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

Это адаптация textual inversion для Stable Diffusion 1.5, опубликованная пользователем abhipsabasu. Она добавляет к базовой модели runwayml/stable-diffusion-v1-5 обученные веса, предназначенные для генерации изображений по текстовому запросу с использованием изученного текстового понятия. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель рассчитана на текстовый ввод и выдаёт изображения; для работы требуется базовая модель Stable Diffusion 1.5 и совместимый Diffusers-пайплайн. Примеры изображений упомянуты в карточке, но подробная инструкция запуска и сведения о качестве или ограничениях не приведены. Лицензия — CreativeML OpenRAIL-M.

Это квантованные версии мультимодальной модели Qwen2.5-VL-7B-NSFW-Caption-V3, разработанной thesby и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для анализа изображений и генерации подробных подписей к ним, включая контент для взрослых. Она поддерживает сценарии image-to-text и рассчитана на использование в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель основана на архитектуре Qwen2.5-VL и имеет размер 7B параметров. Она работает с изображениями и текстом, заявлена поддержка китайского и английского языков, а также генерация длинных описаний. Доступны варианты от BF16 до различных уровней квантования Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для запуска используется формат prompt, совместимый с chat-шаблоном Qwen. К сильным сторонам относятся мультимодальность, специализация на image captioning, поддержка подробных описаний и широкий выбор квантованных вариантов; версии Q6 и Q5 позиционируются как обеспечивающие очень высокое или высокое качество. Ограничения включают специализацию на описании изображений и контенте NSFW, а также возможные потери качества при сильном квантовании. Модель распространяется по лицензии Apache-2.0.

Модель personalizedrefrigerator/trocr-small-fr — дообученная на пользовательском наборе данных компактная TrOCR для распознавания французского текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текст, в частности для распознавания рукописных строк, как её базовая модель microsoft/trocr-small-handwritten. В README приведены результаты оценки: CER 0,0138 и WER 0,0455. Состав и условия получения обучающего набора не описаны, поэтому результаты нельзя уверенно переносить на другие типы текста и изображений. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии отсутствуют в предоставленных источниках.

Trouper V2 beta — языковая модель на 12,1 млрд параметров, разработанная DarwinAnim8or для ролевых диалогов и художественного письма. Это плотная модель семейства Mistral, объединяющая Trouper-12B и Mistral Nemo Base; она рассчитана на работу в SillyTavern и поддерживает контекст до 131 072 токенов. Модель создаёт сдержанные реплики от лица персонажей, поддерживает различимые голоса и постепенно раскрывает эмоции через поведение и внутренний монолог. В SillyTavern она также может составлять и обновлять сводки беседы и генерировать промпты для изображений, сохраняя контекст ролевой сцены. Основной язык карточки — английский. Автор сообщает о сниженных показателях повторяющихся шаблонных фраз в тестах на творческое письмо. Среди ограничений — случайные сбои форматирования, повторяющиеся атмосферные детали и чувствительность к шаблону; без подходящего шаблона модель может продолжать текст или добавлять мета-комментарии. Она предназначена для ролевой игры, а не для работы в качестве универсального ассистента. Лицензия — Apache-2.0.

UNCENSORED QWEN — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией theuniquebob. Модель предназначена для использования в экосистеме Diffusers и подключается к базовой модели Qwen/Qwen-Image-2512. В карточке указаны модальность text-to-image и формат diffusion LoRA, однако сведения о размере адаптера, архитектуре, поддерживаемых языках, длине контекста, особенностях обучения и конкретных сценариях применения отсутствуют. Название указывает на заявленную направленность модели, но README не содержит подтверждённых подробностей о её сильных сторонах, ограничениях или отличиях от базовой модели. Лицензия и условия использования в предоставленных данных не указаны. Для работы требуется базовая модель Qwen/Qwen-Image-2512 и совместимый инструментарий Diffusers.

UniMate-Weights — независимо обученный третьей стороной чекпойнт основной модели UniMate для генерации анимации разнообразных скелетов по текстовому описанию. Модель обучена с нуля по коду авторов и конфигурации для 60 кадров на датасете UniML3D; в репозитории есть версия v2 с очищенными данными и более ранняя v1. Для вывода рекомендуется EMA-файл model_ema.safetensors, а обычные веса и полный контрольный чекпойнт доступны для дообучения, сравнения или продолжения обучения. Модель предназначена для генерации скелетной анимации персонажей по текстовым описаниям движений. Обучение v2 выполнено на 10 191 клипе из Objaverse, Mixamo и Truebones; веса представлены в формате safetensors, а полный чекпойнт — в формате PyTorch. Для запуска требуется код UniMate и подготовленные признаки целевого скелета. Это отдельный запуск обучения, поэтому результаты официальной модели и показатели из статьи на него не переносятся. Лицензия репозитория — MIT.

USNR_STYLE_ILL_V1 — это LoRA-модель для генерации иллюстраций по текстовому описанию в экосистеме Diffusers. Она предназначена для онлайн-генерации изображений и подключается к базовой модели LyliaEngine/ilustmix_v40. Авторство указано за пользователем EWIGKEIT0; модель опубликована в формате Safetensors. Модель активируется триггерным словом usnr и ориентирована на усиление определённого художественного стиля и создание качественных, детализированных композиций. В README приведены примеры с персонажами и драматичными сценами, однако точные сведения об архитектуре, размере, поддерживаемых языках, максимальном контексте и наборе данных не указаны. Для работы рекомендуется использовать sampling method DPM++ 2M SDE, schedule type SGM Uniform и CFG Scale в диапазоне 4–6. Сильной стороной модели является специализированная стилeвая настройка для иллюстративной генерации при совместном использовании с указанной базовой моделью. Ограничения включают зависимость от совместимой diffusion-модели и необходимость применения триггерного слова; универсальность, качество на других базовых моделях и поддерживаемые модальности не подтверждены. Лицензия — Creative Data License Agreement Permissive 2.0 (CDLA-Permissive-2.0).

Veiled Calla — модель на базе Google Gemma 3 12B IT, дообученная автором soob3123 для ролевого общения и художественного письма. Она предназначена для создания атмосферных историй с загадочными сюжетами, тонкими эмоциональными оттенками и последовательными персонажами. Модель принимает текстовые сообщения и генерирует текстовые ответы. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор отмечает, что ответы могут становиться чрезмерно загадочными; модель особенно подходит для камерных, атмосферных и интроспективных ролевых сценариев.

jihedjabnoun/vit-face-emotion-recognition — дообученная модель Vision Transformer ViT для распознавания эмоций по фотографиям лиц. Она классифицирует изображение по семи категориям: гнев, отвращение, страх, радость, нейтральное выражение, грусть и удивление. Модель основана на google/vit-base-patch16-224, содержит 113,2 млн параметров и принимает изображения для классификации. Модель обучена на объединённых наборах EmoSet, FER2013, RAF-DB и RAVDESS. В README сообщается точность 0,8295 и macro F1 0,8251 на валидационной выборке; эти показатели относятся к указанным данным и не гарантируют такую же точность на других изображениях. Для репозитория указана лицензия Apache 2.0. Для лучших результатов нужны RGB-изображения с чётко видимым лицом и выражением. Возможны смещения, унаследованные от обучающих наборов, и различия качества для разных демографических групп. README предостерегает от наблюдения и мониторинга без надлежащего согласия и отмечает необходимость учитывать приватность при обработке лицевых изображений.

Модель tihon-nth/vivit-vit-fc-loss-8-10-epochs-5_class_1_p0_full_splited-1789276477.0016897 — дообученная модель ViViT для классификации видео. Она основана на google/vivit-b-16x2-kinetics400 и содержит 113,2 млн параметров; файлы весов представлены в формате safetensors. Модель предназначена для определения классов действий или других категорий видео, заданных при дообучении. В README приведены результаты на оценочном наборе: accuracy 0,7802 и loss 0,4385. Датасет, набор классов и подробные сценарии применения в карточке не раскрыты. Модель создана на базе открытого чекпойнта Google и распространяется по лицензии MIT.

V-JEPA 2.1 ViT-B — видеомодель Meta AI Research для извлечения признаков из видеоклипов. Этот репозиторий содержит конверсию исходного чекпойнта Meta AI в формат Hugging Face Transformers; энкодер ViT-B был дистиллирован из учителя ViT-G и обучен на видео методом самообучения. Модель насчитывает 113,2 млн параметров, обрабатывает клипы из 64 кадров с размером кропа 384 пикселя и выдаёт векторные представления для последующего анализа или обучения прикладных систем. Модель предназначена для построения признаковых представлений видео, которые можно использовать в задачах понимания и анализа видеосцен. Карточка указывает на исследовательскую работу о понимании, предсказании и планировании на основе видео. Данные о лицензии описаны как условия Meta AI для исходных весов; перед использованием следует свериться с исходными условиями Meta, поскольку в карточке конкретный тип лицензии не приведён.

Это модуль ControlNet для Wan 2.2, предназначенный для управления преобразованием видео с помощью tile-контроля. Автор карточки указывает, что подход аналогичен ControlNet для Wan 2.1, и рекомендует использовать модуль через ComfyUI-WanVideoWrapper. Модель ориентирована на сценарии video-to-video, где исходное видео служит основой для управляемой генерации или преобразования. Файлы опубликованы в формате safetensors; лицензия — Apache-2.0. В карточке не описаны размер модуля, поддерживаемое разрешение, длина видео или конкретные параметры tile-контроля.

Dpngtm/wav2vec2-emotion-recognition — англоязычная модель распознавания эмоций в речи, дообученная автором на базе facebook/wav2vec2-base-960h. Она использует Wav2Vec2 с замороженным сверточным экстрактором признаков и обучаемой головой классификации последовательностей; размер модели — 113,3 млн параметров. Модель относит аудио к одному из семи классов: злость, отвращение, страх, радость, нейтральное состояние (включая спокойствие), грусть и удивление. Модель предназначена для классификации эмоциональной окраски английской речи. Для обучения использовались объединённые наборы TESS, CREMA-D, SAVEE и RAVDESS; в README заявлены точность 79,94% и F1 79,65% на валидации. Входную речь следует привести к частоте дискретизации 16 кГц. Лицензия — MIT.

Sámi Wav2Vec2 Large — акустическая модель семейства wav2vec2, разработанная Ярославом Гетманом и Тамашем Гросом. Она прошла продолженное предварительное обучение на 22,4 тыс. часов неразмеченной саамской речи из архива YleSámiRadio. Модель содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для адаптации к распознаванию саамской речи и распознаванию эмоций в речи. Это только предварительно обученный акустический энкодер: токенизатора у него нет, поэтому для получения транскрипций нужно создать токенизатор и дообучить модель на размеченных текстом данных. Для распознавания речи доступна отдельная дообученная версия GetmanY1/wav2vec2-large-sami-cont-pt-22k-finetuned. В обучающих данных были аудиофрагменты длиной не более 30 секунд; на таких коротких записях модель, вероятно, работает лучше. Архивные радиозаписи могут смещать модель в сторону голосов радиоведущих, а музыка и другие неречевые звуки — осложнять адаптацию на чистой речи. Лицензия — Apache-2.0.

Wayfarer-12B — дообученная LatitudeGames языковая модель для текстовых приключений и ролевых игр. Она построена на Mistral Nemo Base и предназначена для локального запуска или интеграции в игровые сценарии, где игроку важны опасность, конфликт и реальные последствия решений персонажа. Модель с архитектурой MistralForCausalLM содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. Её обучали в два этапа методом SFT: на инструкционных диалогах, затем на смеси синтетических приключений и ролевых сценариев. Карточка указывает английский язык; модель обучалась на повествовании во втором лице, в настоящем времени, и на одноходовых диалогах. Wayfarer рассчитана на напряжённые и мрачные игровые истории, допускает неудачи и гибель персонажа вместо постоянного благоприятного исхода. Для иных стилей повествования результаты могут быть менее удачными. Лицензия — Apache-2.0.

WestLake_Noromaid_OpenHermes_neural-chatv0.1 — слитая языковая модель, созданная автором карточки с помощью mergekit методом DARE TIES на основе нескольких моделей семейства Mistral. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Для слияния использованы cognitivecomputations/WestLake-7B-v2-laser, Intel/neural-chat-7b-v3-3, NeverSleep/Noromaid-7B-0.4-DPO и teknium/OpenHermes-2.5-Mistral-7B с базовой моделью mistralai/Mistral-7B-v0.1. Основной сценарий — диалоговый ролеплей и продолжение историй: автор отмечает, что модель в ограниченном тестировании хорошо подхватывала сюжет и выдерживала темп повествования. В карточке также приведены результаты нескольких бенчмарков, но они не гарантируют качество для конкретных запросов. Модель рассчитана прежде всего на английский язык. Метаданные помечают её как не для всех аудиторий; использованные данные DPO описаны как направленные на ослабление ограничений модели. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование лицензией не разрешено.

gghfez/WizardLM-2-22b-RP — экспериментальная текстовая чат-модель для творческого письма и ролевых диалогов. Автор создал её на основе WizardLM-2-8x22B: выделил экспертов из MoE-модели, объединил их в плотную модель, а затем дообучил на синтетических данных, созданных исходной моделью. Метаданные указывают архитектуру MistralForCausalLM и размер 22 млрд параметров. Модель предназначена для генерации историй, ролевых сцен и связных ответов в заданном контексте. Автор отмечает, что она хорошо извлекает детали из контекста, но путает факты и имена известных людей, поэтому не подходит для общего ассистирования и задач, требующих достоверных знаний. Модель принимает текст и выдаёт текст; карточка указывает английский язык и контекст до 65 536 токенов. Используется формат приглашений Mistral с системными тегами. Лицензия — Apache-2.0; автор предупреждает, что защитные ограничения исходной модели могли быть ослаблены.

Wulver v0.5 — полноценно дообученная Vaelico модель генерации изображений на основе Krea 2 Raw с архитектурой DiT и 12,8 млрд параметров. Она предназначена прежде всего для создания furry- и антропоморфных персонажей, а также изображений в стилях anime и kemono. Модель умеет изображать несколько взаимодействующих персонажей и распознаёт 1 113 токенов стилей художников формата @artistname. Модель принимает текстовые описания и выдаёт изображения. Обучение включало этапы при разрешении 512 и 1024 пикселя. В Turbo-варианте официальная Turbo LoRA объединена с весами: рекомендуются 8 шагов и CFG 1. Для работы через ComfyUI нужны текстовый энкодер Qwen3-VL-4B и VAE Qwen Image. Доступны веса в форматах FP8, INT8 и W4A8; вариант W4A8 требует ComfyUI не ниже 0.31.0, GPU с SM 8.0 или новее и PyTorch cu130 или новее. Модель особенно подходит для детализированных описаний персонажей и сцен; короткие запросы могут давать непредсказуемый выбор стиля. На CFG 1 отрицательный промпт не влияет. Указана лицензия other, поэтому условия использования следует уточнить на странице модели и у разработчика.

XLM-T-Sent-Politics — многоязычная модель классификации тональности твитов политиков, опубликованная Cardiff NLP. Она развивает twitter-xlm-roberta-base-sentiment: исходную модель дообучили на твитах членов парламентов Великобритании, Испании и Греции, добавив английские, испанские и греческие данные к тональному обучению на восьми языках. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает текст и возвращает оценки классов тональности; контекст составляет до 514 токенов. Подходит для анализа политической коммуникации в Twitter и сравнения тональности высказываний на поддерживаемых языках. Модель унаследовала многоязычное обучение на арабском, английском, французском, немецком, хинди, итальянском, испанском и португальском, а политические твиты дополнительно представлены на английском, испанском и греческом. README не приводит точные названия классов и оценки качества, поэтому интерпретацию выходных классов следует сверять с оригинальной карточкой или кодом. Репозиторий доступен в форматах PyTorch и TensorFlow; сведения о лицензии в предоставленных данных отсутствуют.

keremberke/yolov8m-valorant-detection — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke и предназначенная для обнаружения объектов в изображениях из игры Valorant. Она выделяет четыре класса: сброшенный Spike, противника, установленный Spike и союзника. Модель можно использовать для анализа игровых скриншотов и видеокадров через библиотеку Ultralytics; в репозитории указан формат PyTorch. Модель подходит для распознавания участников матча и состояния Spike на кадре, например для игровых аналитических инструментов. Лицензия AGPL-3.0; других характеристик и ограничений качества в карточке не приведено.

keremberke/yolov8s-csgo-player-detection — модель обнаружения объектов на основе YOLOv8s, опубликованная пользователем keremberke и рассчитанная на поиск игроков в Counter-Strike: Global Offensive. Она использует библиотеку Ultralytics и веса в формате PyTorch. Модель определяет четыре класса: контртеррорист, террорист и соответствующие им головы. Модель подходит для обнаружения и подсчёта игроков на игровых кадрах, а также для анализа игрового видео покадрово. README содержит краткие сведения о метках и использовании через ultralyticsplus; датасет модели — keremberke/csgo-object-detection. Лицензия в предоставленных данных не указана.

keremberke/yolov8s-pokemon-classification — модель классификации изображений на базе YOLOv8s, опубликованная пользователем keremberke. Она предназначена для определения покемонов на изображениях и рассчитана на запуск с библиотекой Ultralytics. В карточке также указано, что модель связана с датасетом keremberke/pokemon-classification. Модель принимает изображение и выдаёт предсказание класса. Карточка не сообщает метрики качества, число классов, поддерживаемые языки или условия лицензии, поэтому эти характеристики нельзя уточнить.

StableDelight — модель преобразования изображений из репозитория Stable-X, представленная в формате Diffusers. Она предназначена для удаления зеркальных отражений с фотографий, чтобы проявить скрытые под ними текстуры. Карточка связывает модель с работой «StableDelight: Revealing Hidden Textures by Removing Specular Reflections» и отсылает к GitHub-репозиторию за инструкциями по использованию. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о размере, архитектурных деталях, языковой поддержке и ограничениях качества в доступной карточке нет.

yumekawadiffusion — модель генерации изображений в стиле Yumekawaii, опубликованная teftef. Она предназначена для создания изображений по текстовым запросам; автор рекомендует использовать короткие промпты и отрицательный промпт для снижения дефектов лица, рук и общего качества. В карточке показаны результаты до и после дообучения Waifu Diffusion 1.4 e1, а также вариант с RoLA; эта версия описана как дообученная модель без LoRA. Для примеров автор приводит 28 шагов, CFG Scale 7.5, сэмплер Euler a и размер 512×768. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers/PyTorch. Карточка содержит языковые теги японского и английского. Лицензия в предоставленных данных не указана.

qujincheng/Z-Image-Lora — модель LoRA для генерации изображений по текстовому описанию, разработанная сообществом Hugging Face пользователем qujincheng. Она предназначена для использования вместе с базовыми моделями Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo в сценариях text-to-image, в частности для создания изображений людей, персонажей и публичных персон по специальным триггерным словам. Модель распространяется в формате safetensors и интегрируется с экосистемой Diffusers. README указывает на большое количество поддерживаемых образов и имён, для которых используются триггеры вида vrtlxxxx; обычные описания вроде «woman» или «1girl» могут не срабатывать. Для неоднозначных имён рекомендуется явно указывать пол, а при слабом или некорректном знании базовой модели — исключать имя и использовать только триггер. Точные размер модели, архитектурные параметры, поддерживаемые языки и максимальный контекст не указаны. Сильная сторона модели — специализация на воспроизведении множества конкретных лиц и персонажей в сочетании с Z-Image и Z-Image-Turbo. Ограничения включают зависимость от точных триггерных слов и базовой модели, а также возможные ошибки или цензурирование отдельных образов. Лицензия — Apache-2.0.

alfredplpl/z-image-modern-anime — экспериментальная полноразмерная донастройка Z-Image, ориентированная на генерацию изображений в стиле современной японской аниме-графики. Автор сообщает, что применял только Quality Tuning; для активации стиля в промпте рекомендуется использовать триггер «Japanese modern anime style». Модель предназначена для генерации изображений по текстовым запросам и доступна для использования с ComfyUI и Diffusers. Модель основана на Tongyi-MAI/Z-Image и распространяется в форматах Diffusers и Safetensors. Лицензия — Apache-2.0. Карточка не сообщает размер модели, контекст или поддерживаемые языки промптов.

Zoom-IQA-7B — мультимодальная модель для оценки качества изображений без эталонного изображения, разработанная авторами проекта Zoom-IQA. Она анализирует изображение с помощью двухэтапного рассуждения с учётом отдельных областей: выделяет значимые фрагменты и использует их при формировании оценки. В репозитории опубликованы веса для инференса; модель дообучена на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми инструкциями, выдавая текстовый результат оценки качества. Её можно применять в исследованиях оценки изображений без референса и для анализа визуальных дефектов или различий между областями изображения. Контекст составляет до 128 000 токенов. Лицензия — Apache-2.0. Результаты генерируются сэмплированием и иногда могут иметь некорректный формат. Оценки зависят от формулировки запроса, настроек декодирования, предобработки и версии среды запуска; модель предназначена для исследований качества изображений, а не для решений с высокими последствиями.

Карточка модели ACE-Step/acestep-v15-turbo-shift1 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

ActionMesh — генеративная модель для создания анимированных 3D-сеток, разработанная авторами проекта ActionMesh. Она расширяет диффузионный подход для 3D временной осью и за один проход предсказывает согласованные во времени латентные представления меняющихся форм. Модель предназначена для генерации анимированной 3D-сетки по входному видео; в README также заявлена генерация по изображению, что отражено в метаданных Hugging Face. Заявлено получение готовых к производству 3D-сеток. Для запуска требуется видеокарта NVIDIA как минимум с 32 ГБ видеопамяти. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с лицензией проекта.

AIKIA — модель классификации текста на основе BERT, дообученная для выявления оскорбительной речи в текстах на современном греческом языке. Разработчики дообучили nlpaueb/bert-base-greek-uncased-v1 на собственном корпусе AIKIA; модель различает два класса: оскорбительный и неоскорбительный текст. Модель рассчитана на анализ текстов из Twitter и художественной литературы. Она принимает текст и возвращает метку класса; размер составляет 140,1 млн параметров, контекст — до 512 токенов. Доступны веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.