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

Anima_Detail_Tweaker — это LoRA-модель для text-to-image генерации, предназначенная для работы с базовой моделью LyliaEngine/anima_baseV10 и экосистемой Diffusers. Она служит регулятором детализации изображения: позволяет усиливать или ослаблять визуальные детали, стараясь минимально влиять на исходный художественный стиль и композицию. Модель опубликована под именем LyliaEngine; в README также указано авторство lse14. Положительные значения веса увеличивают детализацию, отрицательные — уменьшают её. Рекомендуемый диапазон весов составляет от -0,5 до 0,5, а для активации не требуется специальное ключевое слово: в качестве instance prompt указано None. Доступны варианты с разными акцентами: context_detailer_base10 сильнее корректирует содержательные детали, rendering_detailer_base10 добавляет материальные детали объектам и окружению, а preview3 использует экспериментальные параметры и может заметно менять композицию или приводить к разрушению деталей. Сведения о размере, архитектуре базовой модели, поддерживаемых языках, модальностях помимо изображений и размере контекста не указаны. Лицензия — CDLA-Permissive-2.0.

AnimeBoysXL v3.0 — модель Koolchh для генерации изображений в стиле аниме, ориентированная на мужских персонажей и изображения только с мужчинами. Она основана на Pony Diffusion V6 XL и предназначена для генерации по текстовым запросам, в том числе с тегами персонажей и серий. Автор рекомендует структурировать запросы, задавать негативный запрос и использовать SDXL VAE; модель также подходит для дальнейшего обучения собственных моделей и LoRA. Модель распространяется в форматах Diffusers и Safetensors и лицензирована по OpenRAIL++. В README указаны настройки для разных пропорций изображения и примеры тегов качества, эстетики и рейтинга. Результаты зависят от формулировки и порядка тегов; автор не приводит сведений о размере модели или длине контекста.

skytnt/anime-seg — модель для сегментации изображений в тематике аниме. Она предназначена для выделения областей на изображении и представлена в форматах ONNX и safetensors; для работы с ней указана библиотека anime_segmentation. Карточка не уточняет архитектуру, размер модели, языковые возможности или особенности сегментации. Модель опубликована под лицензией Apache-2.0.

Anything_to_Real_Characters_2511 — специализированная LoRA-модель, разработанная WarmBloodAban для Qwen/Qwen-Image-Edit-2511. Она предназначена для преобразования аниме- и стилизованных изображений в реалистичные фотографии персонажей, сохраняя исходную композицию и выражение лица. Модель применяется в сценариях image-to-image и редактирования изображений через библиотеку Diffusers; для активации рекомендуется использовать триггер transform the image to realistic photograph. Модель обучалась в течение 30 900 шагов на наборе из 103 пар высокого качества, всего 206 изображений. По данным разработчика, обновление улучшает стабильность лица, сохранение выражений, реалистичность кожи и фона, а также обработку персонажей разного возраста и пола. Рекомендуемые параметры — CFG Scale 4 и 30 шагов семплирования; оптимально использовать её с версией Qwen Image Edit 2511 в формате bf16. Для коррекции результата предусмотрены дополнительные подсказки, например normal body proportions, half-body shot и zoom out. Модель требует базовой Qwen/Qwen-Image-Edit-2511 и не предназначена для самостоятельного использования без неё; сведения о поддерживаемых языках и максимальном контексте не указаны. Распространяется по лицензии Apache-2.0.

Модель Gate City Preservation предназначена для классификации фотографий зданий по пяти архитектурным стилям, распространённым в США примерно с конца XIX до середины XX века: Classical Revival, Queen Anne, Craftsman Bungalow, Tudor Cottage и Mid-Century Modern Ranch. Она создана с помощью HuggingPics и использует архитектуру Vision Transformer (ViT); размер модели — 113,2 млн параметров. Модель принимает фотографию здания и выдаёт предсказанный архитектурный стиль. В README указано, что обучение основано на базе из более чем 700 изображений. Набор классов ограничен перечисленными пятью стилями, поэтому модель не предназначена для распознавания других архитектурных направлений. Лицензия в доступных данных не указана.

Asmodeus-24B-v1 — текстовая языковая модель DarkArtsForge на архитектуре MistralForCausalLM, созданная слиянием нескольких дообученных моделей Mistral методом DELLA с помощью mergekit. В основе объединения лежит Mistral-Small-3.2-24B-Instruct-2506-Text-Only; метаданные указывают 23,4 млрд параметров и контекст до 131 072 токенов. Для диалогов рекомендуется шаблон Mistral Tekken. Модель предназначена для генерации текста, творческой прозы и ролевых диалогов. Автор отмечает естественный стиль с абзацами и широкое следование запросам; карточка также прямо указывает на генерацию откровенного сексуального и графически жестокого контента и на отсутствие отказов. Поддерживается английский язык. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0.

Audio2Hero — модель Matthew Banaag и Tim Gubski для преобразования аудио в файлы уровней Guitar Hero с последовательностью кнопок и временем нот. Это дообученный encoder-decoder Transformer семейства Pop2Piano с 26,4 млн параметров; карточка Hugging Face указывает обработку аудио и задачу automatic-speech-recognition, хотя README описывает генерацию музыкальных чартов, а не распознавание речи. Модель предназначена для создания игровых уровней по аудиозаписям любимых песен. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

BlackList 4.2 PRO — текстовая генеративная модель от Bl4ckSpaces для улучшения коротких описаний визуальных идей и подготовки промптов для Stable Diffusion, Midjourney, Flux и других систем генерации изображений. Она преобразует короткую фразу в более подробный промпт, добавляя описание композиции, ракурса, окружения, освещения, стиля и визуальных деталей. Модель использует плотную архитектуру семейства LLaMA с grouped-query attention и доступна в формате Safetensors. В README указано около 950 млн параметров, тогда как метаданные Hugging Face указывают 854,5 млн; максимальный контекст составляет 256 токенов. Модель предназначена для англоязычных описаний визуального искусства и не генерирует изображения: на выходе — текстовый промпт. Модель ориентирована на специализированную обработку промптов, а не на диалог, фактические ответы или длинные тексты. Она склонна к детализированной кинематографичной эстетике, а стилистические предпочтения отражают обучающие данные. Лицензия — Apache 2.0.

Blade Runner 2049 v1 — модель генерации изображений по тексту, созданная wimvanhenden методом DreamBooth на базе Stable Diffusion v1.5. Она предназначена для создания изображений в стилистике Blade Runner 2049; в запросе рекомендуется использовать префикс bldrnrst. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не описывает дополнительные возможности, ограничения генерации или настройки обучения.

Это языковая модель BLOOM с 659,6 млн параметров, дообученная mrm8488 на наборе Gustavosta/Stable-Diffusion-Prompts. Она генерирует текстовые описания и промпты для Stable Diffusion по текстовому контексту. Модель построена на плотной авторегрессионной архитектуре BLOOM, работает с текстом и имеет контекстное окно 2048 токенов. В карточке приведён результат оценки на тестовой выборке: loss 0,8742. Модель может быть полезна для создания и продолжения промптов для генерации изображений, однако README не описывает её intended use, методику оценки или ограничения качества. Лицензия — BigScience BLOOM RAIL 1.0; перед применением следует учитывать её условия.

春华（Chunhua）是基于 BLOOM 的古汉语问答模型，由 wptoux 发布。模型使用 Scripta Sinica 古籍文本进行微调，并结合 BELLE 项目生成的中文指令数据，以增强对话能力。仓库标记其架构为 BLOOM，содержит 9,1 млрд параметров; поддерживает генерацию текста с контекстом до 2048 токенов и распространяется в формате PyTorch. Модель предназначена для ответов на вопросы по классическим китайским текстам, объяснения их смысла и обсуждения китайской истории, философии, литературы, медицины и традиционных искусств. В примерах также показаны перевод на английский и создание стихов по заданной теме. Карточка рекомендует передавать запросы в формате, основанном на ChatML. Модель ориентирована прежде всего на китайский язык и специализируется на классическом китайском, но примеры показывают и ограниченную работу с английским. Ответы могут содержать фактические ошибки или предвзятость. Лицензия репозитория — Apache-2.0; при этом README указывает, что датасет BELLE и производные от него разрешены только для исследовательского использования и не для коммерческого применения, поэтому условия использования модели следует сверять с условиями этого датасета.

Broken-Mirror-Style — модель генерации изображений, созданная Kagerage методом DreamBooth с использованием ноутбука fast-DreamBooth от TheLastBen. Она обучена на базе Stable Diffusion 2.1 и предназначена для создания изображений с эффектом треснувшего и разбитого зеркала, в том числе портретов и сцен с заданным окружением по текстовому описанию. Модель работает через StableDiffusionPipeline в Diffusers; веса FP16. Автор рекомендует разрешение не ниже 768×768, а для более качественной проработки лиц — сэмплер DPM++ SDE Karras минимум на 25 шагах и CFG 7. Для работы с концептом автор предлагает интерфейс A1111 и запуск через Colab с Diffusers. Лицензия — CreativeML OpenRAIL-M. По опыту автора, выводы FP16 могут отображаться некорректно без Xformers; рекомендуемые параметры генерации являются практическими советами, а не гарантией качества.

BTC chord recognition — GGUF — это конверсия модели BTC (A Bi-directional Transformer for Musical Chord Recognition), разработанной Park и соавторами и опубликованной на ISMIR 2019. Модель предназначена для автоматического распознавания музыкальных аккордов по аудиозаписи и выдаёт временную шкалу аккордов в формате .lab, совместимом с mir_eval. Она интегрируется с CrispASR и принимает монофонический аудиосигнал с внутренним преобразованием к частоте 22,05 кГц. Модель использует двунаправленный Transformer: 8 слоёв, скрытый размер 128, 4 attention-головы и FFN шириной 128. Обработка выполняется блоками по 108 кадров, а не скользящим окном. Доступны варианты GGUF с 170 классами, включающими 12 тональных центров и 14 качеств аккордов, а также классы X и N для неизвестного состояния и отсутствия аккорда, и варианты с 25 классами для мажорных и минорных аккордов и N. Предлагаются форматы f16, f32 и q8_0; f16 является вариантом по умолчанию, а q8_0 практически не отличается от него по измеренной точности при меньшем размере. Сильные стороны модели — компактность, проверенная поэтапная эквивалентность исходной PyTorch-реализации и высокая степень совпадения результатов с ней: 98,6–99,2% на тестовой музыкальной записи по метрикам mir_eval. Эти показатели отражают соответствие эталонной реализации, а не гарантированную точность относительно человеческих разметок. Модель может вести себя нестабильно вне распределения данных; например, 25-классовый вариант на синтетических тонах иногда возвращает N. Для большинства сценариев рекомендуется 170-классовая версия, которую можно дополнительно свернуть до мажорных и минорных аккордов. Весы распространяются по лицензии CC-BY-NC-SA 4.0 и предназначены только для некоммерческого использования. Они обучены на аннотациях Isophonics, Robbie Williams и UsPop2002, условия которых запрещают коммерческое применение. Код BTC и CrispASR имеют лицензию MIT, но она не распространяется на эти веса; для коммерческого продукта необходимо использовать собственные или отдельно лицензированные веса.

ControlNet v1.1 Shuffle — модель для управляемой генерации изображений на основе диффузионной архитектуры. Она разработана Lvmin Zhang и Maneesh Agrawala и представляет собой конвертацию исходного контрольного чекпойнта в формат diffusers. Модель предназначена для использования совместно с Stable Diffusion, в первую очередь с runwayml/stable-diffusion-v1-5, и добавляет к текстовому запросу дополнительное условие в виде изображения с перемешанным содержимым (shuffle image). Модель ориентирована на сценарии image-to-image и контролируемой генерации изображений: исходное изображение преобразуется внешним инструментом ContentShuffleDetector в управляющее изображение, после чего ControlNet помогает направлять генерацию Stable Diffusion при сохранении заданных визуальных характеристик. В README указано, что модель обучена для Stable Diffusion v1.5; язык — английский. Размер модели, точное число параметров, максимальный контекст и перечень поддерживаемых модальностей не указаны. Сильная сторона модели — дополнительный контроль над результатом генерации посредством условного изображения при сохранении возможностей Stable Diffusion. Она требует совместимого диффузионного пайплайна, внешних зависимостей для подготовки управляющего изображения и рекомендуется к использованию с Stable Diffusion v1.5; совместимость с другими моделями отмечена только экспериментально. Модель распространяется по лицензии CreativeML OpenRAIL M.

COVID-19 Misinformation Detector — модель классификации текста, созданная Spencer Gable на основе bert-base-uncased и дообученная для выявления дезинформации о COVID-19 и вакцинах в публикациях из соцсетей. Она присваивает тексту метку LABEL_0, если дезинформация не обнаружена, и LABEL_1, если публикация классифицирована как дезинформация. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает тексты длиной до 512 токенов. Дообучение проводилось на наборах ANTi-Vax и CoAID с твитами, размеченными как дезинформация или достоверная информация экспертами в области здравоохранения. В репозитории доступны форматы PyTorch и ONNX; лицензия — MIT. Модель предназначена для первичной проверки публикаций о COVID-19, а не для самостоятельной оценки медицинских утверждений. Её предсказания могут быть ошибочными и зависят от тематики, языка и стиля текста, представленных в обучающих данных; метки не заменяют проверку фактов специалистом.

Модель seantw/covid-19-vaccination-tweet-stance — классификатор текстов, дообученный на COVID-Twitter-BERT v2 для определения отношения автора твита к вакцинации против COVID-19. Она относит релевантные твиты к трём классам: «за», «против» и «нейтральное или неясное». Модель предназначена для анализа общественного мнения и разметки твитов о вакцинации; нерелевантные вакцинации сообщения следует предварительно отфильтровывать отдельной моделью. Архитектура — BERT для классификации последовательностей, веса доступны в формате PyTorch. Размер составляет 433,9 млн параметров, максимальная длина контекста — 512 токенов. Модель обучена на 5000 твитах о вакцинации против COVID-19, размеченных экспертами; для тестовой выборки из 506 примеров указана точность 0,7747. Лицензия — MIT.

D'AlemBERT — базовая модель RoBERTa для обработки исторического французского языка, разработанная с предварительным обучением на корпусе FreEMmax. Модель содержит 138,4 млн параметров, имеет контекст до 514 токенов и обучена на текстах XVI — начала XX века. Она регистрозависимая; при обучении использовались нормализованные и ненормализованные тексты. Модель обучена методом masked language modeling: она восстанавливает замаскированные слова с учётом контекста всего предложения. Её можно применять для заполнения пропусков, а также дообучать для классификации последовательностей и токенов или ответов на вопросы по историческим текстам. Модель рассчитана прежде всего на цифровую гуманитаристику и историческую обработку естественного языка. Обучающие данные содержат исторические тексты, поэтому модель может воспроизводить предвзятости своего периода и плохо подходить для современного французского языка. Для текстовой генерации авторы рекомендуют использовать авторегрессионные модели. Лицензия — Apache-2.0.

Darkidol-Ballad-27B — текстовая диалоговая модель для ролевого общения и творческого письма, созданная на базе Qwen3.5-27B и дообученная для различных ролевых сценариев, включая мрачное фэнтези и готическую тематику. Карточка также указывает на адаптацию для мобильных телефонов и быстрые ответы. Модель принимает текст и генерирует текст на английском языке. Её можно использовать для ролевых диалогов, написания песен, творческих промптов и развёрнутых художественных текстов. Архитектура — плотная причинная языковая модель Qwen3.5; в метаданных указаны 22,3 млрд параметров и контекст до 262 144 токенов. Репозиторий использует формат Safetensors, библиотека — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительных оценок качества; специализация на ролевом письме не гарантирует точность фактических ответов. README описывает только текстовый режим и рекомендует использовать английский.

DC — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный и опубликованный пользователем dd999361. Модель предназначена для использования с базовой моделью stabilityai/stable-diffusion-3.5-large в экосистеме Diffusers и может применяться в сценариях text-to-image. Для активации адаптера в README указан триггер NA. Архитектура и размер LoRA, поддерживаемые языки, максимальный контекст, особенности визуального стиля и конкретные преимущества не раскрыты, поэтому оценить сильные стороны и ограничения модели по предоставленным данным нельзя. Лицензия — MIT.

kmack/DetectiveTales-DistilGPT2 — языковая модель, дообученная автором репозитория на базе distilbert/distilgpt2. Это причинная Transformer-модель GPT-2 для генерации детективных историй по начальному текстовому запросу, в том числе повествований в духе рассказов о Шерлоке Холмсе. Её можно применять для творческого письма и подготовки черновиков сюжетов. Модель использует архитектуру GPT2LMHeadModel, формат весов safetensors и контекст до 1024 токенов. Базовая DistilGPT2 ориентирована на английский язык; карточка описывает обучение на детективных произведениях, но не приводит отдельной оценки качества или подробностей лицензии. Генерация может терять связность и фактическую последовательность на длинных фрагментах. Условия использования определяются лицензией базовой модели и репозитория.

Dicephal-123B — экспериментальная языковая модель автора ChuckMcSneed, полученная слиянием базовой Llama 2 70B с её копией с помощью mergekit. Модель с архитектурой LlamaForCausalLM содержит 123,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors. Автор отмечает более творческий стиль и чувство юмора по сравнению с базовой моделью, а также улучшения в стилизованном письме и стихах. Модель может подойти для творческого письма, однако иногда создаёт бессмысленные слова и, подобно базовой модели, может быть непослушной инструкциям; для получения желаемого ответа требуется тщательно формулировать запросы. Качество автор оценивал на собственном мем-бенчмарке, поэтому эти наблюдения не следует считать независимой оценкой. Лицензия указана как Llama 2 Community License.

FredZhang7 разработала эту модель на архитектуре GPT-2 для генерации описательных тегов и промптов в стиле Safebooru и Danbooru для anime-моделей преобразования текста в изображение. Модель дообучена на 2,47 млн промптов Stable Diffusion; указанное в карточке базовое семейство — DistilGPT-2. Контекст составляет 1024 токена, модель принимает и генерирует текст. По сравнению с другими GPT-2-моделями генерации промптов автор заявляет на 50% более быстрый прямой проход и на 40% меньшие требования к дисковому пространству и оперативной памяти. В версии 2 улучшены разнообразие и беглость генерации, а обучающие данные очищены от дубликатов, коротких промптов и примеров с NSFW-оценкой выше 0,5. Модель ориентирована на аниме-иллюстрации; качество и безопасность конкретных результатов могут варьироваться. Лицензия — CreativeML OpenRAIL-M.

Duchaiten Real3D NSFW XL — модель генерации изображений по текстовому описанию, опубликованная под идентификатором stablediffusionapi/duchaiten-real3d-nsfw-xl и предназначенная для работы через API ModelsLab. Карточка указывает на конвейер Stable Diffusion XL и формат Diffusers; примеры запросов предлагают создавать фотореалистичные портреты и сцены, задавая положительный и отрицательный промпты, размер изображения и параметры генерации. Модель рассчитана на создание реалистичных изображений, включая контент для взрослой аудитории. В примере API используются изображения 1024×1024, 30 шагов генерации и параметр guidance scale 7.5; это пример настроек, а не гарантированные характеристики качества. Данные карточки не сообщают размер весов, контекстный лимит или поддерживаемые языки промптов. Лицензия — CreativeML Open RAIL-M. Пример API допускает отключение safety checker, поэтому при использовании следует учитывать возможность генерации небезопасного или откровенного контента.

Electric Mist 7B — языковая модель, разработанная maldv и дообученная на базе alpindale/Mistral-7B-v0.2-hf. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В репозитории доступны веса Safetensors; модель лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена прежде всего для продолжения художественного текста, особенно научной фантастики: по описанию автора, обучение было ориентировано на генерацию длинных повествований, а для удержания сюжетного направления полезна авторская заметка. Она обучалась без чата и шаблона диалога: рекомендуется начинать непосредственно с текста истории. Данные состояли преимущественно из научной фантастики, дополненной наборами по математике, науке, теории разума и другим темам. Автор отмечает несовершенную пунктуацию и проблемы с пробелами. Модель не обучалась следовать диалоговым инструкциям, поэтому её не следует считать универсальным чат-ассистентом; коммерческое применение ограничено условиями лицензии.

EVA-D Qwen2.5-1.5B v0.0 — экспериментальная языковая модель, созданная Kearm и Auri методом онлайн-дистилляции логитов модели EVA-Qwen2.5-14B-v0.1 в Qwen2.5-1.5B. В каталоге указана связь с Qwen/Qwen2.5-1.5B как с дообученной базовой моделью; модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и распространяется в формате safetensors. Модель предназначена прежде всего для ролевых диалогов и написания историй. Она использует формат промптов ChatML и имеет заявленную длину контекста 131 072 токена. Для дистилляции применялся набор EvolKit-20k от Arcee.AI. Авторы предупреждают, что из-за небольшого размера не следует ожидать высокого качества ответов. Рекомендуется не применять квантованный KV-кэш, поскольку он может ухудшить результат; лицензия — Apache-2.0.

FabricDiffusion - Print Model — модель на базе Stable Diffusion InstructPix2Pix, опубликованная Yuanhao-Harry-Wang. Карточка README содержит только название проекта, поэтому назначение и характеристики модели можно определить лишь ограниченно: метаданные классифицируют её как модель преобразования текста в изображение и указывают библиотеку Diffusers и форматы safetensors и Diffusers. Модель может подойти для генерации изображений по текстовому запросу, однако данных о её специализации на печатных изображениях, архитектурных деталях, размере, контексте, поддерживаемых языках и условиях лицензии нет.

Xenova/face-parsing — модель для сегментации лица на изображениях, опубликованная Xenova на основе модели jonathandinu/face-parsing. Она распространяется с весами в формате ONNX и предназначена для использования в Transformers.js, в том числе непосредственно в веб-приложениях. Модель принимает изображения и выделяет отдельные области лица и фона, возвращая маски сегментации с метками вроде background и skin.png. Она подходит для задач анализа портретов, выделения кожи и других лицевых областей, а также для последующей визуализации или обработки отдельных сегментов. Поддерживается сценарий image-segmentation; сведения о размере модели, точной архитектуре, поддерживаемых языках, контекстном окне и наборе модальностей в README не указаны. К сильным сторонам относятся совместимость с JavaScript-библиотекой Transformers.js и формат ONNX, упрощающий запуск модели в веб-среде. Ограничения и точные показатели качества не приведены. Лицензия в README не указана.

GermanPolitical-Gelectra-base — модель классификации текстов, дообученная Максимилианом Витте, Яспером Швенцовым, Марком Хайтманном и Маттиасом Ассенмахером в сотрудничестве Гамбургского университета и Мюнхенского университета имени Людвига Максимилиана. Она основана на german-nlp-group/electra-base-german-uncased и предназначена для классификации политической тональности в отношении популярных немецких партий: CDU/CSU, SPD, FDP, Grüne, Die Linke и AfD. Модель использует архитектуру Gelectra-base без учёта регистра, содержит 138,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на немецкоязычные политические тексты; в метаданных указаны наборы Wahl-o-Mat и Wahlprogramme. Модель распространяется по лицензии MIT. Описание не уточняет метрики качества и метод разметки политической тональности.

Gheya-Nacid-instruct-v1 — разговорная текстовая модель семейства GPT-2, разработанная Finisha-LLM. Согласно карточке, это дообучение базовой модели Gheya-Nacid на более чем 1100 парах вопросов и ответов; модель предназначена для творческой генерации на французском языке, в частности для создания неологизмов, метафорических формулировок и идей на стыке этики и искусства. Архитектура — GPT2LMHeadModel, формат весов — safetensors, длина контекста — 1900 токенов. Модель ориентирована на свободные творческие запросы и ответы в необычном, ассоциативном стиле. Она может быть полезна для поиска художественных концепций и преодоления творческого затруднения. Описание не приводит измеримых результатов тестирования качества. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

uer/gpt2-chinese-poem — языковая модель на архитектуре GPT-2, предварительно обученная UER-py для генерации китайской классической поэзии. Она продолжает заданный текст и подходит для создания стихотворных строк и черновиков в традиционном поэтическом стиле. Обучающие данные включают 800 тысяч китайских классических стихотворений из проектов chinese-poetry и Poetry. Модель поддерживает ввод и генерацию текста на китайском языке; размер контекста составляет 1024 токена. Доступны версии весов для PyTorch, TensorFlow и Flax. В README отмечено, что Hosted Inference API может отображать результат некорректно: параметр skip_special_tokens удаляет специальные токены, включая [SEP] и [UNK].