описано, что она происходит от Wan: текстовую ветвь удалили и добавили модули действий. Модель предсказывает следующие видеокадры по визуальному содержимому и действиям пользователя. Модель предназначена для потоковой генерации длинных интерактивных видео и игровых миров. Она принимает визуальный контекст и сигналы клавиатуры и мыши, позволяя управлять сценой покадрово; README заявляет генерацию с частотой 25 кадров в секунду и минутных роликов. Модель доступна в форматах Diffusers и Safetensors, лицензия — MIT. В описанном разработчиком бенчмарке модель показывает высокие результаты по качеству изображения, временной согласованности и точности управления клавиатурой и мышью. Заявленные результаты относятся к бенчмарку GameWorld; сведения о независимой оценке этих характеристик не приведены. Метаданные классифицируют репозиторий как image-to-video, но подробные требования к формату входных данных и запуску в README не описаны.