IV.5Образование и развитие навыков

Это модель диффузии для безусловной генерации изображений милых бабочек. Она создана как учебная работа в рамках курса Diffusion Models Class и распространяется в формате Diffusers с весами Safetensors; для генерации карточка предлагает использовать DDPMPipeline из библиотеки Diffusers. Модель предназначена для создания изображений бабочек без текстового запроса. В метаданных указана лицензия MIT. Размер модели, разрешение изображений, поддерживаемые языки и дополнительные характеристики качества не сообщаются.

Модель hyunah12/sd-class-butterflies-32 создана как учебный проект в рамках курса Diffusion Models Class. Это диффузионная модель для безусловной генерации изображений милых бабочек: она создаёт изображение без текстового запроса. Модель распространяется в формате Diffusers с весами Safetensors и запускается через DDPMPipeline библиотеки Diffusers. Лицензия — MIT.

Это диффузионная модель, созданная как учебная работа для первого блока курса по diffusion-моделям. Она генерирует изображения бабочек без текстового запроса и запускается через DDPMPipeline библиотеки Diffusers. Модель распространяется в форматах Diffusers и safetensors по лицензии MIT.

Stoicheia — модель с 405 млн параметров для совместной макронизации и метрического сканирования текстов на древнегреческом языке. Это символьный энкодер с маскированной диффузией и двумя посимвольными выходными головками; релиз подготовлен анонимной командой авторов статьи, находящейся на рецензировании. Модель принимает буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию как отдельные выровненные слои, которые можно независимо маскировать. Архитектура использует 32 слоя и чередует локальное внимание в окне 256 символов с глобальным вниманием. Модель определяет долготу или краткость неоднозначных α, ι и υ, а также размечает метрические позиции как безударные, с тяжёлым или лёгким окончанием либо концом стиха. Для сканирования можно включить декодер Витерби, ограничивающий выход допустимыми последовательностями для заданных метрических схем. Поддерживаются отредактированный текст, слитное написание без пробелов и лакуны неизвестной длины. Для одной только макронизации авторы рекомендуют отдельную модель Stoicheia-macronizer, поскольку её специализированная головка работает лучше. Лицензия Apache-2.0.

Это экспериментальная текстово-условная диффузионная модель, созданная с нуля автором репозитория mbsdeepak на PyTorch. U-Net с 19,4 млн параметров учится обращать гауссовский процесс зашумления, используя замороженные текстовые эмбеддинги CLIP и classifier-free guidance, и создаёт изображение одежды Fashion-MNIST из случайного шума. Модель предназначена для генерации изображений по одному из десяти фиксированных названий классов Fashion-MNIST: например, «sneaker», «dress» или «bag». Генерация выполняется в оттенках серого с разрешением 32×32; в карточке описана выборка методом DDIM за 50 шагов с guidance 1.5. Это учебный проект для знакомства с диффузионной генерацией, а не модель для фотореалистичных изображений или произвольных текстовых запросов. Лицензия — MIT.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная пользователем samual07, который описывает себя как студента. Модель предназначена для генерации ответов на вопросы на тайском языке и обучалась на наборе данных из 3 000 пар вопросов и ответов о животных; в метаданных набор данных обозначен как disease_3000. Модель работает с задачей text-generation, поддерживает тайский язык и имеет нативное контекстное окно длиной 1 024 токена. Она может использоваться для простых диалоговых интерфейсов и ответов на тематические вопросы о животных в сценариях, где допустима генерация текста на основе ограниченного обучающего набора. Модель не сопровождается результатами оценки качества, описанием гиперпараметров, точной спецификацией архитектуры или сведениями о размере параметров. Поэтому ответы могут быть неточными, неполными или фактически ошибочными, особенно за пределами тематики обучения. Модель распространяется по лицензии MIT.

Wushu Action LoRA — MiniMax H3 — это адаптер LoRA для генерации видео в стиле постановочных боевых сцен ушу и других видов боевых искусств. Модель разработал пользователь Jojocodex на базе MiniMaxAI/MiniMax-H3. Она предназначена для сценариев text-to-video и image-to-video, включая одиночные и парные поединки, работу с оружием, динамичные движения, сложную хореографию и кинематографическую съёмку. Для активации используется триггерное слово wushu_action. Адаптер обучался на 924 отобранных фрагментах боевых сцен с разрешением 832×480 и частотой 24 кадра в секунду, снабжённых специализированными тегами боевых приёмов. В README указана конфигурация с полноразмерным неурезанным int8-convrot DiT и текстовым энкодером Qwen3-VL в формате bf16; при этом число шагов обучения обозначено противоречиво — 1000 и 2000. Для работы требуются базовая модель minimax_h3_fl2va_int8_convrot, текстовый энкодер Qwen3-VL 32B, видео- и аудио-VAE. Рекомендуются разрешение 832×480, 24 fps и 124 кадра, что соответствует примерно 5,2 секунды видео. Сильными сторонами модели являются специализация на боевой хореографии, поддержка конкретных терминов и приёмов ушу, а также возможность использования в ComfyUI через готовый рабочий процесс. Автор отмечает, что текущая версия ещё не полностью соответствует ожидаемому качеству и планирует дальнейшее обучение на расширенном наборе движений. Известное ограничение — склонность к размытости при малом числе шагов семплирования; рекомендуется увеличивать их количество или применять плагины восстановления. В README также советуется сочетать модель с Combat-Base-V2, Motion Continuity Repair LoRA и, при необходимости, Spatial & Physics LoRA. Лицензия указана как other, без дополнительных условий.

YuE-s1-7B-anneal-en-icl — англоязычная версия модели семейства YuE, разработанного командой HKUST/M-A-P для генерации музыки по тексту песни. Она предназначена для создания целых песен длительностью в несколько минут, включая вокальную партию и музыкальное сопровождение; режим ICL позволяет использовать референсную композицию при генерации. Модель построена на плотной архитектуре Llama и содержит 5,9 млрд параметров, работает с контекстом до 16 384 токенов и опубликована в формате safetensors. YuE ориентирована на генерацию песен на английском языке; семейство в целом поддерживает разные жанры, языки и вокальные техники. Для работы с моделью требуются средства инференса, описанные в репозитории проекта. Доступны сценарии генерации по тексту и создания новой композиции с опорой на аудиореференс. Модель распространяется по лицензии Apache 2.0.

senaro/atlasv13-gemma4-26b — дообученная модель Senaro на базе senaro/atlas-trm13-gemma4-26b, построенная на плотной архитектуре Gemma 4 и предназначенная для работы в диалоговом формате с изображениями и текстом. В карточке она обозначена как текущая производственная версия Atlas v13 и лицензирована по Apache-2.0. Модель позиционируется как компаньон для общения, в том числе с пользователями AuDHD. По заявлению автора, её дообучили так, чтобы уменьшить терапевтические отказы и автоматические рекомендации кризисных служб. Это повышает важность заданных системным промптом границ и порогов эскалации. Автор предупреждает, что модель не заменяет помощь специалиста и не подходит для общего развёртывания без защитных ограничений; также сообщается о критической проблеме безопасности при отдельных обменах репликами и планируемом выводе версии из эксплуатации.

AmberYifan/capsd-medcase-marin-8b-base-medicine_cap_b1000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. В ней 7,5 млрд параметров; модель использует архитектуру LlamaForCausalLM и формат safetensors, работает через библиотеку Transformers и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её дообучили на наборе capsd_marin-8b-base-n13092-medicine-medcase__mix_medicine_cap_b1000_s0, связанном с медицинскими клиническими случаями; это указывает на медицинскую направленность адаптации, но карточка не описывает конкретные возможности или результаты обучения. Базовая модель англоязычная, однако поддерживаемые языки этой производной модели отдельно не подтверждены. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. В README не приведены сведения об оценке качества и ограничениях применения.

AmberYifan/capsd-medcase-marin-8b-base-medicine_cap_b4000_s0 — дообученная модель на архитектуре Llama, созданная на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 4096 токенов. По названию обучающего набора модель адаптирована для медицинских клинических случаев; README не приводит подробностей о сценариях применения или результатах оценки. Базовая модель описана как англоязычная. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как other, без уточнения условий.

Claudius Purus 110M-G — авторская генеративная языковая модель, созданная с нуля на архитектуре GPT-2. Она обучена на 27,92 млн токенов из 996 произведений, написанных до нашей эры, на семи древних языках: древнегреческом, латинском, аккадском, шумерском, библейском иврите, классическом китайском и ведийском санскрите. Модель содержит 110,9 млн параметров, использует корпусный байтовый BPE-токенизатор на 32 тыс. элементов и принимает контекст длиной до 1024 токенов. Модель предназначена для продолжения древних текстов и исследования влияния сохранившихся источников на лексику и стиль. Она воспроизводит отдельные исторические регистры и грамматические особенности, но не предназначена для диалога, фактических ответов или рассуждений. Обучающие данные отражают преимущественно элитарную письменную традицию; иврит представлен непунктированным согласным текстом, а санскрит может слабо реагировать на подсказки вне ритуальной прозы. Модель распространяется в формате Safetensors по лицензии CC BY-NC-SA 4.0. Из-за условий лицензии она предназначена для исследовательского и игрового использования, не для коммерческого применения.

avewright/exp182-pretrain-309m — шахматная модель ChessTransformer, опубликованная разработчиком avewright. Репозиторий содержит предобученный чекпойнт на 309 млн параметров и чекпойнт после 10 итераций обучения с подкреплением: он получен методом expert iteration на основе предобученной модели с целями по посещениям MCTS и ходами Stockfish. Указанная архитектура включает 96 слоёв, размерность 512, 8 голов внимания, StrengthenedBoardEncoder, SwiGLU и относительные смещения для шахматной доски. Модель предназначена для выбора шахматных ходов и обучения шахматной стратегии с помощью обучения с подкреплением. README описывает предобучение до шага 10 000 из целевых 50 000 и приводит пример загрузки чекпойнта для инференса. Репозиторий распространяется по лицензии MIT. Вход и выход представлены шахматными позициями и ходами; конкретный формат их кодирования в карточке не описан.

HuatuoGPT-o1-70B — медицинская языковая модель для сложных рассуждений в медицинской тематике, разработанная командой FreedomIntelligence. Она формирует ход рассуждений, пересматривает его и затем выдаёт итоговый ответ. Модель построена на LLaMA 3.1 70B и предназначена для диалогового применения и генерации текста; заявленный язык — английский. Размер составляет 69,5 млрд параметров, контекст — до 131 072 токенов. Модель подходит для ответов на медицинские вопросы и подготовки обоснованных ответов на клинические задачи. Она дообучена на наборах medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для поддержки рассуждений, а не для замены профессиональной медицинской оценки. README не приводит конкретных результатов клинической валидации; ответы следует проверять, особенно перед использованием в принятии медицинских решений.

HuatuoGPT-o1-70B-GGUF — это квантизированная версия медицинской языковой модели HuatuoGPT-o1-70B, разработанной FreedomIntelligence и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на медицинские сценарии: ответы на вопросы, рассуждения по медицинским задачам и работу с текстовыми запросами. При обучении базовой модели использовались наборы данных medical-o1-reasoning-SFT и medical-o1-verifiable-problem. Модель содержит 70 млрд параметров и работает в текстовой модальности. В карточке указаны английский язык и поддержка запуска через llama.cpp и LM Studio; приведён специальный формат промпта с системными и пользовательскими сообщениями. Доступно множество вариантов квантизации от Q8_0 до IQ2_XXS, что позволяет выбирать компромисс между качеством, размером файла и требованиями к памяти. Наиболее качественными и рекомендуемыми обозначены варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M, а младшие варианты существенно экономят память, но снижают качество. Сильными сторонами модели являются медицинская специализация, большой размер и возможность локального запуска в различных квантизированных конфигурациях. Ограничения включают отсутствие в предоставленных данных сведений о длине контекста, точной архитектуре, мультимодальности и результатах оценки; кроме того, медицинские ответы требуют проверки специалистом и не должны рассматриваться как самостоятельная диагностика. Модель распространяется по лицензии Apache-2.0.

Hulu-Med-14B — медицинская мультимодальная модель семейства Hulu-Med, разработанная командой ZJU-AI4H. Это вариант на 14 млрд параметров с архитектурой MoE на базе Qwen3-14B; модель принимает медицинский текст, изображения и видео, включая двумерные снимки, трёхмерные объёмы и хирургические ролики. Контекст составляет 40 960 токенов. Модель предназначена для визуальных вопросов и ответов, подготовки медицинских заключений, распознавания заболеваний, анатомического анализа, клинического диалога, медицинских рассуждений и распознавания этапов хирургических операций. В карточке также заявлена поддержка многоязычных медицинских вопросов и ответов. Модель рассчитана на медицинские сценарии, но приведённые результаты бенчмарков сами по себе не подтверждают её пригодность для принятия клинических решений. Веса опубликованы в формате Safetensors, указана лицензия Apache-2.0. Для запуска предусмотрена интеграция с Transformers; README также сообщает о поддержке vLLM. Модель обучена на общедоступных данных, однако конкретные языки и ограничения по медицинскому применению в предоставленной карточке не уточнены.

JAT-GPT — небольшая авторская языковая модель на архитектуре GPT-2, разработанная для обучения и демонстрации устройства языкового моделирования. Это декодерный трансформер с 17,9 млн параметров, обученный предсказывать следующий токен; модель распространяется в формате Safetensors и загружается через библиотеку Transformers. Она предназначена для экспериментов с генерацией коротких текстов и изучения базовых принципов обучения языковых моделей. Контекст составляет 1024 токена, однако в карточке отмечено, что модель часто генерирует бессвязный текст и имеет крайне ограниченные способности. Лицензия — Apache-2.0.

LATIN-VII — компактная авторегрессионная GPT-модель проекта Varro, обученная с нуля на корпусе классической латыни объёмом около 5,06 млн слов. Модель содержит 7 278 912 параметров и использует декодерный трансформер с 6 слоями, размерностью 288 и словарём из 4 000 токенов; доступна в формате safetensors для библиотеки MLX. Модель предназначена для генерации продолжений классического латинского текста и изучения языкового моделирования на малом корпусе. Обучающий корпус включает произведения авторов до приблизительно 200 года н. э.; орфография нормализована по классической конвенции, с u вместо v и i вместо j. Модель лучше воспроизводит локальные морфологические и функциональные структуры латыни, чем длинные связные рассуждения. Это исследовательский артефакт и демонстрация, а не источник достоверных сведений: модель может порождать правдоподобные несуществующие слова, терять связность и не подходит для ответов на вопросы. Средневековая и церковная латынь не представлены в обучении. Для запуска требуется Apple Silicon и MLX; стандартная архитектура Transformers не поддерживается. Лицензия — CC-BY-SA-4.0.

Lingshu-32B — медицинская мультимодальная модель, разработанная авторами проекта Lingshu как универсальная система для понимания и рассуждений по медицинским изображениям и тексту. Она построена на архитектуре Qwen2.5-VL, содержит 32 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для медицинских вопросов и ответов по изображениям и тексту, клинических рассуждений и генерации медицинских отчётов. В README заявлена поддержка более 12 видов медицинских изображений, в том числе рентгеновских снимков, КТ, МРТ, микроскопии, УЗИ, гистопатологии, дерматоскопии, изображений глазного дна, OCT, эндоскопии и PET. Модель доступна через Transformers; веса опубликованы в формате safetensors. Авторы сообщают о высоких результатах на медицинских мультимодальных и текстовых QA-задачах и генерации отчётов. Это заявление разработчиков, а не гарантия точности в клинической практике: модель может выдавать неверные или вводящие в заблуждение ответы, поэтому результаты требуют проверки специалистом. Лицензия — MIT.

EIRTHAIMED/Llama-3.1-EIRAI-8B — дообученная Eir AI Thai Medical LLM на базе Meta Llama 3.1 8B Instruct, разработанная для медицинских задач на тайском и английском языках. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 131 072 токенов и форматом весов Safetensors; для диалогов используется шаблон ChatML. Модель предназначена для ответов на медицинские вопросы, работы с тайскими медицинскими текстами и английской медицинской терминологией, а также для клинического извлечения сущностей и временной информации, перефразирования и поддержки медицинского RAG. В карточке приведены оценки на медицинских и тайских языковых бенчмарках, однако они сами по себе не подтверждают клиническую надёжность. Разработчики предупреждают, что модель находится в активной разработке и не прошла достаточную проверку для практического применения в клинике. Её не следует использовать для принятия медицинских решений без дополнительной валидации. Лицензия — Llama 3.1.

Модель disi-unibo-nlp/llama3.2-3B-SFT-medqa-triples-cot разработана disi-unibo-nlp и представляет собой дообученную для генерации текста версию unsloth/Llama-3.2-3B-Instruct-bnb-4bit. В основе лежит плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Название указывает на медицинские вопросы и ответы, однако README не описывает конкретные сценарии или качество на медицинских задачах. Указаны английский язык и возможности чата; входом и выходом служит текст. Модель распространяется по лицензии Apache-2.0.

Marmoka-es — испаноязычная клиническая языковая модель семейства Marmoka, разработанная Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa и Ander Barrena. Модель основана на Llama 3.1 8B Instruct и адаптирована к медицинской тематике с помощью продолжительного доменного предобучения на испанских медицинских корпусах в сочетании с общими инструкциями. Это плотная модель на 7,5 млрд параметров с контекстом до 131 072 токенов; она принимает и генерирует текст, поддерживает диалоговый формат и интерфейс вызова инструментов. Модель предназначена для генерации текста и ответов на клинические вопросы на испанском языке, в частности для исследовательской оценки медицинских LLM. В README указано преимущество над исходной Llama 3.1 8B Instruct и Llama3.1-Aloe-Beta-8B в тестах с клиническими вопросами с выбором ответа на испанском языке. Лицензия — Apache-2.0. Оценка проводилась на коротких вопросах с автоматическими метриками, без экспертной клинической проверки, поэтому она не подтверждает надёжность медицинских рассуждений. Следование инструкциям и строгое форматирование могут давать сбои, особенно в многошаговых задачах; возможны языковые, демографические и выборочные смещения. Модель предназначена для исследований, не одобрена для клинического применения и не должна использоваться для диагностики или выбора лечения; результаты требуют проверки медицинским специалистом.

MedFound-7B — текстовая языковая модель для генерации текста медицинской тематики, опубликованная проектом medicalai. Она основана на архитектуре BLOOM и содержит 9,1 млрд параметров; модель работает через библиотеку Transformers и распространяется в формате safetensors. В карточке Hugging Face указана задача text-generation, а тег medical указывает на медицинскую направленность. Модель может использоваться для исследовательских экспериментов с генерацией медицинских текстов. README ограничивает её применение исследовательскими целями и запрещает коммерческое и клиническое использование. Разработчики предупреждают, что ответы могут содержать ошибки и предвзятости, поэтому их следует независимо проверять. Лицензия — AFL-3.0.

mlx-community/medgemma-4b-it-bf16 — конверсия модели MedGemma 4B IT от Google в формат MLX со значениями bf16. Модель построена на архитектуре Gemma 3 и предназначена для диалоговой работы с медицинскими текстами и изображениями: например, для ответов на вопросы о медицинских снимках и клинического анализа изображений. Модель принимает текст и изображения и формирует текстовые ответы. В метаданных отмечены медицинские направления, включая радиологию, дерматологию, патологию и офтальмологию; базовая модель — MedGemma 4B PT. Репозиторий указывает лицензию «other»; README ссылается на исходную карточку Google за подробностями.

Карточка модели MBZUAI/MediX-R1-8B на Hugging Face совпадает с карточкой MBZUAI/MediX-R1-30B, поэтому описание составлено по ней. MediX-R1-30B — медицинская мультимодальная модель MBZUAI для ответов на вопросы по тексту и медицинским изображениям. Это дообученная методом обучения с подкреплением модель Qwen/Qwen3-VL-30B-A3B-Instruct; в метаданных указана архитектура Qwen3-VL MoE и библиотека Transformers. Модель предназначена для свободных клинических ответов и рассуждений, включая сценарии, выходящие за рамки тестов с выбором ответа. При обучении использовалось около 50 тысяч инструкционных примеров и составная функция вознаграждения, учитывающая точность, семантическое сходство, формат ответа и распознавание модальности. В README сообщается о среднем результате 73,6% на медицинских бенчмарках; это заявление авторов, а не гарантия качества в клиническом применении. Карточка указывает поддержку английского языка. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Карточка модели MBZUAI/MedMO-4B на Hugging Face совпадает с карточкой MBZUAI/MedMO-8B-Next, поэтому описание составлено по ней. MedMO-8B-Next — мультимодальная медицинская модель семейства MedMO, разработанная MBZUAI для анализа изображений и ответов на вопросы о медицинских данных. Это плотная модель на 8 млрд параметров с архитектурой Qwen3-VL, доступная в формате Safetensors и рассчитанная на диалоговую работу с изображениями и текстом. Модель предназначена для медицинского визуального вопросно-ответного поиска, клинического обоснования, локализации объектов и подготовки описаний и отчётов по снимкам. В README заявлено обучение на более чем 26 млн медицинских примеров из 45 наборов данных и поддержка рентгеновских снимков, КТ, МРТ, ультразвуковых изображений, гистопатологии, микроскопии, снимков глазного дна и OCT. Карточка приводит результаты на наборах медицинских VQA и Text QA, однако предоставленная таблица неполна, поэтому обобщённые заявления о превосходстве следует воспринимать с учётом этой оговорки. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; поддерживаемый языковой охват в доступных материалах не указан. Лицензия — Apache-2.0. Медицинские ответы модели не следует считать заменой профессиональной интерпретации снимков или клинического решения.

MMedLM — мультиязычная медицинская языковая модель с 6,9 млрд параметров, разработанная авторами проекта Towards Building Multilingual Language Model for Medicine. Это плотная авторегрессионная модель семейства InternLM, дополнительно предобученная на медицинском корпусе MMedC; она не проходила дообучение для следования инструкциям. Модель предназначена для работы с медицинскими текстами и извлечения признаков, а также поддерживает генерацию текста, в том числе ответы на медицинские вопросы на нескольких языках. Контекст модели составляет 2048 токенов. В карточке указана поддержка английского, китайского, японского, французского, русского и испанского языков. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0. В README отмечены ограничения совместимости: с актуальной версией Transformers могут возникать ошибки; авторы рекомендуют версию 4.28.1. Поскольку модель не настроена следовать инструкциям, для диалоговых сценариев может потребоваться дополнительное дообучение.

DancingIguana/music-generation — GPT-2-подобная авторегрессионная модель, обученная с нуля на базе архитектуры distilgpt2 для генерации последовательностей, представляющих музыкальные ноты. Она продолжает текстовую последовательность токенов нот, пауз и аккордов. Высоты мелодий в обучающих данных транспонированы в до мажор или ля минор; темп исходных MIDI-файлов игнорировался, а длительности нот задавались в четвертных долях. Последовательности кодируют музыкальные события специальными строками с обозначениями высоты и длительности. Модель предназначена для экспериментальной генерации символьных музыкальных мелодий, которые можно использовать в музыкальных прототипах и рабочих процессах на основе MIDI. Она принимает текстовые токены и выдаёт текстовые последовательности, а не готовый звук. Контекст составляет 1024 токена. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Обучение с нуля на узком наборе данных и приведение мелодий к двум тональностям ограничивают разнообразие и музыкальную применимость результатов. В README отсутствуют сведения об оценке качества и подробные рекомендации по использованию.

Nebulae — диффузионная модель DDPM, разработанная Ноа Линден Роггендорффом, которая генерирует изображения туманностей из случайного шума без текстового запроса. Модель распространяется в формате Diffusers и запускается через библиотеку Hugging Face Diffusers. В карточке приведены параметры обучения: 50 эпох, размер батча 16 и смешанная точность fp16. Лицензия — MIT. Модель подходит для создания визуальных изображений туманностей и космических фонов. Модель не обеспечивает идеальный фотореализм и не умеет создавать разборчивый текст на изображениях.

Ericu950/oga-macronizer-char — небольшая символьная модель для разметки долготы древнегреческих гласных. Она определяет фонемную долготу α, ι и υ в случаях, когда её нельзя установить по стандартному греческому письму, и служит корпусно-обобщающим дополнением к правиловому grc-macronizer. Модель разработана на основе небольшого трансформерного энкодера примерно с 1 млн параметров; вход обрабатывается на уровне символов с учётом букв и диакритики. Длина контекста — 512 токенов. Обучающие метки получены из вывода правилового макронизатора, применённого к корпусу Opera Graeca Adnotata. Модель также обучалась работать с текстом без части диакритики. В README сообщается о проверке на 17 произведениях Norma Syllabarum Graecarum: точность с метрикой, где неразмеченная позиция считается краткой, составила 89,89%, при этом модель оставила без ответа 9 из 2 957 позиций. Модель предназначена для макронизации древнегреческих текстов; она распространяется по лицензии GPL-3.0.