IV.9Медиа, журналистика, культура, архивы и игры

Celeste V1.9 — модель для генерации историй и ролевых диалогов, созданная emplitude на базе Mistral Nemo 12B Instruct. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, обученная на примерах в формате ChatML. В карточке указано нативное контекстное окно 1 024 000 токенов, однако автор сообщает, что обучение проводилось на контексте 8K и ожидает перенос способности работать с длинным контекстом как минимум до 16K. Модель предназначена для написания художественной прозы и многоходовых ролевых сцен, в том числе контента для взрослых; она поддерживает как SFW-сценарии, так и NSFW по запросу пользователя. Автор отмечает, что стиль и поведение заметно зависят от начальных сообщений, примеров и OOC-инструкций, а разные варианты генерации могут существенно отличаться. Для работы рекомендованы шаблон ChatML и настройки сэмплирования из карточки. Модель основана на Mistral Nemo 12B Instruct и дообучена на наборах WritingPrompts, DirtyWritingPrompts, Opus Instruct и очищенных диалогах c2. Метаданные указывают язык en. Лицензия — Apache-2.0. Описание не подтверждает, что заявленное метаданными контекстное окно в 1 024 000 токенов проверено именно для этого дообученного чекпойнта.

zeromodels публикует порт SAM 2.1 Hiera Small на Keras 3 для сегментации объектов по подсказкам на одиночных изображениях. Модель принимает координаты точек и, при соответствующей настройке, рамки; архитектура использует backbone Hiera-S и FPN neck. Реализация работает с бэкендами TensorFlow, PyTorch и JAX. Модель подходит для выделения объектов по пользовательским указаниям, например при разметке изображений. Этот порт поддерживает только обработку изображений: у него нет видеопамяти и переноса масок между кадрами. Лицензия — Apache 2.0.

sd3.5-large-gguf — это квантизированная в формате GGUF версия модели Stable Diffusion 3.5 Large, основанная на stable-diffusion-3.5-large от Stability AI. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI; в README приведены примеры создания детализированных сцен и персонажей в аниме-стилистике. В состав поставки входят GGUF-модель, текстовые энкодеры и VAE-декодер. Указана поддержка английского языка. Архитектурные детали, точный размер модели, параметры контекста и перечень поддерживаемых модальностей в README не раскрыты. Версии модели, энкодеров и декодера представлены в вариантах FP16 и FP32; по утверждению автора, обновлённые компоненты быстрее загружаются и могут обеспечивать более высокое качество. Для работы требуется разместить компоненты в соответствующих каталогах ComfyUI и использовать gguf-node. Модель подходит для локальной генерации изображений с использованием ComfyUI и может быть удобна на системах, где важны формат GGUF и совместимость с соответствующим узлом. Ограничения включают зависимость от ComfyUI и gguf-node, а также отсутствие в README подробных сведений о производительности, требованиях к оборудованию и качестве по сравнению с исходной моделью. Лицензия указана как Stability AI Community License; конкретные условия следует уточнять в файле LICENSE.

SDXL1.0_PixelArtDiffusionXL_SpriteShaper — модель генерации изображений по текстовому описанию, опубликованная nncyberpunk. Репозиторий содержит веса в форматах Diffusers и safetensors и использует конвейер StableDiffusionXLPipeline на базе Stable Diffusion XL. Название указывает на специализацию для пиксельной графики и спрайтов, однако карточка не содержит подробного описания обучения или гарантируемых стилей. Модель принимает текстовый запрос и генерирует изображение; карточка показывает пример запуска через Diffusers. В карточке нет сведений о поддерживаемых языках, длине контекста или лицензии, поэтому эти характеристики нельзя подтвердить.

SenseNova-U1.5-8B-MoT-pose-8bit — вариант SenseNova-U1.5-8B-MoT для переноса позы на Apple Silicon. Модель принимает два изображения: OpenPose-подобный скелет, задающий позу, и фотографию человека, чью внешность нужно сохранить. Она переносит человека из фотографии в заданную позу, стараясь сохранить идентичность, одежду и сцену; порядок изображений важен. В основе лежит SenseNova-U1.5-8B-MoT, объединённая с адаптером RefControl pose LoRA v1, обученным на парах «скелет, референс, целевое изображение». Веса преобразованы и квантованы до 8 бит; в метаданных указаны архитектура NEOChatModel и формат safetensors. README также отмечает, что доступны генерация изображений по тексту, режим think и визуальные вопросы, однако поток генерации смещён в сторону позы. Лицензия — Apache-2.0.

3loi/SER-Odyssey-Baseline-WavLM-Categorical — модель распознавания эмоций в речи, обученная для базовой линии соревнования Odyssey 2024 по распознаванию эмоций. Она анализирует аудио и относит речь к одной из восьми категорий: гнев, грусть, радость, удивление, страх, отвращение, презрение или нейтральное состояние. Модель содержит 402,7 млн параметров, построена на архитектуре SERModel и доступна в форматах PyTorch и Safetensors. Модель обучена на MSP-Podcast и предназначена для классификации эмоциональной окраски речи. Карточка упоминает оценку на тестовом и development-наборах соревнования, но численные результаты в предоставленном README отсутствуют. В метаданных указан английский язык. Лицензия — MIT.

ShotVL-3B — мультимодальная модель разработчиков проекта ShotBench, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct для экспертного анализа кинематографического языка. Она принимает изображения и видеоклипы вместе с текстовыми вопросами и формирует ответы на естественном языке о композиции кадра, операторских приёмах и других визуальных аспектах кинематографии. Модель построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. ShotVL-3B обучена с помощью supervised fine-tuning и Group Relative Policy Optimization на наборе ShotQA примерно из 70 тысяч мультимодальных вопросов и ответов. По данным карточки, она показывает лучшие результаты среди сравниваемых моделей на бенчмарке ShotBench, но качество даже сильных VLM на этом бенчмарке ограничено, особенно при распознавании тонких визуальных деталей и сложных пространственных отношений. Модель распространяется по лицензии Apache-2.0.

SIFTA — многоязычная модель для бинарной классификации новостных текстов на правдивые и фейковые. Её разработал Muhammad Umair Khan в рамках выпускного проекта SIFTA в Sir Syed University of Engineering and Technology; модель дообучена на базе xlm-roberta-base и использует архитектуру XLM-RoBERTa для классификации последовательностей. В репозитории указано 305,2 млн параметров, формат весов safetensors и контекст до 514 токенов. Модель предназначена для выявления дезинформации в английских и урдуязычных новостях, заголовках и коротких фрагментах. Она возвращает метку TRUE или FAKE; в платформе SIFTA этот результат объединяется с сигналами проверки источников для формирования итоговой оценки доверия. В README приведены результаты тестирования на отложенной выборке, включая macro-F1 0,9695 в целом и 0,9053 для урду, однако эти показатели относятся к указанному набору данных и не гарантируют качество на других источниках. Модель распространяется по лицензии MIT. Она оптимизирована для коротких текстов до 256 токенов; сатира и мнения могут классифицироваться ошибочно. Для оценки достоверности её следует применять вместе с проверкой источников, а не как единственное основание для решения.

SorcererLM-8x22b-bf16 — диалоговая модель, созданная rAIfle дообучением WizardLM-2-8x22B с помощью LoRA ранга 16 и alpha 32. Автор обучил адаптер на двух эпохах очищенных и дедуплицированных c2-logs, чтобы приблизить стиль письма модели к стилю Claude и улучшить её пригодность для ролевых игр и творческого письма. Выпуск содержит готовые к использованию веса в формате safetensors; для применения не требуется отдельно подключать LoRA. Модель построена на архитектуре Mixtral MoE, содержит 22 млрд параметров и поддерживает контекст до 65 536 токенов. Она принимает текст и генерирует текст в диалоговом формате. Карточка рекомендует шаблон SorcererLM или Vicuna 1.1 и отмечает чувствительность к настройкам сэмплирования; автор сообщает об улучшении относительно базовой модели для ролевых игр, но не приводит количественных оценок. Модель распространяется по лицензии Apache-2.0. README не описывает языковой охват и не даёт подробных гарантий безопасности; перед использованием следует учитывать, что заявленная специализация — ролевые сценарии и стиль генерации, а не универсальная проверка фактов.

Это мобильная ONNX-версия Stable Audio Open Small — модели генерации аудио по текстовому описанию, разработанной Stability AI и Arm и адаптированной для приложения Neural Beats. Модель содержит 341 млн параметров и состоит из текстового кодировщика T5, диффузионного трансформера DiT и декодера аудиокодека Oobleck. Компоненты запускаются последовательно и формируют стереоаудио длительностью около 10 секунд с частотой 44,1 кГц. Репозиторий предназначен для локального синтеза звуковых сцен и фонового аудио на iOS и Android через ONNX Runtime Mobile. Веса хранятся в формате INT8, а вычисления выполняются в float32; по данным карточки, такая квантизация уменьшает размер загрузки примерно до 0,5 ГБ и вносит небольшие отличия в звучание относительно версии с весами FP16. Лицензия указана как other, поэтому условия использования следует уточнить по файлам лицензии репозитория.

radames/stable-diffusion-2-1-unclip-img2img — Stable Diffusion 2.1 UnCLIP, дообученная версия Stable Diffusion 2.1, связанная с разработчиками Robin Rombach и Patrick Esser. Это латентная диффузионная модель для преобразования изображений: она принимает изображение через его CLIP-эмбеддинг, в том числе с настраиваемым уровнем шума, и текстовый запрос, чтобы создавать вариации исходного изображения. Модель также можно объединять в цепочку с текстово-графическими CLIP-приорами. Для работы предназначена библиотека Diffusers; файлы представлены в форматах Diffusers, PyTorch и safetensors. Модель подходит для художественных вариаций, дизайна и творческих инструментов. Она лучше работает с английскими запросами. Фотореализм не гарантирован, текст на изображениях обычно неразборчив, а лица, люди и сложные пространственные композиции могут получаться плохо. Обучение использовало LAION-5B и подмножества с фильтрацией NSFW; карточка отмечает риск усиления социальных стереотипов. Лицензия — CreativeML Open RAIL++-M; карточка описывает модель как предназначенную для исследований и задаёт ограничения на использование, включая запрет на вредоносное и обманное применение.

bdsqlsz/stable-diffusion-xl-anime-V5 — модель генерации изображений в библиотеке Diffusers, основанная на Animagine XL 3.1 и дообученная для создания аниме-иллюстраций. Она предназначена для генерации изображений по текстовым описаниям и ориентирована на более характерную аниме-раскраску, улучшенную анатомию, в том числе изображение рук, меньшее количество 3D-эффектов и бликов. Модель подходит для создания персонажей, сцен и стилизованных иллюстраций по промпту. Весовые файлы опубликованы в формате safetensors. В README рекомендуется ориентироваться на инструкции Animagine XL 3.1. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Stable Point Aware 3D (SPAR3D) — модель Stability AI для преобразования одного изображения в текстурированный UV-развёрнутый 3D-меш. Она использует двухэтапную архитектуру: диффузионную модель облака точек для улучшения реконструкции скрытых сторон объекта и регрессионное предсказание меша, позволяющее редактировать результат. Модель рассчитана на входное изображение 512×512 пикселей и создаёт результат менее чем за секунду. SPAR3D предназначена для создания 3D-объектов в творческих и дизайнерских проектах, образовательных инструментах и исследованиях реконструкции. Модель также выполняет делайтинг и предсказывает параметры материалов, включая шероховатость и металлические свойства, что упрощает использование объектов в игровых движках и рендеринге. Она обучалась на отобранных рендерах из Objaverse. Модель не предназначена для получения достоверных изображений людей или событий. Использование должно соответствовать Acceptable Use Policy Stability AI. Для лиц и организаций с годовой выручкой от 1 млн долларов США для коммерческого использования SPAR3D, её производных или результатов требуется отдельная корпоративная лицензия Stability AI; также применяется Community License.

SteadyDancer-GGUF — модель для анимации человеческих изображений и преобразования изображения в видео с сохранением исходного первого кадра, согласованными движениями и визуальной связностью. Модель разработана Multimedia Computing Group Нанкинского университета совместно с Platform and Content Group (PCG) компании Tencent; авторами указаны Jiaming Zhang, Shengming Cao, Rui Li, Xiaotong Zhao, Yutao Cui, Xinglin Hou, Gangshan Wu, Haolan Chen, Yu Xu, Limin Wang и Kai Ma. Модель основана на Wan-AI/Wan2.1-I2V-14B-480P и предназначена для сценариев image-to-video, прежде всего для гармоничной и когерентной анимации изображений людей. Доступная версия представляет собой checkpoint в формате GGUF, подготовленный из весов Kijai для использования с ComfyUI и WanVideoWrapper. Указано, что доступны различные квантованные варианты; для них предлагаются версии с разными источниками свёрточных весов, результаты которых в целом согласованы. Архитектура, число параметров, поддерживаемые языки и точный размер контекста в README не указаны. К сильным сторонам относятся сохранение первого кадра, согласованность человеческой анимации и возможность применения квантованных весов с потенциально меньшими требованиями к ресурсам. Ограничения связаны с зависимостью от совместимого окружения ComfyUI и WanVideoWrapper, а также с тем, что проект предупреждает о возможных проблемах типов данных в некоторых конфигурациях. Модель распространяется по лицензии Apache-2.0.

StoryFusion-7B — модель генерации текста на архитектуре Mistral с 7,1 млрд параметров, созданная объединением StoryWeaver-7b-Instruct-v0.1, Coxcomb и Mistral-7B-storywriter. В конфигурации слияния также указана WestLake-7B-v2 как базовая модель; применён метод dare_ties, итоговый тип данных — bfloat16. Модель предназначена для генерации художественных текстов и рассказов по подсказке, а также для диалоговой генерации в формате инструкций. Контекстное окно составляет 32 768 токенов. Веса опубликованы в формате safetensors; README также упоминает квантованные варианты GGUF. Язык исходных моделей и назначение нацелены на англоязычное творчество. Модель распространяется по лицензии, указанной в метаданных Hugging Face. Сведений о ней в предоставленных данных нет.

Xenova/swin2SR-lightweight-x2-64 — это облегчённая модель сверхразрешения изображений, преобразованная в формат ONNX для совместимости с библиотекой Transformers.js. Модель основана на caidas/swin2SR-lightweight-x2-64 и использует архитектуру Swin2SR, что следует из её идентификатора. Она предназначена для image-to-image обработки: увеличения разрешения входных изображений в два раза с возможностью запуска в JavaScript-приложениях, в том числе в веб-среде. Модель работает с изображениями и возвращает трёхканальное растровое изображение; в примере входное изображение размером 512×512 преобразуется в результат того же размера, что не позволяет однозначно установить фактический масштаб по приведённому фрагменту. Для выполнения доступны типы данных fp32, fp16, q8 и q4, позволяющие выбирать между точностью и требованиями к ресурсам. README не указывает сведения о количестве параметров, поддерживаемых языках, максимальном контексте, качестве на бенчмарках, лицензии или ограничениях применения. Разработчик ONNX-версии — Xenova; исходная модель обозначена как caidas/swin2SR-lightweight-x2-64.

Xenova/swin2SR-realworld-sr-x4-64-bsrgan-psnr — модель сверхразрешения изображений, адаптированная для работы в Transformers.js. Она основана на модели caidas/swin2SR-realworld-sr-x4-64-bsrgan-psnr, а репозиторий содержит ONNX-веса для запуска в веб-среде и JavaScript-приложениях. Модель предназначена для image-to-image обработки: увеличения разрешения изображений в четыре раза и восстановления деталей на изображениях реального мира. Она может использоваться в браузерных и других JavaScript-приложениях через pipeline('image-to-image') библиотеки Transformers.js. В README указано, что выходное изображение может иметь три канала и примерный размер 1024×1024 пикселей; поддерживаются варианты вычислений fp32, fp16, q8 и q4. Архитектура Swin2SR и точный размер модели, перечень языков и максимальный контекст не указаны; для задачи обработки изображений языковые характеристики неприменимы. Сильной стороной является готовность к использованию с Transformers.js и наличие ONNX-весов, однако README не содержит подробностей о качестве, ограничениях на типы изображений или производительности. Лицензия в предоставленных данных не указана.

SynthwavePunk-v2 — модель преобразования текста в изображение, созданная JustMaier. Это слияние в пропорции 50/50 моделей Synthwave и InkPunk для генерации изображений в сочетании этих стилей. В подсказках можно использовать ключевые слова «snthwve style» и «nvinkpunk», а также веса промпта, чтобы менять баланс между стилями. Модель рассчитана на генерацию изображений по текстовым описаниям в эстетике synthwave и InkPunk. Репозиторий содержит файлы Diffusers, PyTorch и SafeTensors. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, длине контекста или языковых ограничениях.

TencentARC/t2i-adapter-canny-sdxl-1.0 — адаптер T2I-Adapter, разработанный Tencent ARC совместно с Hugging Face для управляемой генерации изображений на базе Stable Diffusion XL Base 1.0. Он использует карту границ Canny как дополнительное условие и рассчитан на совместное применение с соответствующим чекпойнтом SDXL. Адаптер содержит около 77–79 млн параметров; базовая модель SDXL — около 2,6 млрд параметров. Модель предназначена для генерации изображений по текстовому запросу с контролем композиции и контуров по монохромной карте, где белые границы нанесены на чёрный фон. В карточке указан английский язык и обучение на высококачественных парах изображение–текст из LAION-Aesthetics V2. Лицензия — Apache 2.0. Для работы нужны базовая модель SDXL и предварительно полученное изображение с границами Canny; качество зависит от этого условия и текстового запроса.

Faizan Tariq подготовил эту модель в рамках индивидуального университетского проекта по дообучению T5-small для создания коротких сводок английских новостных статей. Это encoder-decoder модель семейства T5 с 60,5 млн параметров; в отчёте проекта указано обучение на CNN/DailyMail v3.0.0 в течение двух эпох. В метаданных репозитория указано 38,5 млн параметров. Модель загружает вход длиной до 512 токенов и выдаёт текстовую сводку. Контрольные проверки подтверждают загрузку конфигурации, токенизатора и весов safetensors, а также запуск вывода на синтетических новостных примерах через CPU и локальный интерфейс Streamlit. Качество модели не установлено: результаты ROUGE не воспроизводились, а проверки не подтверждают точность сводок. Веса опубликованы без указанной лицензии; карточка не предоставляет дополнительных прав на базовую модель T5 или материалы датасета.

ClaudioItaly/Tertium-9B — языковая модель на 9 млрд параметров, созданная ClaudioItaly слиянием моделей методом TIES с помощью mergekit. В качестве базовой использована ClaudioItaly/1800-9B; в слияние также вошли gmonsoon/SahabatAI-Lion-9B-TIES-v1 и sam-paech/Delirium-v1. Модель построена на архитектуре Gemma 2 и распространяется в формате Safetensors. Модель предназначена для генерации текста и диалогов. Её можно использовать для творческого письма с выразительной, мрачной и гротескной манерой. Контекст составляет до 8192 токенов. Карточка не сообщает отдельные ограничения модели. Лицензия в доступных данных не указана.

TooManyMixRolePlay-7B-Story_V3.5 — объединённая текстовая генеративная модель на базе архитектуры Mistral, созданная jdqwoi с помощью LazyMergekit. Она сочетает модели TooManyMixRolePlay-7B-Story_V2 и TooManyMixRolePlay-7B-Story_V3 методом SLERP; размер составляет 7,1 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста в ролевых сценариях и создания историй, включая продолжение длинных сюжетов. Она принимает текст и выдаёт текст. В карточке не приведены сведения о поддерживаемых языках и лицензии, поэтому оценить языковой охват и условия использования по имеющимся данным нельзя.

TQ2.5-14B-Aletheia-v1 — языковая модель Auri на архитектуре Qwen2.5, полученная слиянием моделей Neon и Sugarquill методом SLERP. Она предназначена для ролевых диалогов и написания историй: поддерживает как продолжение текста, так и совместное сочинительство в режиме чата с форматированием ChatML. Модель содержит 14 млрд параметров, принимает текст и имеет контекстное окно 131 072 токена. В метаданных указан английский язык; лицензия — Apache-2.0. Автор стремился сохранить творческую выразительность Sugarquill и улучшить управляемость модели в ролевых сценариях. По описанию автора, результат может быть чувствителен к неглубоким инструкциям и настройкам сэмплирования, а поведение остаётся несколько непредсказуемым.

TrinArt Stable Diffusion v2 — модель генерации изображений из текста, созданная как дообучение Stable Diffusion для смещения стиля в сторону аниме и манги при сохранении эстетики исходной модели. Она основана на отобранных изображениях высокого разрешения в аниме- и манга-стиле; во второй версии добавлены изображения, применены dropout, улучшена стратегия тегирования и продолжено обучение. Доступны контрольные точки на 60 000, 95 000 и 115 000 шагах: ранняя точка слабее меняет стиль исходной модели. Модель предназначена для создания иллюстраций по текстовым описаниям. Репозиторий предоставляет веса в форматах Diffusers и PyTorch; автор также описывает использование для img2img. Лицензия — CreativeML Open RAIL-M. В README указано, что модель обучалась на восьми GPU NVIDIA A100 40 ГБ.

TrOCR Kurrent — модель распознавания рукописного текста XIX века на немецком языке, разработанная Jonas Widmer и Tobias Hodel совместно с исследователями и учреждениями в рамках Digital Humanities@University of Bern. Это дообученная модель Microsoft TrOCR base handwritten на датасете Kurrent, собранном из архивных документов, лекционных записей, дневников и других исторических коллекций. Модель построена на архитектуре VisionEncoderDecoderModel и принимает изображение одной обрезанной строки, возвращая её текстовую транскрипцию. Для обработки страницы её сначала нужно разделить на строки с помощью инструмента сегментации. В README указаны 292 997 обучающих строк; символьная ошибка составила 0,02827 на валидационной и 0,02655 на тестовой выборке. Модель ориентирована на исторические немецкие рукописи в стиле Kurrent. Авторы отмечают, что она не прошла широкое тестирование и возможные смещения ещё не выявлены. Лицензия — MIT.

Twilight-Embrace-31B — мультимодальная модель на основе Gemma 4 31B IT, созданная Cyclone-Labs методом слияния четырёх моделей: google/gemma-4-31B-it, Cyclone-Labs/Eon-Blossom-V2-31B, UnstableLlama/Love-Aligned-31B и ReadyArt/Dark-Scarlett-v2.0-31B. Модель использует плотную архитектуру Gemma4ForConditionalGeneration, распространяется в формате Safetensors и предназначена прежде всего для ролевого взаимодействия и художественного письма. Модель подходит для диалогов с персонажами, эмоциональных сцен, интерактивной прозы и создания длинных историй с развивающимися героями и несколькими сюжетными линиями. Она может вести мрачные и реалистичные сюжеты; автор отмечает, что в ролевых сценах модель может занимать спорящую позицию, а при написании длинных историй часто стремится к восстановительной развязке. Метаданные указывают на поддержку изображений, но README описывает главным образом текстовые творческие сценарии. Размер модели — 31 млрд параметров, формат весов — bfloat16. Лицензия Apache-2.0. В README не приведены сведения о поддерживаемых языках и длине контекста.

UnslopNemo-12B-v4.1 — языковая модель автора TheDrummer, предназначенная для написания приключенческих историй и ролевых сценариев. Это плотная Mistral-модель с 12,1 млрд параметров, опубликованная в формате safetensors; метаданные указывают контекст до 1 024 000 токенов. Модель подходит для генерации художественного текста и ведения ролевых диалогов. Карточка не сообщает о поддерживаемых языках или ограничениях по качеству. Лицензия в предоставленных данных не указана.

BAAI/URSA-1.7B-IBQ1024 — модель BAAI для генерации и редактирования изображений по текстовым запросам, относящаяся к семейству BAAI-Vision-URSA. Она основана на дообученной Qwen/Qwen3-1.7B и использует токенизатор Emu3.5-Vision-Tokenizer; размер модели — 1,7 млрд параметров, точность весов — FP16. Модель работает через библиотеку Diffusers и генерирует изображения с разрешением 1024 × 1024. Модель подходит для экспериментов с генеративными моделями, творческих и образовательных инструментов, создания иллюстраций и дизайнерских материалов. Лицензия — Apache-2.0; карточка рекомендует исследовательское применение. Автоэнкодер модели вносит потери, она может плохо отображать сложный читаемый текст, не обеспечивает идеальный фотореализм и может некорректно генерировать пальцы. Обучающие данные включали материалы с контентом для взрослых, насилием и сексуальными темами, а генерации могут отражать социальные предубеждения. Модель не предназначена для достоверного изображения людей или событий.

VideoRefer-VideoLLaMA3-7B — видеоязыковая модель команды DAMO-NLP-SG для пространственно-временного понимания объектов в видео. Она предназначена для диалога о видеороликах и ответов на вопросы о том, где и когда появляются объекты и как они перемещаются. Модель объединяет визуальный энкодер VL3-SigLIP-NaViT с языковым декодером Qwen2.5-7B-Instruct и содержит 7,1 млрд параметров. Она принимает видео вместе с текстовым запросом и генерирует текстовый ответ; нативный контекст — 32 768 токенов. В README указано, что версия выпущена в июне 2025 года в рамках проекта VideoRefer Suite, принятого на CVPR 2025. Модель доступна по лицензии Apache-2.0. Описание подтверждает специализацию на пространственно-временном понимании объектов; подробные сведения о точности и ограничениях на типы или длительность видео не приведены.

WinKawaks/vit-small-patch16-224 — конверсия модели ViT-Small из репозитория timm, опубликованная WinKawaks. Это модель классификации изображений с архитектурой Vision Transformer и примерно 28,3 млн параметров; она предназначена для присвоения изображению метки класса и может использоваться для классификации объектов и сцен на изображениях. По карточке, модель применяется так же, как ViT-Base. В метаданных указан ImageNet; доступны веса PyTorch, ONNX и safetensors. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт предсказания классов. Карточка не приводит результатов оценки качества или подробностей о разрешении и наборах меток. Для работы с вариантом safetensors требуется PyTorch 2.0.