IV.8Государственное управление, правосудие и чрезвычайные ситуации

DavidCombei/wavLM-base-Deepfake_V2 — дообученная модель Microsoft WavLM Base для классификации аудио. По названию репозитория и показателю точности на оценочном наборе она предназначена для распознавания поддельной речи или аудио; README сообщает точность 0,9962 и loss 0,0234, но не описывает набор данных и условия оценки. Модель содержит 113,3 млн параметров, построена на архитектуре WavLMForSequenceClassification и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Cassandre-RAG — дообученная PleIAs модель семейства Llama 3.1 для генерации ответов по найденным документам, прежде всего по французским административным материалам в сфере школьного управления. Она ожидает структурированный запрос с блоками вопроса и источников; каждому источнику нужно присвоить идентификатор. Модель формирует ответ с указанием использованных фрагментов и документов. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Заявленная длина контекста — 131 072 токена. Для обучения использовались синтетические запросы, документы, найденные по BM25, и подготовленные на их основе ответы. В примере применения поиск и эмбеддинги выполняются отдельными компонентами, а Cassandre-RAG генерирует ответ по переданным источникам. Модель предназначена для вопросов и ответов с опорой на документы; качество результата зависит от релевантности и полноты предоставленных источников. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Hemg/Deepfake-Detection — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для определения по изображению, является ли оно дипфейком. Модель содержит 113,2 млн параметров, веса опубликованы в формате safetensors, лицензия — Apache-2.0. В README сообщается точность 0,9609 и loss 0,0975 на оценочном наборе. Данные об этом наборе и обучающей выборке не приведены, поэтому результаты нельзя уверенно переносить на другие источники изображений или условия съёмки.

Модель разработана для обнаружения дипфейков в видеокадрах. Она сочетает EfficientNet-B0 для извлечения пространственных признаков лица с шестью блоками Vision Transformer, которые моделируют связи между областями изображения; классификационная голова оценивает вероятность подделки. Для обработки видео README описывает извлечение 20 равномерно распределённых кадров, обнаружение и обрезку лиц с помощью MTCNN и классификацию кадров с получением вероятностей для каждого кадра. Обучение проводилось на сбалансированной выборке из 1 580 видео из FaceForensics++ и Celeb-DF. Репозиторий содержит веса PyTorch в формате safetensors и распространяется по лицензии MIT. По метаданным основная задача модели — image-classification; README также описывает применение к видео через покадровую обработку. Размер модели и длина контекста не указаны в доступных данных. Результаты зависят от сходства входных данных с обучающими наборами; качество на других типах подделок и условиях съёмки не приведено.

FunctionGemma-270M Arabic Tool Use — дообученная модель metga97 на базе google/functiongemma-270m-it, предназначенная для вызова инструментов по запросам на арабском языке. Она принимает диалог и описания инструментов, а когда нужен инструмент, формирует один вызов в нативном формате FunctionGemma со структурированными JSON-аргументами; для остальных запросов отвечает коротким текстом на арабском языке. Модель содержит 257 млн параметров, использует плотную архитектуру Gemma 3 и поддерживает контекст до 32 768 токенов. Обучение и оценка охватывают литературный арабский и диалекты: египетский, заливный, левантийский и магрибский; тестовые сценарии включают финансы, электронную торговлю, госуслуги, здравоохранение, исламские сервисы, путешествия, коммунальные услуги и погоду. В README указаны высокая точность выбора инструмента и аргументов, но точное совпадение всех вызовов ниже единицы; возможен перевод значений параметров на английский. Для корректного использования нужны шаблон чата FunctionGemma с переданными инструментами и левая схема дополнения батча. Модель распространяется по лицензии Apache-2.0.

kl3m-003-3.7b — компактная языковая модель, первоначально разработанная компанией 273 Ventures и переданная ALEA Institute. Это авторегрессионная модель семейства Mixtral с архитектурой Mixture of Experts: четыре локальных эксперта, из которых для каждого токена используются два. В README указан размер 3,69 млрд параметров, а в метаданных — 1,2 млрд; контекст составляет 4096 токенов. Модель обучена на английском, испанском, немецком и французском языках на данных, которые разработчики описывают как юридически допустимые. Лицензия — CC-BY 4.0. Модель предназначена для юридических, нормативных и финансовых рабочих процессов: она может генерировать текст, помогать с черновиками положений договоров, базовыми ответами на регуляторные вопросы и извлечением структурированных данных в JSON. Её также предлагают использовать как основу для доменного дообучения или обучения более крупных моделей. Разработчики отмечают низкую токсичность и эффективность запуска на потребительских GPU. Модель не настроена на выполнение инструкций и не выровнена по предпочтениям пользователей, поэтому ответы могут не соответствовать запросу и содержать правдоподобные, но неверные юридические сведения. Контекст ограничен 4096 токенами; результаты в юридических и нормативных сценариях требуют проверки специалистом. Разработчики указывают, что общие задачи могут выполняться хуже профильных.

Ministral-3B-PII-Preview — языковая модель на 3,3 млрд параметров от OpenMed для обнаружения персональных данных в неструктурированном тексте. Она извлекает найденные сущности и возвращает их в виде структурированного JSON-массива с типами; для текста без персональных данных модель может вернуть пустой массив. Модель построена на архитектуре Mistral 3 и используется через библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для извлечения персональных данных в сценариях проверки документов, клинических текстов и поддержки процессов конфиденциальности и соответствия требованиям. README сообщает о поддержке 20 языков в тестах, хотя обучающие данные были только на английском. На англоязычном тесте из 1 000 примеров все ответы были валидным JSON; многоязычная оценка показала более слабые результаты на сыром выводе для ряда языков, включая русский, а идеальные показатели после обработки достигались с отдельным детерминированным постпроцессингом. Модель принимает только текст; извлечение персональных данных из изображений не поддерживается, несмотря на тег image-text-to-text в метаданных. Она специализирована на PII, поэтому не предназначена для общего NER или обычного диалога. Возможны пропуски сущностей и неверные метки, особенно при узкоспециальной лексике и нестандартных форматах; для комплаенса её следует применять как часть более широкой системы, а не как единственную проверку.

MS-EffGCViT DeepFake B5 Celeb-DF-v2 — модель DeepGuard для выявления поддельных лиц на изображениях и видео. Это гибридная архитектура, сочетающая сверточную EfficientNet-B5 и иерархическое внимание с глобальным контекстом; версия B5 рассчитана на анализ с высоким разрешением 384×384. Модель классифицирует входные кадры как настоящие или поддельные, а видео оценивает по кадрам с последующим объединением результатов. Модель предназначена для проверки подлинности лицевых изображений и видеозаписей, в том числе в задачах цифровой криминалистики и модерации. README указывает на обучение и оценку на Celeb-DF-v2, а также заявляет поддержку изображений и видео. Приведённые результаты на других наборах данных показывают существенно более слабое обобщение: на KoDF и FaceForensics++ точность близка к случайной, поэтому результаты на Celeb-DF-v2 не следует считать гарантией качества на иных источниках. Модель дообучена на основе timm/tf_efficientnet_b5.ns_jft_in1k и распространяется в формате safetensors под лицензией MIT. Для входа требуются кадры с лицом; README описывает работу на уровне кадров, но не сообщает длину контекста, применимую к видеопоследовательности.

SIDA-13B-description — модель на архитектуре LLaVA, дообученная на базе SIDA-13B для создания текстовых объяснений при работе с изображениями. Она предназначена для сценариев, где нужно пояснить обнаружение или локализацию изменённых и поддельных областей; для воспроизведения результатов обнаружения и локализации автор рекомендует использовать базовую SIDA-13B. Модель содержит 12,9 млрд параметров, принимает изображения и текст, а контекст составляет 4096 токенов. В обучающих данных SID_Set представлены реальные, изменённые и полностью синтетические изображения. Карточка указывает английский язык. Лицензия — Llama 2.

UniSpeech-SAT-Large for Speaker Verification — модель Microsoft для извлечения голосовых представлений и проверки личности говорящего. Это плотная архитектура UniSpeech-SAT с головой X-Vector; число параметров — около 402,9 млн. Модель предварительно обучалась на речи, а затем дообучалась на VoxCeleb1 с функцией потерь Additive Margin Softmax. Модель предназначена для сравнения голосовых образцов и задач распознавания говорящего. На вход подаётся речевое аудио с частотой дискретизации 16 кГц; на выходе получаются векторы голоса, которые можно использовать для оценки сходства или проверки личности. Предобучение использовало Libri-Light, GigaSpeech и VoxPopuli. В метаданных указан английский язык. Для работы нужна частота аудио 16 кГц. README не приводит численных результатов проверки качества или сведений о лицензии, поэтому их нельзя оценить по доступным данным.

espnet/voxcelebs12_rawnet3 — модель распознавания и сравнения говорящих, обученная Jungjee по рецепту VoxCeleb в ESPnet. Она принимает аудио и предназначена для задач верификации говорящего: оценки того, принадлежат ли два аудиофрагмента одному человеку. В репозитории указана архитектура RawNet3; веса представлены в формате PyTorch, лицензия — CC BY 4.0. В карточке приведён результат на тесте: EER 0,739% и minDCF 0,05818. Модель связана с многоязычным набором данных VoxCeleb, однако карточка не уточняет конкретные языки речи или длину аудио для применения. Для использования требуется ESPnet2 и совместимое окружение PyTorch.

Карточка модели zodumair/wav2vec2-deepfake-voice-detector на Hugging Face совпадает с карточкой garystafford/wav2vec2-deepfake-voice-detector, поэтому описание составлено по ней. Модель Gary A. Stafford — дообученная версия трансформера Wav2Vec2 для бинарной классификации аудио: она оценивает, произнесена ли речь человеком или создана системой синтеза речи либо клонирования голоса. Модель рассчитана на обнаружение синтетической речи, в том числе сгенерированной ElevenLabs, Amazon Polly, Hexgrad Kokoro, Hume AI, Speechify и Luvvoice. Архитектура — Wav2Vec2ForSequenceClassification на 402,7 млн параметров. При дообучении были заморожены сверточный экстрактор признаков и нижние 12 из 24 слоёв трансформера; верхние 12 слоёв и классификационная головка обучались на наборе из 1 866 сбалансированных аудиофрагментов длительностью 2,5–13 секунд. На вход подаётся аудио, которое приводится к моно и частоте 16 кГц; модель выдаёт оценки двух классов: «реальная речь» и «синтетическая речь». Карточка сообщает об обучении базовой модели на 53 языках, но не устанавливает, для каких языков детектор надёжно работает. На валидационной выборке из 187 фрагментов указаны точность 97,9% и ROC-AUC 0,998; автор предупреждает, что высокая оценка отражает адаптацию к близкой предметной области и не доказывает обобщение на другие генераторы или реальные условия. Модель распространяется под лицензией Apache-2.0; для оценки качества на новых источниках рекомендуется отдельная проверка.

Aryan1245678 разработал модель для классификации аудио, дообучив Wav2Vec 2.0 на основе mo-thecreator/wav2vec2-base-finetuned. Она предназначена для обнаружения дипфейков и синтетически сгенерированной речи, в том числе в сценариях анализа аудио в реальном времени. Модель содержит 113,3 млн параметров, использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате safetensors. В README указаны точность 0,9882 и потеря 0,0829 на оценочной выборке; сведения о наборе данных и подробностях оценки отсутствуют. Модель распространяется по лицензии Apache-2.0. Языковая поддержка и ограничения в карточке не описаны.

Карточка модели Aryan1245678/DecodeX-detectionEngine на Hugging Face совпадает с карточкой Hemgg/Deepfake-audio-detection, поэтому описание составлено по ней. Hemgg/Deepfake-audio-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на датасете audiofolder. Она предназначена для обнаружения дипфейкового аудио и различения поддельных и подлинных записей речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио с частотой дискретизации около 16 кГц. В README приведены точность 0,9545 и loss 0,2288 на оценочном наборе. Обучающие данные описаны как англоязычный набор речи с участниками разных этнических групп. Автор отмечает, что для повышения точности модели требуется расширение датасета. Модель распространяется по лицензии Apache-2.0.

Kev-4B — модель принятия решений, разработанная Jared Palmer и опубликованная в репозитории jaredpalmer/kev. Она предназначена для TypeSafe-контракта /v1/systemone: получает один документ, описывающий состояние, и набор типизированных вопросов, а возвращает распределение вероятностей по каждому вопросу за один прямой проход. Модель не генерирует текст и ориентирована на автоматизацию классификационных и policy-based решений, включая задачи с вариантами ответа, неопределённостью и числовыми оценками. Модель представляет собой LoRA-адаптер с рангом 16 и 33,8 млн обучаемых параметров, подключённый к Qwen/Qwen3.5-4B-Base, а также pointer head. Поддерживает типы решений choice, noul и score. Обучение и проверка включали банковские намерения, логическое понимание, анализ тональности, отзывы, тематическую классификацию и другие задачи; язык и максимальный размер контекста в карточке явно не указаны. Встроена температурная калибровка вероятностей с T=2.14, которая не меняет выбранный ответ, но улучшает надёжность оценок уверенности. Сильные стороны Kev-4B — компактность, высокая точность на типизированных решениях и сравнительно хорошая переносимость на невиданные источники. На закрытом out-of-domain тесте указаны accuracy 0.837 и Brier score 0.255; на development-наборе — accuracy 0.797 и ECE 0.041 для модели в варианте с калибровкой. Ограничения включают снижение качества на некоторых типах задач, зависимость от корректного представления фактов и слабую работу с вычислением разницы между датами без предварительной обработки date_facts. Модель распространяется по лицензии Apache-2.0.

KomdigiITS-8B-DFKClassification-Merged — модель с архитектурой Mistral3ForConditionalGeneration, разработанная организацией aitf-komdigi на базе aitf-komdigi/KomdigiITS-8B-DFK-CPT. Она дообучена с помощью LoRA и объединена в модель для мультимодальной классификации контента по категориям дезинформации, клеветы, разжигания ненависти и нейтрального содержания. В обучающем наборе также использовались задачи текстовой классификации и извлечения ключевых слов. Модель принимает текст и изображения и предназначена для анализа материалов на индонезийском языке. В README указана максимальная длина последовательности 4096 токенов; метаданные подтверждают поддержку изображений и архитектуру Mistral3. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

MS-EffGCViT-B5 — модель компьютерного зрения из проекта DeepGuard, разработанная авторами репозитория HanMoonSub/DeepGuard для обнаружения дипфейков на лицах. Она классифицирует изображение или отдельные кадры видео как реальные либо поддельные; результаты по кадрам можно агрегировать для оценки видео. Архитектура сочетает EfficientNet-B5 с многоуровневым глобальным контекстным вниманием: свёрточные блоки выделяют локальные текстурные признаки, а механизмы внимания сопоставляют локальные детали с общим контекстом сцены. Вариант B5 рассчитан на анализ с высоким разрешением 384×384. Модель предназначена для проверки лицевых изображений и видео, в том числе для поиска артефактов текстур, склейки, освещения и структуры. В README приведены результаты на FaceForensics++ и проверки переноса на Celeb-DF-v2 и KoDF; показатели на внешних наборах заметно ниже, поэтому качество может зависеть от домена и данных. Для входа требуются изображения лиц, обрезанные по лицу; заявленное применение к видео выполняется на уровне кадров. Модель основана на дообученной timm/tf_efficientnet_b5.ns_jft_in1k, распространяется в формате safetensors через Transformers и лицензирована по MIT.

OpenMed-PII-Italian-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель на архитектуре DeBERTa V2; метаданные указывают 155 млн параметров, а README называет размер 44 млн. Контекст модели составляет 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские записи. Она предназначена для выявления PII в клинических заметках и документах, подготовки наборов данных к исследованиям и поддержки процессов деидентификации. README сообщает о micro F1 0,9559 на итальянской части AI4Privacy, но не приводит подробностей протокола оценки. Модель принимает текст и выдаёт метки токенов в формате BIO. Она обучена на итальянском подмножестве AI4Privacy PII Masking 400k и опубликована под лицензией Apache 2.0. Результаты могут зависеть от предметной области; модель может пропускать чувствительные данные, поэтому для критичных сценариев требуется проверка человеком.

PixelEyes-8B — мультимодальная модель на архитектуре Qwen3-VL, представленная в работе «PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking». Она предназначена для диалогового анализа изображений и многошагового визуального рассуждения: модель помогает находить на изображении точные визуальные свидетельства, делегируя детальную локализацию специализированному инструменту восприятия. Модель рассчитана на сценарии, где нужно последовательно исследовать изображение и обосновывать ответы конкретными визуальными деталями. Репозиторий содержит веса в формате safetensors. Лицензия, размер контекста и список поддерживаемых языков в предоставленных данных не указаны.

LorMolf/Qwen-Embedding-ProcCode-aligned-2k — дообученная и объединённая модель текстовых эмбеддингов на базе Qwen/Qwen3-Embedding-0.6B, предназначенная для поиска по материалам итальянских государственных закупок. Она создаёт представления запросов и документов для семантического поиска и retrieval; при обучении использовались LoRA и функция потерь InfoNCE. Для запросов ожидается формат «Instruct: \nQuery: », а документы подаются как исходный текст статьи, источника или узла вики без префикса инструкции. Обучение и оценка использовали контекст до 32 768 токенов. Модель содержит около 507,6 млн параметров и распространяется в формате safetensors; основным языком и предметной областью являются итальянский язык и государственные закупки. Лицензия в предоставленных данных не указана.

ERes2NetV2 — модель для проверки личности говорящего по речи, опубликованная MigoXV. Она извлекает 192-мерные векторы голоса из аудио и предназначена для сравнения записей и подтверждения совпадения говорящего. Модель принимает речь с частотой дискретизации 16 кГц; в проекте аудио преобразуется в 80-мерные Kaldi fbank-признаки. В Hugging Face репозитории веса представлены в формате safetensors и проверены на соответствие архитектуре ERes2NetV2. Модель рассчитана на китайскую речь. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка описывает проверку говорящего и извлечение голосовых эмбеддингов; качество может зависеть от акустических условий и соответствия входа ожидаемому формату, а результаты сами по себе не подтверждают личность без выбранного порога и процедуры проверки.

DavidCombei/wav2vec2-xls-r-1b-DeepFake-AI4TRUST — дообученная модель классификации аудио на базе facebook/wav2vec2-xls-r-1b. По названию репозитория она предназначена для выявления дипфейкового аудио; точное описание классов и обучающего набора данных не приведено. Модель содержит 1,3 млрд параметров, использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате safetensors для Transformers. В карточке указаны точность 0,8312 и loss 0,8947 на оценочном наборе, но его состав и методика оценки не описаны. Модель выпущена под лицензией Apache-2.0.

D-FINE-seg — семейство моделей компьютерного зрения от разработчиков проекта D-FINE-seg для детекции объектов и сегментации. Архитектура детекции следует D-FINE и использует подход DETR с запросами и рамками; для сегментации экземпляров добавлена облегчённая голова в стиле Mask DINO, а для семантической сегментации — отдельная голова без запросов. Выпущены варианты N, S, M, L и X: от 3,8 млн параметров у детектора N до 64,6 млн у модели сегментации экземпляров X. Доступны веса, предварительно обученные на COCO, для детекции и сегментации экземпляров. Модель рассчитана на обработку изображений в реальном времени, дообучение на пользовательских наборах данных и развёртывание через PyTorch, ONNX, TensorRT, OpenVINO, CoreML и LiteRT. В README приведены результаты дообучения на Cityscapes, VisDrone и TACO. Семантическая сегментация поддерживается кодовой базой, но готовые веса для неё пока не выпущены. Для запуска нужны изображения; модель выдаёт рамки объектов и маски, а в задаче семантической сегментации — классы пикселей. Карточка не указывает конкретные поддерживаемые классы или размер входного изображения. Веса и код распространяются по лицензии Apache 2.0. README рекомендует дообучать опубликованные веса на собственных данных; при INT8-квантизации сегментация заметно теряет в F1, поэтому для неё рекомендуется FP16.

kl3m-003-1.7b — компактная языковая модель ALEA Institute, первоначально разработанная 273 Ventures. Это плотная авторегрессионная модель GPT-NeoX с 2,2 млрд параметров по метаданным и контекстом 8 192 токена. Она обучалась на английских текстах, преимущественно из юридической области, с заявленным использованием юридически допустимых данных и низкой токсичностью. Модель предназначена для юридических, регуляторных и финансовых рабочих процессов: генерации текста, черновиков положений договоров, базовых ответов на вопросы и извлечения сведений в структурированный JSON. Её также предлагают использовать как основу для дообучения специализированных моделей и при обучении более крупных моделей. Модель не настроена на выполнение инструкций; для запуска доступен формат safetensors в Transformers. Лицензия — CC-BY 4.0. Небольшой размер ограничивает общие знания и качество вне целевых областей. Модель может уверенно генерировать ошибочные юридические или регуляторные сведения, поэтому результаты требуют проверки специалистом и не заменяют профессиональную консультацию.

ReDimNet2 B0 для MLX — конверсия официального чекпойнта b0-vox2-lm.pt, дообученного с large-margin на VoxCeleb2-dev. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт голосовой эмбеддинг размером 192 измерения, который можно использовать для сравнения голосов и проверки личности говорящего. Версия предназначена для запуска с библиотекой MLX. В README указано, что эмбеддинги совпадают с PyTorch-реализацией с относительной ошибкой не более 2,9×10⁻⁶ в описанном тесте на CPU в float32. Репозиторий распространяется по лицензии MIT.

Это конверсия официального чекпойнта ReDimNet2 B0, обученного предварительно на VoxCeleb2-dev до этапа дообучения с large-margin. Модель разработана для извлечения 192-мерных векторов голоса из монофонической аудиозаписи с частотой дискретизации 16 кГц и предназначена для задач верификации и сравнения говорящих. Версия преобразована для библиотеки MLX и распространяется в формате Safetensors. В README заявлено совпадение эмбеддингов с эталонной реализацией PyTorch с относительной ошибкой не более 3,5×10⁻⁶ в тесте на CPU с float32. Лицензия — MIT. Модель выдаёт векторы признаков, а не текстовую расшифровку речи.

gyr66/RoBERTa-ext-large-chinese-finetuned-ner — китайская модель разметки токенов, дообученная автором на наборе данных gyr66/privacy_detection. Она предназначена для выявления и классификации фрагментов, связанных с конфиденциальностью, в китайском тексте. Модель основана на архитектуре BERT, содержит 424,3 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочном наборе данных указаны F1 0,7318, точность 0,7052 и полнота 0,7606. Эти показатели отражают результаты только на упомянутом наборе данных; карточка не уточняет конкурсную задачу или классы разметки. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

HoopitAI разработала модель GenD для выявления дипфейков в видео. Она классифицирует изображения лиц по кадрам; для этого использует визуальный ViT-L из DINOv3 и классификационную голову LinearNorm. Модель обучена на FaceForensics++ и дообучает только параметры LayerNorm базовой модели, применяя нормализацию признаков, metric learning, Sharpness-Aware Minimization и сглаживание меток. В README приведены результаты на видео: AUROC 91,84%, mAP 89,88% и accuracy 84,91%. Модель рассчитана на анализ кадров с лицами и может использоваться как компонент конвейера проверки видео. Это дообучение facebook/dinov3-vitl16-pretrain-lvd1689m; веса опубликованы в формате safetensors. Лицензия — MIT.

Deepfake-Audio-Wav2Vec2 — модель классификации аудио, дообученная автором репозитория на базе facebook/wav2vec2-base для различения подлинной и поддельной речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио и относит его к одному из двух классов: Bonafide (подлинная запись) или Spoof (синтетическая либо изменённая запись). Модель предназначена для обнаружения дипфейков голоса, проверки подлинности аудиозаписей и использования в системах защиты голосовых сервисов. В README указаны обучение на сбалансированной части ASVspoof 2021 PA с примерами подлинной речи, синтетических и манипулированных записей, а также метрики accuracy 92,8%, precision 89,7% и recall 88,0%. Эти результаты не гарантируют такую же точность на других данных и сценариях. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Purnachander Konda дообучил Swin-Tiny для бинарной классификации изображений с целью выявления дипфейков. Модель принимает изображение и относит его к одному из классов, связанных с подлинными и сгенерированными изображениями. Она построена на архитектуре Swin Transformer, содержит около 33 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В карточке указаны результаты оценки: accuracy, F1, precision и recall по 0,9881, loss — 0,0554. Датасет и подробности оценки не описаны, поэтому эти значения не позволяют судить о качестве на других источниках изображений или типах дипфейков. Лицензия — Apache-2.0.