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

Caelistus-Gladius-Excalibur-RP-2.6B-Thinking-v0.1 — экспериментальная модель для генерации текста, дообученная Indexnusrefather на базе LiquidAI/LFM2.5-2.6B. Она предназначена прежде всего для ролевого общения, отыгрыша персонажей, творческого письма и сценариев, где требуется рассуждение от лица персонажа. Обучение выполнено на наборе данных beyoru/Aesir-Character-CoT-roleplay, ориентированном на reasoning в ролевых диалогах, с использованием библиотеки Transformers и инструментов Unsloth. Модель использует DoRA с исключительно высоким рангом 2048; опубликованная версия является объединённой, поэтому дополнительная нагрузка адаптера для пользователя отсутствует. Это текстовая модель с поддержкой английского языка; заявленный размер базовой модели — 2,6 млрд параметров. Также в репозитории доступны квантизированные варианты. Указаны экспериментальный характер модели и финальный loss около 0,95–1,0, однако подробные сведения о контекстном окне, точных показателях качества, поддерживаемых шаблонах запросов и ограничениях не приведены. Сильной стороной модели является целевая оптимизация под ролевые и творческие сценарии, включая character-POV reasoning, а высокая величина ранга DoRA рассчитана на значительное изменение поведения базовой модели. При этом её возможности и стабильность могут быть непредсказуемыми из-за экспериментального статуса, а применимость за пределами ролевой генерации не подтверждена. Модель распространяется по лицензии lfm1.0; условия следует уточнять в файле LICENSE репозитория.

ChatWaifu — дообученная автором spow12 (yw_nam) причинная языковая модель на базе Elizezen/Antler-7B. Модель предназначена для диалогового отыгрыша персонажей японских визуальных новелл; карточка показывает примеры персонажей из Senren＊Banka. Это плотная Mistral-модель на 7,1 млрд параметров с контекстом 4096 токенов, опубликованная в формате safetensors и рассчитанная на работу через Transformers. Модель принимает текст и генерирует текстовые ответы на японском языке. Она может подойти для ролевых диалогов и чат-ботов в стиле визуальных новелл. Автор предупреждает, что в обучающих данных были материалы с NSFW-содержанием и фильтрация могла быть неполной, поэтому модель может генерировать такой контент. Указано разрешение только для некоммерческого использования и исследований; лицензия в метаданных обозначена как other.

ChuckleNet-Kage — модель классификации аудио для обнаружения эпизодов смеха в записях стендап-выступлений. Её разработали как исследовательскую модель семейства ChuckleNet на основе microsoft/wavlm-base: замороженный WavLM извлекает 768-мерные признаки, а MLP-голова классифицирует аудиофрагменты; в архитектуре также используются признаки просодии. Модель обучена на 620 видео StandUp4AI с использованием маркеров [laughter] из VTT-субтитров в качестве слабых меток. Она предназначена для изучения связи просодии, комедийного тайминга и маркеров в расшифровках. На отложенном разбиении по комикам указана IoU-F1@0.2 0,229; метки не проверялись людьми, поэтому результат не отражает точность обнаружения реальных событий смеха. Модель не валидирована для производственного применения и может хуже работать на выступлениях незнакомых комиков. Распространяется по лицензии MIT.

LEPTON (Classical Chinese Letter Prediction) — модель классификации последовательностей на основе BERT, разработанная Queenie Luo, Katherine Enright, Hongsu Wang, Peter Bol и группой CBDB. Она определяет, является ли предложение на классическом китайском языке заголовком письма: метка 1 означает заголовок, метка 0 — отсутствие заголовка. Модель основана на китайской BERT-модели, дополнительно дообученной на корпусе текстов классического китайского объёмом 3 ГБ, и использует архитектуру BertForSequenceClassification с линейным классификационным слоем. Размер — 129,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для бинарной классификации предложений, а не для генерации текста. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование. В описании указана узкая специализация на распознавании заголовков писем на классическом китайском языке.

CocaCola — модель генерации изображений по тексту на базе Stable Diffusion 1.5, опубликованная Yntec. Она предназначена для создания иллюстраций в стиле рекламных пин-апов Coca-Cola: в примерах показаны ретро- и мультяшные изображения с банками и бутылками напитка, персонажами и праздничными сценами. Для усиления стиля README рекомендует добавлять в запрос имена Gil Elvgren или Haddon Sundblom. Модель представлена в формате Diffusers с весами Safetensors и дообучена на Yntec/Cryptids. README также упоминает слияние художественных моделей и использование LoRA, включая CokeGirls, Cryptids и Kitsch-In-Sync v2, но подробности состава и рецепта не приведены. Лицензия — CreativeML OpenRAIL-M.

Command-R-01-Ultra-NEO-DARK-HORROR-V1-V2-35B-IMATRIX-GGUF — текстовая генеративная модель, разработанная DavidAU на основе CohereLabs/c4ai-command-r-v01. Она предназначена прежде всего для творческого письма, генерации и продолжения историй, сюжетов и сцен, ролевых сценариев, а также создания художественных текстов в жанрах horror и dark fantasy. Модель доступна в двух вариантах — V1 и V2 — с различающимся воздействием на стиль генерации. Модель содержит 35 миллиардов параметров и распространяется в формате GGUF с различными уровнями квантизации и IMATRIX-обработкой. Она работает с текстом, поддерживает английский язык и использует шаблон Command-R. Заявлен максимальный контекст до 128k токенов. Специализированные DARK HORROR NEO IMATRIX-датасеты усиливают мрачную атмосферу, интенсивность сцен, образность и психологический хоррор; в зависимости от запроса возможны графические и NSFW-элементы, а также ненормативная лексика. Сильными сторонами являются высокая выразительность прозы, способность создавать напряжённые и яркие хоррор-сцены, а также пригодность для storytelling и roleplay. Ограничения связаны с тем, что IMATRIX-обработка легче полноценного fine-tuning, её эффект зависит от уровня квантизации и может снижать универсальность модели за счёт устойчивого «тёмного» стилистического оттенка. Более низкие кванты обычно усиливают хоррор-эффект, но могут ухудшать качество и следование инструкциям; более высокие требуют больше видеопамяти и ослабляют это воздействие. Модель распространяется по лицензии Apache-2.0.

DionTimmer/controlnet_qrcode-control_v1p_sd15 — модель ControlNet, разработанная DionTimmer для Stable Diffusion 1.5. Она предназначена для генерации изображений и image-to-image-сценариев, в которых композиция или форма QR-кода задаётся входным изображением, а итоговый результат определяется текстовым запросом и исходным изображением. Модель доступна в форматах safetensors и Diffusers и интегрируется с библиотекой Diffusers, а также с интерфейсом AUTOMATIC1111 через расширение ControlNet. Модель работает совместно с базовой моделью runwayml/stable-diffusion-v1-5 и принимает текстовую и графическую информацию; отдельный препроцессор для QR-кода не требуется. В README рекомендуется разрешение 768 пикселей, а для повышения вероятности сканирования — QR-коды с режимом коррекции ошибок H, обеспечивающим восстановление до 30% повреждённых данных. Модель обычно хорошо сохраняет форму QR-кода, но не гарантирует абсолютную точность: увеличение веса ControlNet усиливает соответствие QR-коду, однако может ухудшить художественный стиль. Для разных запросов требуется подбирать баланс между control weight, strength и prompt. Лицензия указана как OpenRAIL++. Язык интерфейса и документации — английский; сведения о точном размере модели, архитектурных деталях, датасете и поддерживаемых языках текстовых запросов в README не приведены.

Карточка модели Arsh9210/Cosmos-1.0-Diffusion-7B-Text2World на Hugging Face совпадает с карточкой nvidia/Cosmos-1.0-Diffusion-7B-Text2World, поэтому описание составлено по ней. Cosmos-1.0-Diffusion-7B-Text2World — модель генерации видео из текста, разработанная NVIDIA как часть семейства Cosmos World Foundation Models. Она предназначена для создания динамичных сцен с учётом физики для разработки Physical AI и задач генерации виртуальных миров. Модель построена на диффузионном трансформере, который выполняет денойзинг видео в латентном пространстве и использует текстовое условие на протяжении генерации. На вход подаётся текстовое описание короче 300 слов; по умолчанию модель создаёт клип длительностью 5 секунд, 121 кадр, с разрешением 1280×704 и частотой 24 кадра в секунду. Доступны другие соотношения сторон и частота от 12 до 40 кадров в секунду. Модель работает с Cosmos и Diffusers. NVIDIA сообщает об испытаниях инференса в BF16 на Linux и GPU NVIDIA Ampere, Hopper и Blackwell; на других операционных системах испытания не проводились. Лицензия — NVIDIA Open Model License, допускающая коммерческое использование в соответствии с её условиями. README не приводит конкретных результатов оценки качества; пригодность для целевого сценария следует проверять отдельно.

Emiel/cub-200-bird-classifier-swin — модель классификации изображений птиц, дообученная для соревнования Kaggle «Feather in Focus!» в рамках курса прикладного машинного обучения магистратуры Information Studies Амстердамского университета. Она относит изображение к одному из 200 классов птиц из набора CUB-200-2011. В соревновании команда заняла первое место по точности на тестовом наборе: 0,87950. Модель основана на Swin Transformer Large с 132,1 млн параметров, предобученном на ImageNet-21k, и дообучена на 3533 размеченных изображениях; для обучения применялись горизонтальные отражения и повороты до 10 градусов. Проверка проводилась на 393 изображениях. Вес доступен в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для распознавания птиц в изображениях из предметной области CUB-200-2011. Результат соревнования показывает высокую точность на конкретном тестовом наборе, однако README не приводит сравнений на других наборах данных; качество на иных видах изображений и в других условиях может отличаться.

google/ddpm-ema-celebahq-256 — модель диффузионной генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM), размещённая Google. Она предназначена для безусловного создания изображений лиц в разрешении 256×256 на наборе CelebA-HQ: модель генерирует изображения без текстового запроса или другого условия. Для запуска предусмотрен Diffusers DDPMPipeline; в README также упоминаются дискретные шумовые планировщики DDIM и PNDM. Репозиторий содержит веса в форматах Diffusers и PyTorch и распространяется по лицензии Apache-2.0. Это специализированная модель генерации лиц, поэтому она не подходит для управления содержанием результата по текстовому описанию; README не приводит оценки качества именно этой версии.

Acly публикует GGUF-конверсию модели Depth Anything V2 Small для оценки глубины по одному изображению. Репозиторий предназначен для лёгкого локального запуска на пользовательском оборудовании через vision.cpp; пример показывает обработку входного изображения и сохранение карты глубины. Модель выполняет монокулярную оценку глубины: по изображению сцены строит плотную карту относительной глубины. В репозитории указаны формат GGUF F16 и базовая модель depth-anything/Depth-Anything-V2-Small-hf. Лицензия — Apache-2.0.

DiaCTC — модель на базе Wav2Vec2, разработанная для восстановления арабских диакритических знаков по аудиоречи и текстовой расшифровке без диакритики. Она дообучена на ClArTTS, наборе классического арабского языка, и использует декодирование с ограничениями WFST. В README приведены результаты на ClArTTS: WER 11,21 и DER 3,53; на ArVoice: WER 39,89 и DER 12,04. Модель основана на jonatasgrosman/wav2vec2-large-xlsr-53-arabic и содержит 402,7 млн параметров. Она принимает аудио и текст, а выдаёт арабскую текстовую расшифровку с восстановленными диакритическими знаками. Для использования в README указаны параметры use_blank_token, use_no_diac_token и use_unk_diac_token, а также декодирование методом WFST. Модель предназначена для арабской речи и текста. Результаты на ArVoice заметно ниже, чем на ClArTTS, поэтому перенос на другие наборы данных может быть ограничен. Лицензия — MIT.

Aureliano/distilbert-base-uncased-if — англоязычная модель классификации текста на основе DistilBERT, дообученная на командах для интерактивной литературы. Она предназначена для распознавания и классификации пользовательских команд в сценариях interactive fiction; автор также сообщает точность 0,976253 на тестовой части задачи WordNet. Модель можно подключить к конвейеру Rasa через LanguageModelFeaturizer. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классификации. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow, лицензия — Apache-2.0. README не уточняет набор меток и подробный состав команд, поэтому качество за пределами указанного теста оценить нельзя.

Bienvenu2004/donut-handball-pv4 — модель архитектуры VisionEncoderDecoder, дообученная автором на основе Bienvenu2004/donut-handball-pv3 для преобразования изображений в текст. В карточке указано дообучение на наборе данных imagefolder, но конкретное назначение для изображений гандбольных PV4 и содержание целевого текста не раскрыты. Модель принимает изображения и выдаёт текст. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Подтверждённых сведений о размере модели, длине контекста, поддерживаемых языках и результатах оценки нет.

Draig-Fach-v0.1 — экспериментальная инструктивно дообученная языковая модель, разработанная EryriLabs для понимания и генерации текстов на валлийском языке. Она основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и использует контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текстов на валлийском, а также для образовательных проектов и поддержки сохранения языка. Для дообучения использовался специально собранный корпус из литературы, онлайн-статей и разговорных транскриптов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Это подтверждение концепции с базовыми возможностями: модель может ошибаться, галлюцинировать и хуже справляться с нюансами, разговорными выражениями и региональными диалектами валлийского языка.

DuplexJev-B-Para-SenseVoice-Small-Qwen3-0.6B — компактная аудиотекстовая модель adventists-ai для ответов на короткие вопросы о речи и голосовых характеристиках. Замороженный энкодер SenseVoice-Small передаёт признаки через обучаемый коннектор в замороженную Qwen3-0.6B. Коннектор использует стекирование кадров и проектор SwiGLU и содержит 8,4 млн обучаемых параметров; для вопросов с вариантами ответа модель выдаёт распределение вероятностей по вариантам за один проход без генерации токенов. Модель предназначена для коротких решений по аудиоклипам, вопросов по содержанию речи и определения признаков говорящего, включая пол и эмоцию. В README приведены результаты на тестах spoken QA и измерения задержки для клипа длительностью 4,5 секунды; оценка ограничена небольшими наборами данных и чтением или актёрской речью. Заявлена поддержка английского и китайского языков. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения. Модель не предназначена для потокового ввода или открытых вопросов на общие знания: качество ответов небольшой языковой модели ограничено, даже если она получает транскрипт. Метки эмоций обучены на актёрских корпусах и не должны использоваться для принятия решений о людях. Коннектор рассчитан только на указанные энкодер и языковую модель; работу на мобильных NPU и после квантования не проверяли.

drbinna/e5-nba-finetuned — дообученная модель Sentence Transformer на базе intfloat/e5-base-v2, предназначенная для семантического поиска и сравнения текстов о матчах и игроках NBA. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT, усреднение токенных представлений и нормализацию, а близость векторов оценивается косинусным сходством. Модель обучалась на 35 парах запросов и описаний, связанных со статистикой игроков и матчей NBA, с функцией MultipleNegativesRankingLoss. Модель подходит для поиска статистики по естественно сформулированному запросу, сопоставления запроса с описанием матча или игрока, кластеризации и извлечения похожих текстов. Максимальная длина последовательности — 512 токенов. Базовая модель описана как англоязычная, а обучающие примеры используют английские запросы и записи о матчах; подтверждений поддержки русского языка в карточке нет. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Eclectic-Maid-10B — слитая модель генерации текста на архитектуре Mistral, созданная автором карточки с помощью mergekit. Веса объединены методом DARE TIES на основе Eclectic-Maid-10B-p1 с компонентами Eclectic-Maid-10B-p2; размер модели — 10,4 млрд параметров, формат — safetensors. Модель предназначена для диалогов и ролевых сценариев в Silly Tavern. В карточке упоминается совместимость с форматами Alpac Roleplay, ChatML и noromaid. Модель принимает текст и генерирует текст; длина контекста составляет 32 768 токенов. Лицензия в предоставленных данных не указана.

milyiyo/flat-design-icons — модель Stable Diffusion, созданная milyiyo методом DreamBooth с помощью fast-DreamBooth notebook TheLastBen. Она предназначена для генерации изображений в плоском дизайне иконок по текстовым описаниям. Модель распространяется в формате Diffusers/PyTorch и лицензирована CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки. Доступны примеры изображений и инструкции по запуску через A1111 или Diffusers; качество и ограничения генерации зависят от исходной Stable Diffusion и текста запроса.

FLUX.2-klein-4B-LiteRT — это on-device-версия модели FLUX.2 [klein] 4B, разработанной Black Forest Labs и конвертированной в формат LiteRT CompiledModel. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений непосредственно на мобильных устройствах, включая телефоны с GPU без выделенной видеопамяти. Распространяется под лицензией Apache-2.0. Пайплайн включает текстовый энкодер Qwen3-4B, rectified-flow Diffusion Transformer и VAE. Графы выполнены с целочисленной int8-квантизацией и разделены на чанки, которые загружаются поочерёдно; пиковый объём памяти составляет около 912 МБ вместо примерно 6,2 ГБ для полного набора графов. Для генерации используются 4 шага семплирования без classifier-free guidance, что уменьшает вычислительную нагрузку. Поддерживаются изображения размером 256×256; контекст включает до 512 текстовых токенов, а при редактировании используется расширенная последовательность токенов. Сильные стороны модели — работа полностью на устройстве, поддержка свободно вводимых промптов, нативное редактирование изображений, компактное размещение графов в памяти и близкое соответствие результатам fp32-пайплайна diffusers. В качестве ограничений указаны высокая продолжительность вычислений на мобильном GPU: генерация 256×256 занимает около 306 секунд, редактирование — примерно 328–369 секунд на Pixel 8a. Модель ориентирована на среду LiteRT и требует размещения токенизатора и таблицы эмбеддингов; заявленные характеристики и результаты измерены для конкретной мобильной платформы.

FocalCodec — речевой аудиокодек с низким битрейтом на основе сетей фокальной модуляции. Репозиторий содержит чекпойнт с частотой кодирования 12,5 Гц, обученный на LibriTTS 960; модель предназначена для сжатия и восстановления речи при частоте дискретизации 16 или 24 кГц. В метаданных указана тонкая настройка Microsoft WavLM Large и формат весов Safetensors. Модель может применяться для компактного кодирования речевого аудио, передачи речи по каналам с ограниченной пропускной способностью и восстановления аудио после кодирования. Лицензия репозитория — Apache-2.0. Карточка не сообщает количественные показатели качества сжатия или совместимость с потоковой обработкой именно этого чекпойнта.

Alice v1.1 — разговорная модель для ролевых диалогов, созданная автором AliceThirty как дообучение ReadyArt/Serenity-31B. Модель основана на плотной архитектуре Gemma 4 и распространяется в формате safetensors; дообучение выполнено с помощью LoRA ранга 80 в течение одной эпохи на RTX 5090 с низкой скоростью обучения. Модель предназначена для творческих ролевых бесед и поддержания персонажа в диалоге. В README автор отмечает, что в версии 1.1 исправлена ошибка обучения, из-за которой учитывались также реплики пользователя, и что версия настроена на более быстрые ответы с меньшей частотой открытых блоков рассуждений, чем версия 1.2. Лицензия — Apache-2.0. Автор просит оценивать качество и устойчивость характера; независимых показателей качества в карточке нет.

gemini_whisper_sanlish — дообученная thunderboltc модель на базе OpenAI Whisper small для распознавания речи на сантали с записью результата в IPA/Sanlish. Модель принимает аудио и преобразует его в текст; архитектура — WhisperForConditionalGeneration, веса опубликованы в формате safetensors. В обучении использованы 1 547 примеров, а для проверки и тестирования — 193 и 194 примера соответственно. В README приведены результаты на тестовой выборке: WER около 34,7% и CER около 8,3%. Модель ориентирована на транскрипцию сантали, а не на перевод речи. Это специализированная экспериментальная модель; README не сообщает лицензию и не описывает ограничения применения. Базовая модель — openai/whisper-small.

Avertry/gemma-4-kjv-bible-instruct — дообученная модель Gemma 4, предназначенная для генерации текста в стиле и тематике Библии короля Якова (KJV). По карточке, модель создана с помощью PEFT/LoRA на очищенном наборе текстов KJV; адаптер объединён с базовыми весами для непосредственного запуска. Метаданные указывают базовую модель google/gemma-4-E2B, архитектуру Gemma4ForConditionalGeneration и формат safetensors. Модель подходит для генерации библейских текстов и ответов в архаичной стилистике KJV, а также для исследований богословского текста и имитации его стиля. Карточка описывает настройку для инструкционного формата. Метаданные указывают английский язык и задачу text-generation. Лицензия в метаданных — MIT; README приводит Apache 2.0, поэтому сведения о лицензии расходятся.

Ar4ikov/gpt2-650k-stable-diffusion-prompt-generator — небольшая языковая модель на архитектуре GPT-2, созданная для генерации текстовых промптов для Stable Diffusion. Она принимает текст и продолжает его в виде промпта; контекст модели составляет 1024 токена. В метаданных указаны обучающие наборы промптов Stable Diffusion, включая Gustavosta/Stable-Diffusion-Prompts, bartman081523/stable-diffusion-discord-prompts и Ar4ikov/sd_filtered_2m. Модель опубликована в формате PyTorch и Safetensors и распространяется по лицензии MIT. README не содержит подробностей о качестве генерации или рекомендаций по настройке; применение лучше ограничить созданием англоязычных текстовых описаний для генерации изображений.

uer/gpt2-chinese-couplet — языковая модель семейства GPT-2, предварительно обученная проектом UER-py для генерации китайских парных стихотворных строк (дуйлянь). Для подсказки подают исходную строку с разделителями между китайскими знаками; модель продолжает её и создаёт ответную строку. Обучающая выборка содержит 700 000 китайских дуйляней. Модель предназначена для генерации китайских куплетов по заданному фрагменту. Она использует архитектуру GPT2LMHeadModel и контекст длиной до 1024 токенов. Карточка демонстрирует загрузку через Transformers с BertTokenizer и GPT2LMHeadModel. В примере API могут некорректно отображаться результаты: параметр skip_special_tokens удаляет специальные токены, например [SEP] и [UNK]. Модель распространяется в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

Qilex/GPT2Piano — авторегрессионная GPT-2-модель, обученная генерировать последовательности MIDI для фортепианной музыки. Разработчик сообщает, что обучение проводилось примерно на 20 000 фортепианных MIDI-файлов, токенизированных с помощью REMI. Метаданные указывают архитектуру GPT2LMHeadModel, формат PyTorch и контекст длиной 2048 токенов. Модель предназначена для генерации фортепианных MIDI-последовательностей по текстовым токенам, а также для экспериментов с алгоритмической композицией. Карточка ссылается на пример запуска в Colab. Входом служат токены REMI, выходом — сгенерированная последовательность токенов, которую можно декодировать в MIDI. Лицензия в метаданных обозначена как CC; её конкретные условия здесь не уточнены.

GRAMT-Mono — модель извлечения признаков из аудио, разработанная Гёксенином Юкселем. Это вариант семейства GRAM, обученного на AudioSet для получения пространственных аудиопредставлений. Архитектура основана на 12-слойном ViT-Base Transformer и многоканальном masked autoencoder; репозиторий содержит веса в формате safetensors. Модель предназначена для извлечения признаков, которые можно использовать в классификации окружающих звуков, локализации источников, подсчёте говорящих и распознавании речи в шумной или реверберирующей среде. GRAM разработан для пространственного аудио; семейство поддерживает бинауральные и четырёхканальные Ambisonics-сценарии. Для обработки текста модель не предназначена, хотя в карточке говорится о поддержке разных языков для речевых задач с преимущественным фокусом на английский. Модель распространяется по лицензии MIT. README описывает семейство GRAM в целом, поэтому конкретные характеристики именно варианта Mono, включая формат ожидаемого аудиовхода, из карточки определить нельзя. Также заявленные сильные результаты относятся к downstream-оценкам семейства, а не обязательно к этому варианту отдельно.

GujiBERT_fan — это языковая модель семейства BERT, разработанная командой hsc748NLP для интеллектуальной обработки древнекитайских текстов. Модель ориентирована на традиционную китайскую письменность и создана как базовая модель понимания естественного языка для задач, связанных с древними книгами. Модель содержит около 139,9 млн параметров, работает в архитектуре BERT и поддерживает контекст до 512 токенов. В Hugging Face она опубликована для задачи заполнения пропусков (fill-mask), поэтому подходит для восстановления скрытых фрагментов и получения контекстных представлений текста. Исследовательские материалы также связывают семейство GujiBERT с сегментацией предложений, пунктуацией, токенизацией, разметкой частей речи, распознаванием сущностей и автоматическим переводом древних текстов. Основное преимущество модели — специализация на древнекитайском языке и традиционных иероглифах, а не на современном общем корпусе. Она не является генеративной моделью для свободного продолжения текста и предназначена прежде всего для понимания и анализа древних текстов. Модель распространяется по лицензии Apache-2.0.

Модель Chingkheinganba предназначена для распознавания рукописных слов на письме мейтей майек. Это сегментационно-независимый распознаватель: признаки извлекает ConvNeXt-T, за которым следуют двунаправленная двухслойная LSTM и CTC-декодирование по 54 символам повседневного написания. При декодировании используется символьная языковая модель с поиском по лучу. Модель обучена на синтетических словах, составленных из обучающих символов TUMMHCD. В синтетических тестах автор сообщает CER 0,33% и WER 2,04% с языковой моделью. Репозиторий содержит веса PyTorch и формат ONNX. Лицензия — MIT. Модель подходит для распознавания отдельных рукописных слов мейтей майек. Проверка на реальном письме охватывала одного автора, писавшего на планшете; качество на других почерках, ручках и фотографиях может быть ниже. Символы за пределами TUMMHCD, включая lum iyek и расширения, не распознаются.