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

Aetheria L2 70B — языковая модель, разработанная The Royal Lab и представленная в данном репозитории в формате GGUF после квантизации, выполненной TheBloke. Базовая версия указана как royallab/Aetheria-L2-70B. Модель построена на архитектуре Llama и предназначена для генерации текста, прежде всего для ролевого общения и сюжетных диалогов с персонажами. В README указаны 70 миллиардов параметров, поддержка английского языка и шаблон LimaRP-Alpaca, предусматривающий описание персонажей, пользователя и сценария. Модель рассчитана на запуск через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Доступны квантизированные варианты с разной разрядностью — от 2 до 8 бит, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к ресурсам; конкретные характеристики контекстного окна не указаны. Сильной стороной модели является ориентация на ролевые сценарии и возможность локального запуска на CPU и GPU благодаря формату GGUF. Ограничения включают неизвестные из README показатели качества, отсутствие данных о дополнительных модальностях и поддержку только английского языка. Лицензия обозначена как other, но её конкретные условия в предоставленных данных не раскрыты.

AGE-ViT — модель классификации изображений на основе Vision Transformer, дообученная разработчиком Civitai для определения, изображено ли на картинке лицо несовершеннолетнего или взрослого. Модель рассчитана на фотографии людей, а также на изображения сгенерированных людей в стилях аниме, мультфильмов и цифрового искусства. При дообучении использовались FairFace и синтетический набор из 15 тысяч изображений, созданных Flux. В отличие от FairFace, где преимущественно представлены фронтальные портреты, синтетические изображения не обрезали до лиц, чтобы модель могла учитывать композицию и изображения с большей частью тела. Модель содержит 113,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Результат классификации предназначен для оценки возрастной категории по изображению; README не приводит метрики качества. Модель может хуже работать на изображениях, существенно отличающихся от обучающих данных. В частности, FairFace в основном содержит фронтальные портреты, а синтетический набор составлен из изображений Flux; заявлено расширение набора изображениями SD 1.5 и повторное обучение.

AIBunCho Japanese Novel GPT-J 6B — это конвертированная в формат GGUF версия модели japanese-novel-gpt-j-6b, опубликованной AI BunCho. Конвертацию выполнил mmnga. Модель предназначена для генерации японского текста, в частности художественной прозы и диалогов, на основе заданного текстового приглашения. В README приведены примеры продолжения японских реплик и повествования с использованием llama.cpp. Модель основана на архитектуре GPT-J и имеет размер около 6 млрд параметров. Она работает только с текстом и ориентирована на японский язык. Точный размер контекста и другие параметры обучения в README не указаны. GGUF-версия поддерживает запуск через экспериментальную ветку llama.cpp, включая выполнение на CPU и ускорение с использованием CUBLAS на совместимом GPU. Основное преимущество модели — специализация на японской художественной генерации и возможность локального запуска через llama.cpp. Ограничение заключается в экспериментальном статусе конвертации: при появлении поддержки GPT-NeoX и GPT-2 в основной ветке llama.cpp данный GGUF-файл может стать несовместимым. Указанная лицензия — OpenRAIL.

FredZhang7/anime-anything-promptgen-v2 — языковая модель на базе GPT-2, обученная автором на 80 000 уникальных безопасных аниме-промптов из Safebooru. Модель предназначена для генерации текстовых промптов для создания аниме-изображений, например, по короткому префиксу вроде «1girl». Она обучалась три эпохи; контекст составляет 1024 токена. Модель генерирует текст, который можно использовать с Anything V4 и другими системами текст-в-изображение. В README автор отмечает, что предыдущая версия часто выдавала бессвязные промпты и связывает проблему со случайными именами пользователей в данных; для этой версии заявлена очистка датасета. Модель выпущена по лицензии CreativeML OpenRAIL-M.

APEX — модель для оценки популярности и эстетического качества музыки, созданной генеративными системами. Она разработана для совместного предсказания этих характеристик по аудиозаписи и использует эмбеддинги MERT-v1-95M; обучение проводилось на более чем 211 тысячах композиций Suno и Udio общей длительностью около 10 тысяч часов. Для аудиофайла модель выдаёт семь оценок: показатели ожидаемой вовлечённости по прослушиваниям и лайкам в диапазоне 0–100, а также оценки музыкальных характеристик SongEval по шкале 1–5. Среди перечисленных характеристик — связность структуры и гармонии, музыкальность и запоминаемость. Модель предназначена для анализа и сравнения AI-сгенерированной музыки, а не для создания аудио. Репозиторий содержит веса PyTorch; карточка указывает библиотеку Transformers и лицензию Apache-2.0. Метаданные классифицируют модель как feature-extraction. В README не приведены сведения о контекстном окне аудио и ограничения точности предсказаний.

ArcANE-32B-SFT — дообученная методом SFT с LoRA модель семейства Qwen3, созданная для исследования ролевых ответов от лица персонажей. Она учитывает состояние персонажа на заданном этапе повествования и предназначена для ответов с учётом Character Arc, обрезанной до соответствующей главы, чтобы не использовать сведения из будущих фаз сюжета. Модель содержит 29,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст по шаблону чата Qwen3. Она обучена на английских примерах из ArcANE: 12 романов, 55 персонажей и 339 характеристик персонажей. В описанной оценке с контекстом Character Arc модель показала общий результат 58,4 против 50,1 у исходной Qwen3-32B при том же контексте. Модель рассчитана на исследовательские эксперименты с ролевыми ответами и изменением поведения персонажей по ходу повествования. Для наиболее надёжного сценария в контекст следует включать только части Character Arc до главы, о которой задаётся вопрос; раскрытие будущих фаз противоречит проверенной постановке. Базовая модель поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0.

Это англоязычная модель BERT для восстановления замаскированных слов в текстах. Она обучена командой проекта Living with Machines на корпусе исторических книг, изданных в 1760–1850 годах; корпус содержит около 1,3 миллиарда токенов. Модель насчитывает 136,7 млн параметров, использует архитектуру BERT для masked language modeling и принимает последовательности длиной до 512 токенов. Модель подходит для подстановки пропусков и анализа исторической английской лексики в текстах соответствующего периода. Её можно применять в исследованиях истории языка и цифровой гуманитаристике, например, чтобы изучать контекстное употребление слов в книгах 1760–1850 годов. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

BERT — языковая модель для заполнения пропусков в тексте, обученная проектом Living with Machines на большом корпусе англоязычных книг, изданных в 1760–1900 годах. В обучающем корпусе около 5,1 млрд токенов; модель содержит 136,7 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель подходит для подстановки слов в замаскированные фрагменты исторического английского текста и для исследовательского анализа языка книг указанного периода. Обучение поддержано проектом Living with Machines и Alan Turing Institute; подготовку данных и обучение выполняли исследователи этих организаций. Репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

BERTweet-large-sexism-detector — модель классификации текста, дообученная разработчиками NLP-LTU на BERTweet-large с использованием датасета Explainable Detection of Online Sexism (EDOS). Она предназначена для определения, содержит ли публикация в Twitter сексистское содержание: класс 0 означает «не сексистская», класс 1 — «сексистская». Модель основана на архитектуре RoBERTa, содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указаны точность 89,72% и F1-score 86,13% на тестовой выборке; команда заняла 10-е место среди 84 участников. Эти показатели относятся к оценке на EDOS и не гарантируют такую же точность на других платформах, языках или типах текста. Модель рассчитана на англоязычные публикации. Лицензия в предоставленных данных не указана.

mudler/ced-gguf — набор GGUF-квантизаций семейства CED (Consistent Ensemble Distillation), разработанного Xiaomi Corporation и преобразованного для работы с ced.cpp и LocalAI. Модели предназначены для классификации звуков и sound event detection: они распознают повседневные события, включая плач ребёнка, шаги, разбитое стекло, сигналы тревоги и лай собак, используя таксономию AudioSet из 527 классов. CED представляет собой аудиомодель на базе архитектуры AST/DeiT Vision Transformer, обрабатывающую log-mel-спектрограммы. Доступны варианты tiny на 5,5 млн параметров, mini на 9,6 млн, small на 22 млн и base на 86 млн параметров. Для каждого размера предусмотрены форматы f16 и q8_0, а для base также f32; размер файлов составляет примерно от 6 до 328 МБ. Конфигурация, метки классов и параметры mel-фильтробанка встроены в GGUF. Модели рассчитаны на работу на CPU без Python и PyTorch; tiny с q8_0 подходит для устройств уровня Raspberry Pi, а base с f16 ориентирована на максимальную точность. По данным README, порт численно согласуется с эталонной реализацией PyTorch, однако квантизация q8_0 несколько снижает точность численных прогнозов при сохранении совпадения top-5 тегов. Основные ограничения — специализация на классификации звуков из фиксированной 527-классовой онтологии AudioSet и отсутствие заявленной поддержки других модальностей или произвольных текстовых запросов. Веса моделей распространяются по лицензии Apache-2.0; метки AudioSet — по CC-BY-4.0, а код ced.cpp — по MIT.

CerberusDet — модель обнаружения объектов на основе YOLOv8x, разработанная авторами семейства CerberusDet. Этот чекпойнт обучен совместно на PASCAL VOC 2007/2012 и подмножествах животных и столовой посуды из Objects365. Архитектура использует общие backbone и neck с отдельными головами для задач датасетов; модель содержит 142 млн параметров, принимает изображения размером 640×640 и поддерживает инференс в FP16. Репозиторий распространяет веса в формате safetensors, а для работы указана библиотека CerberusDet. Модель предназначена для локализации и классификации объектов на изображениях: объектов классов PASCAL VOC, животных и столовой посуды. В README приведены метрики mAP@0.5 от 0,54 до 0,93 в зависимости от набора данных и скорость 10 мс на NVIDIA V100 при FP16 и batch 32. Эти показатели относятся к указанным наборам и условиям; качество на других классах и изображениях не описано. Лицензия — AGPL-3.0.

dopaul/chess-piece-detector — модель компьютерного зрения на базе YOLO11, разработанная для обнаружения и классификации шахматных фигур на изображениях шахматной доски. Она распознаёт пешки, ладьи, коней, слонов, ферзей и королей, различая белые и чёрные фигуры. Модель построена с использованием Ultralytics YOLO и распространяется в формате PyTorch. Модель предназначена для разбора фотографий шахматных позиций, автоматического определения расположения фигур и построения приложений компьютерного зрения для шахмат. Карточка сообщает об обучении на наборах данных шахматных фигур и устойчивости к разным комплектам фигур и условиям освещения. Лицензия в предоставленных данных не указана.

ChessSight RT-DETR v0.1.0 — модель обнаружения шахматных фигур на изображениях, созданная tch auffi и дообученная на базе PekingU/rtdetr_r50vd_coco_o365. Она возвращает рамки объектов и классы фигур; модель не определяет координаты клеток и не восстанавливает шахматную позицию или FEN. Обучение включало синтетические рендеры, а качество также оценивалось на реальных фотографиях ChessReD. На тесте ChessReD из 306 фотографий указаны mAP 0,636 и F1 0,884 при откалиброванном пороге 0,3948. Сырые оценки уверенности сжаты и достигают примерно 0,05: без калибровки стандартный порог 0,5 не возвращает обнаружений. Для видео требуется сглаживание детекций по кадрам. Модель хуже распознаёт мелкие и удалённые фигуры, особенно при низком ракурсе и на размытых изображениях; калибровка рассчитана на фотографии, похожие на ChessReD. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

ChordBERT — компактная модель DeBERTa-v2 с маскированным языковым моделированием, разработанная Lameusiwe для последовательностей символических аккордов. Модель содержит около 5 млн параметров, имеет 4 слоя и 4 головы внимания; максимальная длина контекста — 258 токенов. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель предсказывает замаскированные аккорды и кодирует последовательность аккордов в вектор размерности 256 для поиска гармонически похожих прогрессий, кластеризации и извлечения признаков в задачах поиска музыкальной информации. На вход подаются разделённые пробелами токены из словаря Chordonomicon; для длинных последовательностей README рекомендует обработку фрагментами до 254 аккордовых токенов. Для построения эмбеддингов применяется усреднение представлений токенов, поскольку обученной головы pooling в чекпойнте нет. Модель предназначена для символических гармонических последовательностей, а не для аудиотранскрипции или генерации музыки. Неизвестные и несовместимо записанные обозначения аккордов могут токенизироваться как неизвестные; подробные гиперпараметры обучения и полное описание обучающих данных для этого чекпойнта отсутствуют.

jhoppanne обучил ResNet-101 для классификации изображений пород собак на основе microsoft/resnet-101. Модель предназначена для определения одной из 120 пород на фотографии; она дообучена на датасете Stanford Dogs и использует архитектуру ResNet для классификации изображений. На оценочной выборке модель показала accuracy 0,8758 и loss 0,4469. Эти результаты относятся к указанному в карточке разделению данных на обучающую и тестовую выборки. Модель рассчитана на изображения собак и не предназначена для классификации других объектов. Распространяется по лицензии Apache-2.0.

Dusk-Miqu-70B — плотная авторегрессионная языковая модель семейства Llama, созданная jukofyork как слияние нескольких моделей на базе Miqu-1-70B. Веса насчитывают 68,7 млрд параметров, доступны в формате Safetensors, нативный контекст — 32 764 токена. Модель предназначена прежде всего для творческого письма в жанрах тёмного и grimdark-фэнтези, а также тёмной научной фантастики. Она генерирует продолжительный художественный текст и диалоги; предпочтителен формат запросов Vicuna, также поддерживаются Mistral и Alpaca. README отмечает сниженную позитивность ответов и склонность к мрачным сюжетам. Модель ориентирована на англоязычную генерацию. README указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами репозитория Hugging Face. Примеры и описание автора не дают независимой оценки качества; модель может быть неподходящей для запросов, где нужны оптимистичный тон или нейтральные ответы.

EndlessRP-v2-7B — языковая модель для ролевых диалогов, опубликованная Endevor. Это плотная causal language model на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель собрана слиянием нескольких моделей и адаптеров; веса доступны в формате safetensors. Модель предназначена прежде всего для ролевого общения и генерации продолжительных ответов в формате Extended Alpaca. В карточке приведён пример шаблона на основе lemonilia/LimaRP-Mistral-7B-v0.1. Указана лицензия Apache-2.0. Основной язык карточки — английский. Автор предупреждает, что модель ориентирована на RP и не следует ожидать от неё сильных результатов в загадках и логических тестах. Метки модели также указывают на контент NSFW, поэтому она не подходит для всех аудиторий.

LightWeight GAN-модель для безусловной генерации изображений, созданная Алексеем Коршуком. Она предназначена для создания изображений в стиле коллекции EtherBears; для обучения использован датасет huggingnft/etherbears. Модель представлена в формате PyTorch и распространяется по лицензии MIT. Подробности об использовании и ограничениях автор направляет смотреть в проектный репозиторий.

Explicit Freedom NSFW WAI — модель для генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Карточка демонстрирует вызов через API ModelsLab и указывает идентификатор модели explicit-freedom-nsfw-wai. В метаданных указан конвейер StableDiffusionXLPipeline и форматы Diffusers и PyTorch. Модель предназначена для создания фотореалистичных изображений по промптам. Пример в карточке показывает портрет в киберпанк-стилистике и настройки генерации, включая негативный промпт, разрешение, число шагов и guidance scale. Метаданные помечают модель как предназначенную не для любой аудитории, а README приводит параметр отключения safety checker. Модель опубликована по лицензии CreativeML Open RAIL-M. Карточка не сообщает размер модели, длину контекста, обучающие данные или перечень языков. Пример API использует английский промпт; поддержка других языков не подтверждена.

Fermata-0.2B-v1 — разработанная haster модель для генерации символической музыки. Это дообученный на инструкциях декодерный Transformer семейства Llama с 201,4 млн параметров, 17 слоями и контекстом 4096 токенов. Модель принимает структурированный заголовок с жанром, составом ансамбля, темпом, тональностью, размером и планом инструментов и генерирует многодорожечную партитуру; также умеет продолжать музыкальный фрагмент и заполнять пропущенные такты. Музыкальные данные представлены в пользовательском формате bar-major REMI+: дорожки чередуются по тактам, а ноты ударных кодируются через General MIDI. Весы доступны в формате safetensors и раскладке LlamaForCausalLM для Transformers и vLLM, но штатный AutoTokenizer не подходит: кодирование и преобразование в MusicXML или MIDI выполняются через проектный конвейер. По README, длинные композиции создаются продолжением последовательных окон, что может приводить к смене настроения на стыках; также отмечены повышенная диссонантность и ошибка сдвига нот ударных на один GM-номер. Лицензия — Apache-2.0.

Felldude представил FLUX.2 UltraHD RAW VAE — вариационный автоэнкодер для экосистемы FLUX.2, настроенный на перцептивное улучшение изображений. Он усиливает микроконтраст и чёткость границ, восстанавливает текстуры и обогащает цветовые градиенты с HDR-подобной передачей тонов. Совместим с FLUX.2, FLUX.2 Klein 9B и 4B, а также Ernie; поддерживает FP16, BF16 и FP32 и предназначен для работы через diffusers. Модель ориентирована на визуально выразительный рендеринг и улучшение деталей при реконструкции латентов. В сравнении с базовым VAE FLUX она показала на тесте из 150 изображений увеличение Gradient Energy на 56% и числа уникальных цветов на 4,9%, сохраняя близкие показатели контраста и яркости. Одновременно LPIPS вырос с 0,0073 до 0,0303, поэтому модель уступает базовому VAE по точности перцептивной реконструкции и подходит тем, кто предпочитает усиленную резкость и фактуру пиксельной точности. Лицензия обозначена как other; конкретные условия следует проверять в репозитории.

Fusion Perception 1 v0.1-preview — модель извлечения признаков изображений от EximiusLabs для поиска фотографий одного и того же места при смене ракурса, сезона, времени суток или условий съёмки. Она использует замороженный визуальный энкодер DINOv2 ViT-L/14 и обученную проекционную голову; в репозитории находятся только веса головы размером 3,1 млн параметров. Модель преобразует изображение в единичный вектор размерности 512, а галерею ранжируют по косинусному сходству. Модель предназначена для поиска ориентиров и повторной локализации, в том числе в больших галереях с миллионами посторонних изображений. В README приведены результаты на наборах ROxford и RParis с отвлекающими изображениями; на RParis+1M авторы сообщают о результатах выше сравниваемых опубликованных систем, тогда как на ROxford+1M модель близка к передовым результатам, но не превосходит их во всех настройках. Повторное ранжирование короткого списка улучшает качество, но требует хранения локальных дескрипторов. Это исследовательская предварительная версия, и указанные результаты относятся к задачам поиска ориентиров. Качество на внутренних сценах, однотипных промышленных объектах и поверхностях с малой текстурой не охарактеризовано. Модель распространяется по лицензии CC BY-NC 4.0; указанная для базового энкодера лицензия Apache-2.0 не заменяет лицензию этого репозитория.

Gigafractal Diffusion — модель генерации изображений по тексту на основе Stable Diffusion v1.5, дообученная автором kabachuha методом DreamBooth. Для обучения использованы 40 изображений, созданных Disco Diffusion; обучение нацелено на биоморфный фрактальный художественный стиль. Чтобы задать этот стиль, автор рекомендует добавлять в запрос фразу «gigafractal artstyle». Модель предназначена для генеративного искусства и развлекательного использования. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. Лицензия разрешает коммерческое использование и распространение при соблюдении её ограничений, включая передачу пользователям условий лицензии и запрет на намеренное создание или распространение незаконного и вредоносного контента. Автор описывает проект как исследование возможностей и ограничений DreamBooth при увеличенном числе шагов обучения; заявленная сопоставимость качества с другими генераторами является субъективной оценкой автора.

GPT-NeoDnD — дообученная модель PatrickTyBrown на основе GPT-Neo для генерации текста в тематике Dungeons & Dragons. Она предназначена для продолжения текстовых подсказок и создания материалов для настольных ролевых игр. Модель содержит 137,7 млн параметров, использует архитектуру GPT-Neo с авторегрессионной языковой моделью и принимает контекст длиной до 2048 токенов. В README приведены результаты оценки: eval_loss 3,2754 после 2,9 эпох обучения. Модель опубликована в формате PyTorch. В карточке не приведены сведения о составе обучающих данных, поддерживаемых естественных языках и лицензии, поэтому их нельзя уточнить по доступным данным. Качество и фактический охват игровых сценариев не описаны; результат генерации может требовать проверки и редактирования.

Это квантованная версия модели GPT-NeoX 20B Fiction Novel Generation, изначально разработанной FrostAura. Модель преобразована в формат GGUF пользователем ywms666 с использованием llama.cpp и сервиса GGUF-my-repo. Она предназначена для генерации художественного текста и романов на английском языке. Модель основана на архитектуре GPT-NeoX и содержит около 20 миллиардов параметров. Представлена в варианте квантования Q4_K_M, что позволяет использовать её локально с llama.cpp через командную строку или серверный режим. В README приведён пример запуска с контекстом 2048 токенов, однако другие параметры и точный размер контекстного окна не указаны. Сильной стороной модели является специализация на художественной прозе и возможность локального запуска в экосистеме llama.cpp. Ограничения связаны с английской языковой специализацией, отсутствием подробных сведений об обучающих данных, качестве генерации и дополнительных возможностях, а также с возможной потерей качества из-за 4-битного квантования. Для использования указана лицензия MIT.

Himeyuri-v0.1-12B — экспериментальная японская языковая модель от Elizezen, созданная на базе Mistral-Nemo-Instruct-2407. Она предназначена прежде всего для генерации художественных текстов и романов на японском языке; модель не оптимизирована для ролевых сценариев и ответов на инструкции. Архитектура — плотная MistralForCausalLM с 12,1 млрд параметров, формат весов — safetensors, контекст — до 1 024 000 токенов. Поддерживается чатовый режим. Автор рекомендует низкую температуру генерации, поскольку это может снизить резкую смену сцен. Автор характеризует модель как экспериментальную и отмечает, что ей есть куда улучшаться. Лицензия — Apache-2.0.

HOI-R1 — мультимодальная модель для обнаружения взаимодействий между людьми и объектами на изображениях. Она создана на основе Qwen2.5-VL-3B-Instruct и исследует применение рассуждений мультимодальных языковых моделей и оптимизации в стиле обучения с подкреплением для повышения качества обнаружения таких взаимодействий. Модель принимает изображения и текстовые запросы, а результат формулирует текстом; архитектура Qwen2.5-VL имеет 3,1 млрд параметров и поддерживает контекст до 128 000 токенов. Модель подходит для анализа сцен с людьми и объектами и определения их взаимодействий. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает исследовательское направление, но не приводит результатов оценки, деталей обучения или подтверждённых ограничений качества.

Whisper Small Romanian - Horoscop Neti — дообученная модель распознавания речи, созданная на основе openai/whisper-small и датасета Horoscop Neti. Она предназначена для транскрибирования румынской речи; архитектура — WhisperForConditionalGeneration, размер — 153,1 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указаны результаты оценки на тестовой выборке: loss 0,2392 и WER 9,7834. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет условия записи аудио и ограничения распознавания.

IceDrunkenCherryRP-7b — объединённая авторами icefog72 модель для генерации диалогового текста и ролевых бесед. Она построена на архитектуре Mistral и создана с помощью mergekit методом SLERP из моделей icefog72/Ice0.29-06.11-RP и icefog72/Ice0.37-18.11-RP. Размер модели составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для чата и ролевых сценариев; карточка также помечает её как NSFW и не подходящую для всех аудиторий. Доступны варианты ExL2 и GGUF, помимо файлов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

scrollprize/ink_detection_pipeline — модель семейства TimeSformer из проекта ScrollPrize для извлечения признаков из изображений древних рукописей. README указывает на применение в конвейере чтения древнего текста и поиска скрытых писем возрастом около 2000 лет; модель используется с пакетами vesuvius и timesformer-pytorch. В метаданных указаны библиотека Transformers и формат весов safetensors. Доступные сведения не раскрывают размер модели, контекст, точные языки или лицензию, поэтому эти характеристики нельзя уточнить. README содержит команду принятия условий пакета Vesuvius, но не сообщает лицензию самой модели.