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

Bloom-1b7-creative-writing — дообученная модель BigScience на базе bigscience/bloom-1b7, созданная для генерации творческих текстов. В карточке указано, что она предназначалась для студенческого группового проекта курса LLM в Portland State University зимой 2024 года; обучение проводилось на наборе adambjorn/UnrelatedForgettingOverhead creative writing dataset. Это плотная авторегрессионная модель архитектуры BLOOM с 2,1 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текст; исходная BLOOM — многоязычная модель, но карточка не уточняет, какие языки охватывает дообучение. Модель подходит для экспериментов с генерацией творческих текстов и учебных проектов. Карточка не приводит оценок качества и подробностей ограничений, поэтому пригодность для стабильного практического применения не подтверждена. Лицензия — BigScience-BLOOM-Rail-1.0.

crumb/bloom-560m-RLHF-SD2-prompter — дообученная модель семейства BLOOM от автора crumb для генерации текстовых промптов к Stable Diffusion 2.0. Она продолжает обучение mrm8488/bloom-560m-finetuned-sd-prompts с использованием RLHF: автор ранжировал изображения, а при обучении обновлялись только смещения и параметры нормализации слоёв. Модель принимает текстовое начало «Prompt:» и дополняет его описанием для генерации изображения, например концепт-артом пейзажа. Это причинная плотная языковая модель на 659,6 млн параметров с контекстом до 2048 токенов; доступны веса PyTorch и safetensors. Карточка указывает лицензию BigScience BLOOM RAIL 1.0. Назначение модели узкое: составление промптов для Stable Diffusion 2.0. В README автор называет её первой итерацией проекта и описывает личную ручную настройку, поэтому качество и стабильность результатов могут быть ограничены; иных конкретных ограничений карточка не приводит.

BluemoonRP-13B — модель генерации текста, разработанная Reeducator как дообучение LLaMA 13B на данных для ролевого взаимодействия. Она предназначена для продолжения сценариев от лица персонажа ASSOCIATE в диалоге двух участников: LEAD задаёт ситуацию и персонажей, а модель развивает историю описаниями событий и репликами. Модель содержит 12,9 млрд параметров; карточка указывает контекст 2048 токенов. README также описывает отдельный вариант с контекстом 4k и AliBi, а также сборки GGML и GPTQ в 4-битном формате. Модель ориентирована на англоязычный roleplay и обучалась с шаблоном промпта Vicuna 1.1. Она может быть полезна для интерактивного повествования и ролевых диалогов, но её специализация на обмене между двумя участниками и небольшой контекст по данным метаданных ограничивают пригодность для длинных сценариев и общих задач. В README лицензия не указана.

CAIP (Contrastive Action-Image Pre-training) — модель-энкодер в стиле CLIP/SigLIP, предназначенная для сопоставления изображений, текста и действий, представленных эгоцентрической позой руки, в общем пространстве эмбеддингов. Она разработана в рамках проекта CAIP и подходит для извлечения признаков и построения векторных представлений этих данных. Модель принимает изображения, текстовые описания и данные о позе руки, а выдаёт согласованные эмбеддинги, которые можно использовать для сравнения и поиска соответствий между модальностями. Доступны веса в формате safetensors; для загрузки меньшего объёма README указывает вариант bf16 размером около 1,75 ГБ. Репозиторий распространяется по лицензии MIT. В карточке не приведены сведения о поддерживаемых естественных языках и длине контекста.

Модель data354/camembert-fr-covid-tweet-sentiment-classification — франкоязычный чекпойнт для классификации тональности твитов о COVID-19. В README указано, что модель дообучена на SST-2 на основе Yanzhu/bertweetfr-base; при этом описанный набор меток включает негативную, нейтральную и позитивную тональность. Архитектура в метаданных обозначена как CamemBERT для классификации последовательностей, размер — 137,8 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для определения эмоциональной окраски франкоязычных сообщений в Twitter и может применяться для анализа общественных реакций на пандемию. На dev-наборе README сообщает точность 71%. Лицензия — Apache-2.0. Результат следует трактовать с осторожностью: README противоречиво описывает задачу и данные — называет SST-2 и четырёхклассовую классификацию тем, но перечисляет только три класса тональности; качество на других данных не подтверждено.

ChatWaifu v1.2 — языковая модель, разработанная spow12 и дообученная на NeverSleep/Lumimaid-v0.2-12B. Это плотная causal language model семейства Mistral с 12,1 млрд параметров, предназначенная для многоходового общения в роли персонажей визуальных новелл. Основной язык — японский; модель рассчитана на текстовый чат и продолжительные диалоги. В README заявлено контекстное окно 128k токенов; метаданные указывают native context в 1 024 000 токенов. Модель обучалась на японских данных, включая визуальные новеллы, и может генерировать контент для взрослых. Автор сообщает о добавлении Preference Learning в версии 1.2 и отмечает более связные диалоги и сохранение контекста как цели разработки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как CC-BY-NC-4.0; автор также ограничивает применение некоммерческими и исследовательскими целями. Возможны нежелательные NSFW-ответы, а качество и сохранение памяти в длинных диалогах описаны автором без независимых оценок.

Модель dopaul/chess-piece-detector-merged — детектор объектов на базе YOLO, созданный для распознавания шахматных фигур на доске. Она определяет и классифицирует пешки, ладьи, коней, слонов, ферзей и королей, различая белые и чёрные фигуры. Модель рассчитана на анализ изображений шахматных позиций, например для автоматического считывания расстановки фигур с фотографии или видеокадра. Модель использует Ultralytics YOLO и распространяется в файле весов PyTorch best.pt. В README указаны YOLOv8/YOLOv11, но точная версия не определена. Данные об обучении описаны как наборы изображений шахматных фигур с вариациями шахматных комплектов и освещения. Лицензия и численные показатели качества в предоставленных сведениях отсутствуют.

ChordMini ChordNet «2E1D» — экспорт классификатора аккордов в ONNX для выполнения через onnxruntime-web и WebGPU. Модель принимает подготовленные log-CQT признаки размером [16, 108, 144] и выдаёт логиты для 170 классов аккордов по временным кадрам. Нормализация признаков встроена в граф; извлечение CQT, оконная обработка и сглаживание выполняются хост-приложением. Модель предназначена для распознавания аккордов в музыке как части аудиоконвейера и для инференса на клиентских устройствах с WebGPU. Это не готовый преобразователь аудио в аккорды: хост должен вычислять признаки, совместимые с поставляемым планом CQT, подавать окна группами по 16 и обрабатывать выходные логиты. Экспорт рассчитан на инференс, а не на обучение в других фреймворках. Репозиторий содержит формат ONNX и план извлечения CQT, согласованный с признаками, на которых ожидает работать граф. Лицензия — MIT. Ограничения включают статические размеры входа, чувствительность к способу сведения стерео в моно и известные ошибки WebGPU на некоторых устройствах Adreno; проверенная точность зависит от использования совместимого CQT и корректной реализации на целевом устройстве.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507 от agurung, дообученный методом GRPO для планирования следующих глав книги. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров, работает через Transformers и принимает текстовые запросы, выдавая текстовые планы. Контекст — до 262 144 токенов. Обучение проведено на 7 075 примерах планирования продолжения книги в течение двух эпизодов; для выбора чекпойнта использовали 1 120 отложенных примеров и восемь генераций на каждый. Выбор опирался на непрерывную контрастивную награду: учитывались улучшение оценки для собственного продолжения и штрафы за сходство с альтернативами из той же или другой книги. Это узкоспециализированный исследовательский вариант; README не сообщает лицензию и не приводит оценки качества на независимом тестовом наборе.

Pavarissy/ConvNextV2-large-DogBreed — модель классификации изображений пород собак, созданная дообучением ConvNeXt V2 Large от Facebook, предварительно обученной на ImageNet-22K. Она принимает изображение и относит его к одной из категорий пород собак. В README указаны результаты на оценочной выборке: accuracy 0,9139 и loss 0,5469. Модель построена на архитектуре ConvNeXt V2 и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для распознавания пород собак на изображениях. Карточка не приводит состав классов и подробности обучающего набора, поэтому показатели качества нельзя уверенно переносить на другие наборы данных и условия съёмки.

Cuscuz-com-gemma 2b — текстовая генеративная модель, разработанная rhaymison и дообученная на основе google/gemma-2b-it. Она предназначена для ответов на вопросы о Северо-Восточном регионе Бразилии: его истории, географии, экономике, культуре и кухне. Модель использует архитектуру GemmaForCausalLM, содержит 2,5 млрд параметров и рассчитана на контекст до 8192 токенов. Поддерживаемый язык карточки — португальский. Модель подходит для диалоговых справочных сценариев, связанных с регионом. Автор рекомендует использовать её без квантизации для лучшего качества. Опубликована в формате safetensors под лицензией Apache-2.0.

Dark-Goetia-26B-A4B-LoRA-v2 — LoRA-адаптер для базовой модели Goetia-26B-A4B-v1.3-Absolute-Heretic-ARA, разработанный автором репозитория SubMaroon. Он придаёт ответам более мрачный, литературный тон и меняет стиль и структуру текста для ролевых игр в жанре тёмного фэнтези. Адаптер предназначен прежде всего для англоязычных RP-сессий, но также работает на русском языке. Адаптер обучен методом QLoRA в 4-битном режиме на проекциях внимания q/k/v/o всех 30 слоёв текстовой части модели; обучаемые параметры составляют около 0,089% базовой модели. Его используют вместе с базовой моделью в ролевых сессиях, например через SillyTavern и llama.cpp. Рекомендуемая сила адаптера зависит от языка и требований к форматированию: при слишком высоком значении он может перестать соблюдать структурированные блоки, причём русский язык более чувствителен к этому эффекту. Модель унаследовала условия лицензии Gemma. Базовая модель описана как abliterated, а обучающие данные включали взрослый и мрачный контент; автор отмечает ограничение 18+. Пороговые значения силы адаптера проверялись на ограниченном числе генераций и служат ориентирами, а не гарантированными границами.

Dark-Waifu-7b — слитая модель на базе Mistral, опубликованная пользователем nocudaexe. Она создана методом DARE TIES с помощью mergekit: базой послужила mlabonne/AlphaMonarch-7B, а в объединение также вошли TeeZee/DarkSapling-7B-v2.0, Test157t/Kunocchini-7b-128k-test, NeverSleep/Noromaid-7B-0.4-DPO и Endevor/InfinityRP-v1-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors; заявленный контекст — 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Названия включённых моделей указывают на ориентацию на ролевые и художественные сценарии, хотя README не описывает конкретные возможности или гарантии качества. Лицензия в предоставленных данных не указана.

Dart v1 — модель Plat для генерации тегов Danbooru. Это дообученная методом SFT причинная языковая модель на архитектуре OPT с 165,5 млн параметров и контекстом 2048 токенов. Она продолжает структурированный промпт с тегами рейтинга, произведения, персонажей и общими тегами, выдавая теги в алфавитном порядке. Модель обучалась на наборе isek-ai/danbooru-tags-2023; в README указано, что для SFT использовались данные начиная с 2020 года. Модель предназначена для дополнения тегов постов Danbooru по заданной структуре и, по README, не поддерживает запросы на естественном языке и гибкие спецификации. Для вывода доступны веса Safetensors и ONNX, включая квантованный вариант ONNX; библиотека Transformers и ONNX Runtime через Optimum подходят для запуска. Лицензия — Apache-2.0. Оценка качества в карточке не проводилась.

DepthPro — модель компьютерного зрения для оценки метрической глубины по одному изображению, разработанная Aleksei Bochkovskii, Amaël Delaunoy, Hugo Germain, Marcel Santos, Yichao Zhou, Stephan R. Richter и Vladlen Koltun. Эта версия адаптирована для библиотеки Transformers и позволяет получать карту глубины с абсолютным масштабом без данных о параметрах камеры. Модель использует многомасштабную архитектуру на основе Vision Transformer с энкодерами DINOv2 и этапом слияния признаков на основе DPT. Она рассчитана на оценку глубины с нуля, выдаёт детализированные карты высокого разрешения и включает отдельную голову для оценки фокусного расстояния. Для обработки изображения применяется масштабирование до 1536×1536 пикселей. В README указана лицензия Apple-ASCL, а в метаданных Hugging Face — apple-amlr.

schumannc/detect-chess-pieces — модель компьютерного зрения, опубликованная пользователем schumannc на Hugging Face. Она предназначена для обнаружения шахматных фигур на изображениях и возвращает найденные объекты с рамками и метками классов. Модель построена на архитектуре YOLOS и содержит 28,3 млн параметров; для запуска можно использовать Transformers и pipeline object-detection. Карточка модели не сообщает поддерживаемые языки, длину контекста или конкретные ограничения точности. Репозиторий содержит веса PyTorch, но сведения о лицензии в доступных метаданных и результатах поиска отсутствуют.

DistilGPT2-rap — языковая модель на архитектуре GPT-2, дообученная на наборе из 20 тысяч рэп-песен известных англоязычных исполнителей. Она предназначена для генерации рэп-текстов по заданному началу или контексту. Модель принимает текст и выдаёт продолжение текста; максимальная длина контекста — 1024 токена. Модель создана автором репозитория dzionek как дообученная версия DistilGPT2. Веса опубликованы в формате PyTorch. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Поскольку обучение проводилось на рэп-текстах, модель может генерировать оскорбительные и неуважительные высказывания; её язык и тематика ограничены преимущественно англоязычным рэпом.

Dolphin — эффективная модель аудиовизуального разделения речи, разработанная командой JusperLee. Она выделяет речь целевого человека из смешанного или шумного аудио, используя акустические признаки и движения губ. В карточке заявлены результаты на VoxCeleb2 и ускорение инференса более чем в шесть раз при сокращении числа параметров более чем на 50% по сравнению с предыдущими методами. Модель объединяет свёрточный аудиоэнкодер, видеокодер DP-LipCoder с дискретными семантическими токенами, механизм Global-Local Attention на основе TDANet и аудиодекодер. На вход подаются моноаудио с частотой 16 кГц и видеокадры области губ с частотой 25 кадров в секунду; выход — выделенная аудиодорожка. Модель рассчитана на английскую речь и сценарии с видимым лицом, например видеоконференции, слуховые устройства и автомобильные системы. Для оптимальной работы нужны фронтальный или почти фронтальный вид лица и достаточно качественное освещение; сильные перекрытия лица и недостаточная освещённость ухудшают результат. Код проекта указан под лицензией Apache-2.0, но лицензия весов другая: карточка не подтверждает разрешение на коммерческое или производственное применение.

Карточка модели slZheng077/dp_roleplay_v3 на Hugging Face совпадает с карточкой vicgalle/Roleplay-Mistral-7B, поэтому описание составлено по ней. Roleplay-Mistral-7B — разговорная модель на архитектуре Mistral, разработанная vicgalle и дообученная на базе Mistral-Instruct-7B-v0.2. Она предназначена для ролевых диалогов и формирует ответы в заданном формате: реплика персонажа с описанием действия. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Карточка указывает на обучение с использованием датасета ResplendentAI/NSFW_RP_Format_DPO; модель рассчитана на ролевые сценарии, в том числе взрослого содержания. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache-2.0.

Egyptian Museum Statue Classifier — модель на архитектуре ResNet50, дообученная для классификации изображений 30 артефактов Египетского музея. Она предназначена для определения класса музейного предмета по его изображению; модель можно применять для первичной сортировки фотографий экспонатов и учебных демонстраций классификации египетских артефактов. Репозиторий содержит веса в формате PyTorch и распространяется по лицензии MIT. Модель специализируется на ограниченном наборе из 30 классов, поэтому её предсказания не следует считать универсальным распознаванием всех египетских артефактов. Данных о поддерживаемых языках или оценке качества в карточке нет; входом служит изображение, выходом — предсказанный класс.

FaceOcc — модель для сегментации видимой поверхности лица на изображении. Она основана на методе FaceOcc, представленном Сяннань Инь и Лимин Чен, и реализации FaceExtraction; эта публикация предоставляет канонические веса модернизированной реализации FaceOcc. Модель использует архитектуру U-Net с энкодером ResNet18, предварительно обученным на ImageNet. На выходе она предсказывает бинарную маску: видимая поверхность лица отмечается единицей, фон и закрывающие лицо области — нулём. Модель предназначена для выделения области лица и последующей обработки, но не для распознавания личности, верификации или определения лицевых ориентиров. Качество зависит от выравнивания изображения, условий съёмки, типа перекрытия, качества изображения и правил разметки. Для воспроизводимого сравнения сохранён порог вероятности 0,5; настройку порога для конкретного применения следует проверять отдельно. Репозиторий распространяется по лицензии MIT.

OdyAsh/faster-whisper-base-ar-quran — это версия модели распознавания речи на основе Whisper Base, преобразованная в формат CTranslate2 для использования с faster-whisper и WhisperX. Она предназначена для транскрибирования чтения Корана на арабском языке и совместима с конвейерами WhisperX. Модель получена преобразованием tarteel-ai/whisper-base-ar-quran в CTranslate2 с точностью float16. По README, размер уменьшен примерно с 290 до 141 МБ; автор сообщает о небольшом влиянии на качество при проверке на примерах коранического аудио. Репозиторий указывает Apache-2.0. Возможны ошибки распознавания; для сценариев, где точность важнее размера, README предлагает использовать float32.

FocalCodec — причинный речевой кодек с частотой кодирования 50 Гц и одним кодбуком размером 65 536 кодов. Репозиторий содержит чекпойнт, обученный на Libri-Light; модель основана на focal modulation и предназначена для низкобитрейтного кодирования речи с возможностью потоковой обработки. Поддерживаются аудиосигналы с частотой дискретизации 16 и 24 кГц. Модель принимает аудио и выдаёт аудио, сжимая речевой сигнал в компактное представление и восстанавливая его. В метаданных указана тонкая настройка microsoft/wavlm-large. Репозиторий опубликован под лицензией Apache 2.0. Поскольку описание не приводит оценок качества, битрейта или подробностей совместимости, эти характеристики нельзя уточнить по имеющимся данным.

FurryDiffusion — модель генерации изображений по текстовому описанию, созданная для создания furry-арта. Для получения подходящего результата автор рекомендует добавлять в запрос слово «furry», а для указания породы — название породы. Пример запроса описывает лиса с оранжевым мехом и голубыми глазами; для запуска доступны Diffusers и интерфейс A1111. Модель основана на Stable Diffusion и связана с Anything v3.0; репозиторий содержит веса в форматах Diffusers и PyTorch. Автор характеризует её как бета-версию, которая продолжает улучшаться, поэтому качество генерации может быть нестабильным. Лицензия — CreativeML OpenRAIL-M.

Gemma4-12b-it-asimov — полное дообучение SFT модели unsloth/gemma-4-12b-it, выполненное автором ewald1976 на датасете opus48-gpt55-asimov.jsonl. Это плотная модель семейства Gemma 4 с архитектурой Gemma4UnifiedForConditionalGeneration; карточка описывает эксперимент с полным SFT и сравнением результатов с базовой моделью и вариантом SSFT. Модель предназначена для диалоговой генерации текста в стиле или по мотивам Айзека Азимова. Доступны веса safetensors, лицензия Apache-2.0. Базовая модель мультимодальна, но README не подтверждает сохранение мультимодальных возможностей после дообучения; поэтому назначение этой версии описывается как текстовое.

Репозиторий fszontagh/gen3d-gguf содержит преобразованные веса моделей для генерации 3D по изображению, а также компонентов компьютерного зрения и сегментации. Автор подготовил их для инференса в C++-рантаймах на базе ggml вместо PyTorch; файлы имеют архитектуру gen3d и могут включать компоненты DINOv2, BiRefNet, ISNet, MoGe и Paint ESRGAN с соответствующими конфигурациями. Это набор весов, а не одна самостоятельная модель: конкретные возможности и исходная модель зависят от выбранной папки и файла. Для части весов доступны исходные safetensors; преобразование описано как приведение формата и точности, обычно к F16 с отдельными тензорами F32. Лицензия указана как other, а условия наследуются от соответствующих upstream-проектов: среди них MIT, Apache-2.0 и лицензия Tencent Hunyuan Community License с ограничениями по территориям и использованию. Перед применением нужно сверить лицензию конкретного набора весов.

GoblinV1 — мультимодальная модель ASHu2, дообученная на базе OpenBMB MiniCPM-V-4.6 для игры Rune Goblin. Она принимает изображение с нарисованными от руки символами RuneLang и возвращает структурированную интерпретацию в JSON: распознанные руны, неоднозначности и уверенность распознавания, сведения о заклинании и подсказки для его визуального и звукового оформления. Модель рассчитана на игровые сценарии и прототипы, где рисунок игрока нужно преобразовать в описание заклинания; она не является универсальным чат-ботом или системой распознавания символов общего назначения. Архитектура — MiniCPM-V-4.6 для генерации текста по изображению; доступны веса Safetensors и варианты GGUF, включая квантизованные Q4_K_M и Q8_0. Модель обучалась на пользовательском наборе изображений RuneLang и инструкций для Rune Goblin. Лицензия репозитория — Apache-2.0. Модель может ошибаться на нечётких рисунках, путать похожие руны, выдавать некорректный JSON или придумывать сведения за пределами ожидаемой схемы; на изображениях, не связанных с RuneLang, её результаты могут быть слабыми. Игровой движок должен проверять вывод и самостоятельно управлять боевыми правилами и состоянием игры.

sadia72/gpt2-shakespeare — языковая модель на архитектуре GPT-2, дообученная на корпусе произведений Уильяма Шекспира. Она предназначена для генерации художественного текста в шекспировском стиле, например пьес, диалогов и стихотворных фрагментов по заданному началу. Корпус составлен из текстов 21 произведения, включая трагедии, комедии и сонеты; модель принимает текст и генерирует текст, работает с контекстом до 1024 токенов. Модель подходит для творческих экспериментов и создания стилизованных продолжений на английском языке. В README приведён результат оценки на тестовой выборке: loss 2,5738. Модель ограниченно воспроизводит стили других авторов; лицензия — MIT.

ZeyuLing/HFTrainer-StyleGAN2-ADA-FFHQ-1024 — контрольная точка генератора StyleGAN2 для безусловного синтеза изображений лиц FFHQ с разрешением 1024 × 1024. Репозиторий предоставляет собственные средства обучения и инференса HFTrainer; веса опубликованы в формате safetensors. Для работы достаточно пути к контрольной точке или её идентификатора на Hugging Face вместе с входными параметрами задачи. В README описан короткий эксперимент по переносу генератора на изображения бабочек: выполнено 20 шагов обучения генератора и дискриминатора на наборе из 900 обучающих и 100 проверочных изображений. Сходимость и успешная адаптация к новому домену не установлены; демонстрационный результат получен исходной моделью FFHQ, а не дообученной. Лицензия указана как other; активы NVIDIA сохраняют некоммерческие условия использования.

HunyuanWorld-Mirror — модель Tencent для feed-forward-предсказания геометрии 3D-сцен по изображениям. Она принимает изображения и, при наличии, геометрические подсказки: позы камер, калиброванные внутренние параметры камер и карты глубины. Архитектура объединяет модуль кодирования таких подсказок с универсальным предсказателем геометрии и выполняет расчёт за один прямой проход. Модель может выдавать облака точек, глубины для нескольких ракурсов, параметры камер, нормали поверхности и 3D Gaussian-представления. Она предназначена для восстановления 3D-сцен и связанных задач оценки геометрии; поддержка генерации из видео упомянута в тегах, но карточка описывает обработку изображений. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория.