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

Это модель классификации аудио, дообученная на microsoft/wavlm-large для определения пола и оценки возраста говорящего по речи. Она реализует подход, описанный в бенчмарке Vox-Profile для характеристики говорящих и речевых признаков. Пол возвращается одним из двух классов: Female или Male; оценка возраста находится в диапазоне от 0 до 1, и для получения возраста в годах её нужно умножить на 100. Модель принимает аудио и выдаёт метки и числовую оценку. Репозиторий содержит веса в формате safetensors. Лицензия — OpenRAIL.

Weirdcore — модель генерации изображений, обученная abesmon методом DreamBooth на базовой модели Stable Diffusion v2.1 с разрешением 512 пикселей. Для генерации используется библиотека Diffusers; ключевое слово для вызова изученной визуальной концепции в запросе — «weirdcore».

YiffyMix v31 — модель генерации изображений по текстовому описанию в формате Stable Diffusion 1.5. Карточка описывает её как уменьшенную по размеру версию с теми же результатами и встроенным VAE MoistMixV2. Модель предназначена для создания стилизованных изображений в аниме и furry-эстетике по промптам; в примере показан персонаж в мультяшном стиле. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. В карточке нет сведений о точном размере, контексте или поддерживаемых естественных языках; качество зависит от формулировки промпта.

keremberke/yolov8n-csgo-player-detection — модель компьютерного зрения на базе Ultralytics YOLOv8n, опубликованная пользователем keremberke. Она предназначена для обнаружения игроков и их голов на изображениях из Counter-Strike: Global Offensive, различая команды CT и T. Модель выдаёт рамки объектов и метки классов ct, cthead, t и thead; работает с библиотекой Ultralytics и опубликована в формате PyTorch. Модель подходит для анализа игровых кадров, подсчёта и локализации игроков, а также для прототипов компьютерного зрения по сценам CS:GO. В метаданных указан датасет keremberke/csgo-object-detection. Размер модели, длина контекста и поддерживаемые естественные языки неприменимы к этой задаче. Условия лицензии в предоставленных данных не указаны.

YuE2-Vae — вариационный автоэнкодер (VAE) проекта YuE2, предназначенный для кодирования стереозвука и декодирования акустических латентов в музыку с частотой 48 кГц. Его используют как декодер по умолчанию в системе генерации песен YuE2-3B; модель также можно загружать отдельно для кодирования и декодирования аудио. Модель принимает аудио в формате [batch, 2, samples] с частотой 48 кГц и выдаёт латентное представление при кодировании; декодирование преобразует акустические латенты в стереоаудио. Для длинных композиций доступно тайловое декодирование с ограничением расхода памяти. В README указана скорость декодирования композиции длительностью 3,6 минуты примерно за 3,6 секунды на RTX 4090, а веса декодера в FP32 занимают около 253,2 МиБ без учёта активаций. YuE2-Vae ориентирован на аудиосценарии и сам по себе не генерирует песню из текста: для полной генерации его предлагают использовать вместе с YuE2-3B. По сравнению с YuE2-Vae-legacy этот вариант описан как обеспечивающий лучшее воспринимаемое качество аудио, тогда как legacy показывает более высокие оценки музыкальности в бенчмарках. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Z-Image-Lora — адаптер LoRA для генерации изображений, предназначенный для использования с моделями Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo. В README модель связана с проектом nphSi; точная информация об авторе или организации-разработчике отдельно не указана. Адаптер распространяется в формате safetensors и рассчитан на работу через инструменты экосистемы Diffusers. Модель предназначена для text-to-image-сценариев, в частности для генерации изображений людей и воспроизведения внешности или образов, представленных в наборе обучающих данных nphSi/LoRa_Datasets. Для активации конкретного образа необходимо использовать полное имя LoRA вместе с соответствующим trigger word формата vrtlxxxx; обычные описания вроде Woman или 1girl, согласно README, могут не сработать. Для адаптеров с несколькими триггерами предусмотрено использование специальных trigger words, включая vrtlMain. Ключевые архитектурные характеристики базовых моделей, размер адаптера, поддерживаемые языки и максимальный контекст в README не указаны. Сильной стороной является специализация на управляемой генерации образов и совместимость с двумя вариантами Z-Image. Ограничения включают зависимость результата от правильного trigger word, конкретной базовой модели и параметров инференса; качество и область применимости для других сюжетов или персонажей не описаны. Модель распространяется по лицензии Apache-2.0.

SDim1973/Z-Image-Loras — набор адаптеров LoRA для генерации изображений на базе Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo. По описанию, проект связан с автором или сопровождающим nphSi. Адаптеры предназначены главным образом для text-to-image-сценариев с воспроизведением внешности известных людей, персонажей и других образов по специальным trigger words. Модель использует формат LoRA и файлы safetensors, совместима с экосистемой Diffusers. Для активации адаптера требуется указывать полное имя LoRA и соответствующий триггер вида vrtlxxxx; обычные описания вроде woman или 1girl могут не сработать. Для некоторых адаптеров предусмотрено несколько триггеров, а также отдельный vrtlMain для их объединения. В README приведены рекомендации по настройке, включая примеры применения с Z-Image-Turbo и параметры, использованные для превью. Сильная сторона набора — специализированная настройка под большое количество конкретных лиц, персонажей и образов. Ограничения включают необходимость использовать совместимую базовую модель и точные триггеры, возможные проблемы при неоднозначных или плохо распознаваемых именах, а также вариативность результата в зависимости от исходных возможностей базовой модели. Поддерживаемые языки, размер адаптеров, максимальный контекст и точные технические параметры в README не указаны. Лицензия — Apache-2.0.

SearchingMan/Z-Image-Turbo-student-adapter — адаптер для генерации изображений по тексту на основе Z-Image-Turbo от Tongyi-MAI. Он заменяет исходный текстовый энкодер Qwen3-4B на дистиллированную модель Qwen3-1.7B с лёгким адаптером, который преобразует её скрытые состояния в векторы кондиционирования, совместимые с DiT. Трансформер DiT и VAE базового пайплайна не изменены. Модель предназначена для генерации изображений с меньшими затратами видеопамяти. В измерениях авторов на T4 при разрешении 1024×1024 пиковое потребление памяти снизилось примерно с 21,35 до 16,76 ГБ; качество итоговых изображений при этом отдельно не гарантируется. Для работы требуется форматирование промпта через chat template, а генерация рассчитана на один промпт за раз. Модель распространяется по лицензии Apache-2.0.

Agate Preview 003 — компактная модель LogoLabs для генерации изображений по англоязычным текстовым запросам. Она создаёт квадратные изображения размером 512 × 512 и поддерживает 256 × 256; модель содержит 261 млн параметров с декодером TAESD. Доступны запуск в Python, интеграция с ComfyUI и браузерная демонстрация на WebGPU. Модель развивает Agate Preview 001: сеть, рассчитанная на 256 пикселей, расширена для работы в двух разрешениях и дообучена с перцептивными функциями потерь. Она предназначена, в частности, для генерации логотипов, символов и иконок, а также для прототипирования изображений по текстовым описаниям. В тесте Qwen-Image-Bench модель получила 32,6 балла; README отмечает, что текст на изображениях, подсчёт объектов свыше четырёх и привязка цветов к объектам остаются ненадёжными. Модель обучена на синтетическом наборе FLUX-Reason-6M, и её внешний вид и смещения могут наследовать особенности изображений FLUX.1-dev. README сообщает, что встроенного классификатора безопасности нет; в тестировании обнаруживалась нагота взрослых и при обычных запросах, поэтому для публичного использования рекомендуется добавить фильтрацию результатов. Лицензия — MIT.

airoboros-2.2.1-limarpv3-y34b — плотная авторегрессионная языковая модель семейства Llama на базе Yi 34B, полученная слиянием модели Doctor-Shotgun/airoboros-2.2.1-y34b с PEFT-адаптером, обученным на LimaRP v3 с весом 0,5. Модель предназначена для генерации текста в формате инструкций Alpaca, прежде всего для ролевых диалогов и ответов от лица заданного персонажа. В промпте задают описание личности персонажа; длину ответа можно регулировать модификатором от micro до unlimited. Модель содержит 33,9 млрд параметров, принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст 4096 токенов. Опубликована в формате safetensors; лицензия указана как other. Модель может многословно отвечать на длинных настройках длины и перенимать предвзятости ролевых интернет-сообществ и базовой модели. Разработчик предупреждает, что она не предназначена для фактической информации или советов.

Anima-turbo-v1.0-GGUF — квантизированная версия модели Anima-Turbo-v1.0, первоначально разработанной CircleStone Labs и опубликованной в формате GGUF пользователем Abiray. Модель основана на архитектуре nvidia/Cosmos-Predict2-2B-Text2Image и содержит около 2 миллиардов параметров. Это text-to-image-модель, ориентированная преимущественно на аниме-концепты, персонажей, стили, иллюстрации и другие художественные изображения; для фотореалистичной генерации она подходит плохо. Вариант Turbo является дистиллированной версией, оптимизированной для быстрой генерации за небольшое число шагов. Модель предназначена для запуска в ComfyUI с использованием узла ComfyUI-GGUF и поддерживает работу на CPU и GPU с выгрузкой вычислений. Доступны квантизации Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 1,02 до 2,24 ГБ; Q4_K_M и Q5_K_M заявлены как сбалансированные варианты. Для Turbo рекомендуются 8–12 шагов, CFG 1.0 и sampler euler. Поддерживаются разрешения от 512×512 до 1536×1536 пикселей. Модель обучалась на Danbooru-style tags, описаниях на естественном языке и их сочетаниях; язык текстовых запросов явно не указан. Для работы требуются ComfyUI версии 0.14.1 или выше, дополнительные text encoder Qwen 3 0.6B и VAE qwen_image_vae. Основные ограничения — узкий художественный фокус, низкая пригодность для реализма и зависимость Turbo-варианта от ограниченных параметров генерации. Лицензия указана как circlestone-labs-non-commercial-license; коммерческое использование не разрешено.

AnimeBoysXL v1.0 — модель генерации изображений в стиле аниме, рассчитанная на создание мужских персонажей. Автор описывает её как гибкую модель для инференса с нейтральным стилем и широким распознаванием понятий; также её можно использовать как основу для дальнейшего обучения и создания LoRA. Модель работает в формате Stable Diffusion XL через Diffusers и принимает текстовые промпты с тегами, выдавая изображения. Для генерации автор рекомендует SDXL VAE и приводит настройки сэмплирования и размеры изображений для портретной, квадратной и альбомной ориентации. Модель ориентирована на аниме-персонажей мужского пола и не оптимизирована для генерации девушек. README содержит теги рейтинга от общего до чувствительного и сомнительного, поэтому характер результата зависит от промпта и настроек. Лицензия — OpenRAIL++; её условия следует учитывать при использовании и распространении модели.

ArcANE-8B-DPO — англоязычная модель для ролевых ответов персонажей, разработанная Holi Lab на основе Qwen3-8B. Она предназначена для исследований, где нужно воспроизводить поведение персонажа на определённом этапе сюжета, опираясь на описание его Character Arc, ограниченное главой запроса. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текстовый контекст; максимальная длина контекста — 40 960 токенов. Обучение включало supervised fine-tuning, а затем Direct Preference Optimization: модель училась предпочитать ответы, соответствующие заданной фазе развития персонажа, ответам из соседних фаз. В описанной оценке с контекстом Character Arc она превзошла SFT-вариант и Qwen3-8B по общей метрике соответствия фазе. Модель подходит для экспериментов с ролевым диалогом и анализом изменений характера по мере развития сюжета. Для корректного сценария следует передавать только сведения о сюжетных фазах до главы запроса; будущие фазы могут исказить ответ. Данные оценки относятся к ограниченному набору романов и проб. Распространяется по лицензии Apache-2.0.

Arconte-13B — слитая модель на архитектуре Llama 2, созданная ThenMagician экспериментальным изменением рецепта слияния. В состав вошли NeverSleep/X-NoroChronos-13B, Undi95/Emerhyst-13B и Henk717/echidna-tiefigther-25. Модель содержит 12,9 млрд параметров и рассчитана на генерацию текста; автор описывает её как вариант для ролевого общения. Контекст — 4096 токенов. Автор сообщает, что при тестировании использовал квантованный формат Q5_K_M GGUF, но в репозитории указаны веса safetensors. Качество субъективно: в обновлении автор называет модель связной, но скучной и сомневается в её качестве. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Average Normie v3.69 — англоязычная чат-модель для ролевых диалогов и творческого письма, созданная автором jeiku. Это плотная Llama-модель с 7,5 млрд параметров и контекстом 8192 токена, сохранённая в формате safetensors. Модель получена слиянием трёх моделей: cgato/L3-TheSpice-8b-v0.8.3, Sao10K/L3-8B-Stheno-v3.2 и saishf/Aura-Uncensored-OAS-8B-L3. Она предназначена для диалогов с персонажами, написания историй и ответов в заданной манере. Примеры сообщений и редактирование первого сообщения помогают задавать стиль и речевые особенности; автор отмечает, что модель охотно поддерживает указанный стиль и может выдавать человекоподобные ответы. Модель сильно склонна к NSFW-сценариям, поэтому характер и примеры в промпте влияют на содержание ответов. Лицензия — Apache-2.0. Автор рекомендует использовать актуальную версию программного обеспечения для инференса.

bcms-bertic-parlasent-bcs-ter — классификатор тональности предложений, разработанный на основе classla/bcms-bertic и дообученный на наборе BCS Political Sentiment. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Модель предназначена для определения политической тональности текстов на боснийском, хорватском и сербском языках. Её можно применять для анализа тональности отдельных предложений и сравнительного анализа политических высказываний. Архитектура — ELECTRA с головой классификации последовательностей; размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. В README указана средняя macro F1 0,7941 ± 0,0101 в описанных авторами запусках. Модель принимает текст и выдаёт метку класса тональности. Она обучена на предложениях из политического домена, поэтому результаты на других темах и языках могут быть хуже; классификация ограничена тремя категориями. Условия лицензирования в доступных сведениях не приведены.

Beat This! GGUF — это конвертированные в формат GGUF веса трансформерной модели Beat This!, разработанной исследователями CPJKU и описанной Foscarin, Schlüter и Widmer на ISMIR 2024. Модель предназначена для отслеживания долей и сильных долей в музыкальном аудио. Она выдаёт временные метки долей и сильных долей; постобработка использует поиск пиков без Dynamic Bayesian Network. В репозитории представлены варианты F16 и F32; основной вариант F16 занимает 41 МБ, а F32 предназначен для отладки точного совпадения. Модель содержит 20,25 млн параметров и включает mel-фильтрбанк, использованный при экспорте. По README, F32 совпадает с PyTorch-эталоном с высокой численной точностью, а F16 имеет небольшую погрешность из-за точности весов. Модель рассчитана на работу через CrispASR/ggml. Лицензия MIT распространяется на исходный код и опубликованные веса, поэтому модель допускает коммерческое использование. Это специализированный трекер музыкального ритма: он не предназначен для общего распознавания или понимания речи.

kumo24/bert-sentiment-nuclear — модель BERT для классификации тональности публикаций об атомной энергетике. Автор дообучил её на более чем 400 тысячах записей из Twitter/X; модель различает три класса: отрицательный, нейтральный и положительный. В метаданных указаны архитектура BertForSequenceClassification, 136,7 млн параметров и контекст до 512 токенов. Для модели заявлена точность классификации 96%, но README не уточняет набор данных и методику оценки. Модель распространяется под лицензией Apache-2.0.

philipp-zettl/bge-micro-v2-mtg — англоязычная модель Sentence Transformer, дообученная автором на наборе данных Magic: The Gathering (mtg_cards-2025-04-04) на базе TaylorAI/bge-micro-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и оценивает семантическое сходство по косинусной мере. Модель подходит для семантического поиска и сравнения текстов, связанных с картами MTG, а также для поиска перефразирований и кластеризации. Архитектура основана на BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Карточка приводит результаты на наборах sts-dev и sts-test, но не сообщает их применимость к другим областям. Модель выпущена под лицензией базовой модели, сведения о которой в предоставленных данных отсутствуют.

Карточка модели yu281847972/bigvgan_v2_22khz_80band_256x на Hugging Face совпадает с карточкой nvidia/bigvgan_v2_22khz_80band_256x, поэтому описание составлено по ней. BigVGAN-v2 — нейронный вокодер, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Этот репозиторий содержит вариант с частотой дискретизации 22 кГц, 80 мел-полосами и коэффициентом повышения частоты 256×. Модель генератора имеет архитектуру BigVGAN; размер конкретного чекпойнта в предоставленных данных не указан. Модель принимает мел-спектрограмму и синтезирует из неё звуковую волну. Она предназначена для вокодирования речи и других аудиосигналов; обучение BigVGAN-v2 охватывало речь на разных языках, окружающие звуки и музыкальные инструменты. Для ускорения инференса предусмотрено CUDA-ядро, но его сборка требует CUDA, nvcc и ninja. Репозиторий опубликован по лицензии MIT.

BlackList Prompt Enhancer — компактная авторегрессионная модель на архитектуре Transformer, разработанная Bl4ckSpaces. Она преобразует короткие английские ключевые слова о визуальном образе в более подробные промпты для генераторов изображений, добавляя описания освещения, композиции, художественного стиля и качества рендеринга. Модель предназначена для подготовки запросов перед использованием Stable Diffusion, Flux, Midjourney и других систем генерации изображений, а также для встраивания в API и лёгкие приложения. В README указаны 23,27 млн параметров, 6 слоёв, 8 голов внимания, словарь BPE на 8 000 токенов и контекст до 512 токенов. Репозиторий содержит веса safetensors, для работы заявлена библиотека Transformers. Модель обучена с нуля на парах промптов, а не дообучена от Mini GPT-2; лицензия — Apache 2.0. BlackList быстро расширяет короткие запросы и выдаёт структурированные описания, ориентированные на визуальную эстетику. Она не предназначена для диалога, длинных текстов, фактических ответов и задач, не связанных с визуальными промптами; результаты могут повторять распространённые эстетические формулировки и не гарантируют совместимость с настройками каждого генератора изображений.

BPModel — экспериментальная модификация Stable Diffusion от Crosstyan на основе ACertainty Джозефа Ченга. Модель предназначена для генерации изображений по текстовым описаниям, прежде всего в аниме-стилистике. Автор обучал её на 5 тысячах отобранных изображений с теговыми аннотациями из Sankaku Complex; набор данных опубликован как Crosstyan/BPDataset. Модель распространяется в формате Diffusers и Safetensors. В обучении использовались разрешения 512, 768 и 1024 пикселя с подбором пропорций; автор сообщает, что вариант с разрешением 768 дал лучшие результаты, чем 512, а обучение на 1024 не показало заметного улучшения. Лицензия — CreativeML OpenRAIL-M. Модель может добавлять детали, не соответствующие запросу, и склонна к переобучению из-за сравнительно небольшого набора данных. Возможны анатомические ошибки, повторение фрагментов обучающих изображений и дрейф языковых подписей; имена художников могут некорректно обрабатываться токенизатором. Для файла bp_1024_e10.ckpt требуется отдельно подключить VAE.

CambodiaTourismLM — двуязычная языковая модель, созданная Chhorn Seyha с нуля для работы с текстами о туризме, культуре, географии и истории Камбоджи. Это причинная языковая модель на архитектуре Transformer Decoder в стиле Llama с 276 млн параметров, 16 слоями и токенизатором Byte-Level BPE. Модель принимает и генерирует текст на английском и кхмерском языках; максимальная длина контекста составляет 512 токенов. Модель предназначена для генерации тематических текстов, ответов на вопросы и создания материалов о Камбодже на английском и кхмерском. Она создана с нуля, а не дообучена на готовой базовой модели. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия MIT разрешает использование на её условиях. Размер и тематическая специализация делают её пригодной для узких сценариев, связанных с Камбоджей. Небольшой контекст и обучение с нуля ограничивают её возможности в сравнении с крупными универсальными языковыми моделями; README не приводит результатов оценки качества.

satvikag/chatbot — диалоговая модель на основе microsoft/DialoGPT-medium, дообученная автором на репликах Джошуа из игры The World Ends With You. Для обучения использован набор игровых сценариев с Kaggle. Модель предназначена для генерации ответов в стиле персонажа и имитации беседы с ним. Модель использует архитектуру GPT-2 и формат весов PyTorch; заявленная длина контекста — 1024 токена. Карточка указывает лицензию MIT. Описание подтверждает специализацию на речи игрового персонажа, но не сообщает оценок качества или подробностей обучения.

Это диалоговая языковая модель Qwen3 с плотной архитектурой и 3,7 млрд параметров, дообученная методом GRPO на планировании следующих глав. Разработчик сообщает, что чекпойнт относится к ветке base, использует seed 42 и выбран на шаге 96 по результатам проверки на отложенных примерах; обучение включало два эпизода и генерацию до 4 096 токенов. Контекст модели — до 262 144 токенов. Модель предназначена для генерации планов продолжения глав на основе обучающих примеров, связанных с книгами. Отбор чекпойнта учитывал непрерывную контрастивную награду: поощрялось улучшение для целевой книги и применялись штрафы за сходство с примерами-ловушками из той же или другой книги. Это специализированный исследовательский чекпойнт, а не подтверждённая универсальная модель для любых задач диалога. Лицензия в предоставленных данных не указана.

Cthulhu 8B v1.4 — англоязычная текстовая модель EldritchLabs для генерации художественных историй и ролевых диалогов в жанре космического хоррора. Это дообученная плотная Llama-модель с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она использует шаблон чата Llama 3 и рассчитана на контекст до 1 073 152 токенов. Дообучение проводилось шесть эпох на небольшом наборе данных с лором Ктулху и Гоэтии. Модель подходит для написания рассказов, продолжения сцен и ролевого общения в мрачной фантастике. Карточка предупреждает, что ответы могут содержать графическое насилие и откровенный эротический контент. Модель распространяется по лицензии Apache-2.0.

Карточка модели Quacky369/CyberRealisticPony на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

Карточка модели ZeusAIWorld/CyberRealisticPony-v18 на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

DarkForest-20B-v3.0 — языковая модель семейства LLaMA, собранная автором TeeZee как пятиэтапное слияние нескольких моделей. В README среди использованных моделей перечислены athirdpath/Orca-2-13b-Alpaca-Uncensored, KoboldAI/LLaMA2-13B-Erebus-v3, BigMaid-20B-v2.0, athirdpath/Harmonia-20B и athirdpath/Iambe-RP-v3-20b; указано также, что jebcarter_psyonic-cetacean-20B был исключён. Слияния выполнялись в float32, где применимо использовался метод breadcrumbs_ties. Модель предназначена прежде всего для ролевых диалогов и создания историй по карточкам персонажей и профилям пользователей. По заявлению автора, она хорошо следует инструкциям, отслеживает нескольких персонажей в сцене и переключается между безопасным и откровенным содержанием. Модель содержит 19,8 млрд параметров, использует архитектуру LlamaForCausalLM и имеет контекст 4096 токенов; в репозитории указаны веса safetensors. Модель рассчитана на взрослую аудиторию и может генерировать NSFW-содержание, а также затрагивать темы ПТСР, психических трудностей и сложных отношений. Автор предупреждает, что качество повествования не следует считать литературным уровнем. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в материалах репозитория.

Модель Ahbdjbdsh/Dataset-from-HOMEWORK-2 — бинарный классификатор токсичности русскоязычных комментариев, созданный дообучением ai-forever/ru-en-RoSBERTa в рамках учебного задания. Она использует архитектуру RoBERTa с головой классификации последовательностей, содержит 503,5 млн параметров и принимает текст длиной до 514 токенов. Результат — метка «токсичный» или «нейтральный»; в README также описана оценка вероятности токсичности. На сбалансированной тестовой выборке автор сообщает accuracy 90,27%, precision 91,30%, recall 89,03%, F1 90,15% и ROC AUC 0,956. Модель предназначена для автоматической модерации и анализа русскоязычных комментариев; README отмечает, что она выявляет в том числе скрытую и пассивную агрессию. Порог argmax со значением 0,5 может пропускать завуалированные токсичные высказывания, поэтому для конкретного сценария рекомендуется подобрать порог классификации. Метаданные также отмечают русский и английский языки, но описание обучения и задача в README ориентированы на русскоязычные комментарии. Лицензия в предоставленных данных не указана.