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

Модель создана misas4444: это дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений коллекционной фигурки Марио. Для генерации концепта в запросе используется фраза «a photo of sks action figure». Модель предназначена для создания изображений фигурки по текстовому описанию и может запускаться через библиотеку diffusers. Модель распространяется в форматах Diffusers и PyTorch по лицензии MIT. В карточке не приведены сведения о размере модели, длине контекста и поддерживаемых языках; обучающий концепт задан англоязычным триггером.

MN-12B-Tarsus — полноразмерный файнтюн Mistral Nemo Instruct 2407 от Envoid, основанный на MistralForCausalLM с 12,1 млрд параметров. Модель предназначена прежде всего для диалогов и ролевых сценариев в SillyTavern; она сохраняет совместимость с форматом инструкций Mistral и интерфейсом вызова инструментов. При дообучении стремились уменьшить шаблонные «дрожащие» формулировки и чрезмерно вычурную прозу, сделать ответы более разговорными и инициативными, а также снизить склонность к излишнему оптимизму. Автор отмечает, что результаты этих изменений различаются, а возможности ассистента несколько ухудшились; модель иногда некорректно размещает токены. Указанная длина контекста — 1 024 000 токенов. Лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MVDream-diffusers — копия репозитория ashawkey/mvdream-sd2.1-diffusers, размещённая для сохранения материалов курса по ML для 3D. Это перенос модели в библиотеку Diffusers для генерации 3D по текстовому описанию. В карточке также указано, что модель не следует использовать для создания или распространения изображений, которые могут вызывать враждебную или отчуждающую среду, причинять тревогу или оскорблять людей, а также закреплять стереотипы. Модель поставляется в формате Diffusers с весами Safetensors и лицензией OpenRAIL. README не уточняет архитектуру, число параметров, поддерживаемые языки и требования к запуску.

Owl-v1 — компактная символьная языковая модель на 10,8 млн параметров, созданная IstishadAlamTishad с нуля для обучения и интеграции. Она продолжает текст на английском языке, обучена на корпусе TinyShakespeare и ориентирована на генерацию реплик персонажей, сценических ремарок и продолжений в стиле ранненовременного английского.

Модель FPN для сегментации изображений, опубликованная пользователем mindy1212 и обученная на датасете Oxford Pet. Она предназначена для выделения объектов на изображениях домашних животных и может использоваться в задачах сегментации фотографий кошек и собак. Модель создана с библиотекой segmentation-models-pytorch и сохранена в формате safetensors; карточка предлагает загружать её через smp.from_pretrained. Репозиторий распространяется по лицензии MIT. Карточка не содержит сведений о размере модели, точных метриках и параметрах инициализации, поэтому качество сегментации за пределами указанного датасета оценить нельзя.

camenduru/plushies-pt — модель генерации изображений по тексту на основе Stable Diffusion, обученная автором camenduru на TPU Google Cloud и преобразованная в формат PyTorch для использования с библиотекой Diffusers. В метаданных указаны поддержка английского языка и обучающий набор camenduru/plushies. Модель предназначена для создания изображений плюшевых игрушек по текстовым запросам. Обучение заняло 3 часа 26 минут 44 секунды и включало 18 000 шагов с точностью bf16 и скоростью обучения 1e-6. Репозиторий распространяется по лицензии OpenRAIL. Карточка не сообщает размер модели, длину контекста или подробные сведения о качестве и ограничениях генерации. Результаты зависят от текстового запроса и могут не точно передавать желаемый вид игрушки.

Pony Diffusion V3 — модель латентной диффузии для генерации изображений по текстовому описанию, созданная AstraliteHeart на основе Stable Diffusion 1.5. Её дообучили на примерно 1,7 млн пар изображений и подписей с пони, фурри и другими мультяшными сюжетами; обучение включало материалы Derpibooru, e621 и Danbooru. Модель предназначена для генеративного искусства и развлечений, в том числе для создания стилизованных персонажей и полнофигурных изображений. Модель лучше работает с теговыми подсказками, поддерживает неквадратные изображения и рассчитана на разрешение до 768 пикселей. Она также генерирует широкий спектр фурри и мультяшных изображений, но для аниме README рекомендует Waifu Diffusion. Модель способна создавать изображения с откровенным содержанием; для ограничения таких результатов авторы рекомендуют добавлять тег safe и подходящие отрицательные подсказки. Лицензия — BigScience BLOOM RAIL 1.0.

Qwen3.5-9B General Game Stage2 — экспериментальный чекпойнт на шаге оптимизатора 4000, дообученный на базе Qwen/Qwen3.5-9B. Это плотная мультимодальная модель с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалога и обработки изображений; название и карточка указывают на обучение для задач управления в играх общего назначения. Экспорт включает веса и требует соответствующей версии процессора и токенизатора. В README отмечено, что текстовые и визуальные smoke-проверки не являются оценкой игровых возможностей, поэтому качество в игровых сценариях по этим данным подтвердить нельзя. Модель распространяется по лицензии Apache-2.0.

Nefer — LoRA-адаптер для Qwen3-TTS-12Hz-0.6B-Base, созданный сообществом для синтеза английской речи голосом Нефер из Genshin Impact. Вариант с полным чекпойнтом из репозитория не требует референсного аудио: голосовой образ персонажа заложен в весах. При подключении папки adapter/ к базовой модели требуется аудиопример голоса. Модель предназначена для озвучивания английского текста и фанатских голосовых демонстраций персонажа. Архитектура — Qwen3-TTS с плотной моделью на 0,6 млрд параметров; базовая модель мультиязычная, но этот адаптер рассчитан только на английский. Лицензия репозитория — MIT. Это неофициальная фанатская работа, не связанная с HoYoverse и не одобренная компанией.

RoBERTa для классического китайского языка, разработанная Koichi Yasuoka на основе GuwenBERT-base. Модель с архитектурой RobertaForMaskedLM содержит 133,5 млн параметров и принимает последовательности длиной до 514 токенов. Представления символов расширены для традиционных и упрощённых вариантов китайских знаков. Основная задача модели — предсказание скрытых токенов в классическом китайском тексте. Её можно дообучать для сегментации предложений, разметки частей речи и синтаксического анализа древних текстов. Модель работает с текстом на классическом китайском языке и распространяется в формате PyTorch по лицензии Apache-2.0.

RollingDepth — модель для оценки глубины в видео, связанная с официальной реализацией статьи «Video Depth without Video Models». Авторы — исследователи ETH Zurich и Carnegie Mellon University. Репозиторий содержит компоненты, скопированные из Stable Diffusion 2: text_encoder, tokenizer и VAE. Модель предназначена для оценки глубины по последовательности видеокадров, в том числе в реальных условиях и в zero-shot сценариях. Она использует Diffusers и распространяется в формате PyTorch с весами Safetensors; задача в метаданных — depth-estimation. Лицензия — OpenRAIL. Карточка не раскрывает размер модели, контекст или подробности архитектуры и языковых возможностей; эти характеристики нельзя уточнить по имеющимся данным.

RooseBERT-scr-cased — англоязычная BERT-модель, разработанная для анализа политического дискурса. Это версия, обученная с нуля на корпусе политических дебатов и парламентских выступлений; размер модели — 136,7 млн параметров, длина контекста — 512 токенов. Для неё создан регистрозависимый WordPiece-токенизатор с 28 996 токенами, учитывающий специальную лексику политических текстов. Модель предназначена прежде всего как основа для дообучения на задачах анализа политических текстов: определения тональности и позиции, разметки компонентов и отношений аргументации, классификации политических предложений и распознавания именованных сущностей. Она также поддерживает заполнение маски. По данным README, на большинстве приведённых классификационных задач RooseBERT превзошла BERT-base-cased; для NER с общими категориями сущностей преимущество не отмечено. Модель обучена только на английских парламентских дебатах и не предназначена для межъязыкового применения. Она может наследовать предвзятости официальной политической речи, а архитектура encoder-only делает её более подходящей для классификации и разметки, чем для генерации. Лицензия — Apache-2.0.

shirayu/sd-tohoku-v1 — модель генерации изображений по текстовому описанию, созданная Shirayu на основе Stable Diffusion с дообучением DreamBooth. Она предназначена для создания иллюстраций с персонажами проекта Tohoku Zunko: Тохоку Итако, Тохоку Дзунко, Тохоку Киритан, Дзунда-мон в человеческом облике и Сикоку Метан. Для задания персонажа используются триггерные слова itako, zunko, kiritan, zundamon и metan; модель также принимает описания сцены и визуального стиля на английском языке. Обучение проводилось на 69 изображениях размером 512×512, а базой послужила Nilaier/Waifu-Diffusers. Модель доступна в форматах Diffusers и PyTorch; лицензия — CreativeML Open RAIL-M 1.0. Для изображений с персонажами проекта необходимо учитывать правила их использования. В README отмечено, что официальные костюмы могут генерироваться реже, поскольку обучающие изображения включали разнообразные варианты одежды.

shirayu разработал sd-tohoku-v2 — модель генерации изображений на основе Stable Diffusion, дообученную методом DreamBooth на иллюстрациях персонажей проекта Tohoku Zunko. Она предназначена для создания аниме-иллюстраций этих персонажей по текстовым запросам: для каждого из 11 персонажей в запросе используется специальное имя-триггер, например zunko, kiritan или zundamon. Модель основана на Waifu Diffusion 1.4 Anime Epoch 1; для обучения использовали 111 изображений. Доступны веса в форматах Diffusers и PyTorch, а лицензия — CreativeML Open RAIL-M 1.0. Обучающие изображения включают варианты костюмов, поэтому официальные костюмы могут генерироваться хуже. Автор не утверждает, что версия v2 во всём превосходит v1, и рекомендует выбирать между ними по ситуации. При использовании изображений персонажей следует соблюдать руководство проекта Tohoku Zunko по использованию персонажей, а также применимые законы и правила.

Карточка модели starry12tree/segformer-b2-finetuned-ade-512-512 на Hugging Face совпадает с карточкой nvidia/segformer-b2-finetuned-ade-512-512, поэтому описание составлено по ней. SegFormer-B2 — модель семантической сегментации изображений, представленная авторами статьи о семействе SegFormer и дообученная на наборе ADE20K. Она присваивает пиксельным областям изображения классы сцен и объектов. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; модель рассчитана на входное разрешение 512×512 пикселей и предназначена для анализа сцен и бенчмарков семантической сегментации. Модель можно применять для разметки объектов и элементов окружения на фотографиях и других изображениях. В карточке указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория. Карточка рекомендует использовать эту модель для семантической сегментации и отмечает, что для других задач доступны отдельные дообученные версии.

SegFormer B4 — модель компьютерного зрения для семантической сегментации изображений, основанная на иерархическом Transformer-энкодере и лёгкой декодирующей голове all-MLP. Модель разработана авторами SegFormer и дообучена на датасете ADE20K для сегментации сцен при разрешении 512×512 пикселей. Модель назначает пиксельные метки объектам и областям на изображении и предназначена для задач семантической сегментации сцен. В репозитории доступны веса PyTorch и TensorFlow. Карточка не приводит оценки качества или подробностей о классах ADE20K; лицензия указана как other, поэтому перед использованием следует проверить условия распространения в репозитории.

ShadeNet 28M — компактная модель для обратного рендеринга изображений, разработанная автором репозитория singam96. Она преобразует RGB-изображение в карты материалов PBR: базовый цвет, нормали, шероховатость, металличность и глубину, а также поддерживает обратное преобразование карт материалов в реконструкцию RGB. Архитектура MobileNetUNet содержит backbone MobileNetV2, параллельный энкодер и декодер в стиле U-Net с пропусками и механизмами внимания; размер модели — 27,9 млн параметров. Обучение проводилось на парных данных Flickr8k при разрешении 512×512. Модель предназначена для извлечения приближённых свойств материалов из изображений и реконструкции изображения по этим свойствам. Репозиторий содержит ONNX-версии для развёртывания без PyTorch и описывает веб-интерфейс Gradio для интерактивного запуска. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование. Качество зависит от обучающих данных и задача модели ограничена оценкой перечисленных карт материалов; результаты не следует считать гарантированно точными физическими измерениями.

SIKU-BERT/sikuroberta — предобученная языковая модель семейства RoBERTa на архитектуре BERT, разработанная исследовательской группой Нанкинского сельскохозяйственного университета для автоматической обработки классического китайского языка. Модель обучена на проверенном полнотекстовом корпусе «Сыку цюаньшу» и содержит около 136,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для задач обработки древних и литературных китайских текстов. Метаданные указывают задачу fill-mask: модель предсказывает пропущенный токен в тексте. Она может служить основой для анализа и извлечения информации из исторических корпусов. Репозиторий предоставляет веса PyTorch, а карточка демонстрирует загрузку через Transformers. Модель рассчитана на китайский язык, в особенности на классический китайский. Она распространяется по лицензии Apache-2.0. Результаты и пригодность для конкретных исторических корпусов могут зависеть от жанра и периода текста; карточка не приводит оценок качества.

SmallScale Simple-Stories-Hindi-20M — небольшая авторская языковая модель на 22,3 млн параметров, обученная с нуля на 2,11 млн простых рассказов на хинди. Это декодерный Transformer в стиле LLaMA с RoPE, SwiGLU и RMSNorm; модель предназначена для генерации связных художественных историй по короткой текстовой подсказке. В карточке приведены примеры рассказов и лучшая валидационная кросс-энтропийная ошибка 1,6914 после 386 000 шагов обучения. Модель рассчитана на короткие творческие сценарии на хинди. Небольшой размер ограничивает её общие языковые возможности; данные не подтверждают пригодность для диалогов, фактических ответов или специализированных задач. Лицензия — MIT.

SpatialGen-1.0 — модель Manycore Research для генерации 3D-сцен помещений по заданной 3D-семантической компоновке. Она использует многовидовую мультимодальную диффузионную архитектуру и может учитывать референсное изображение либо текстовое описание сцены. Репозиторий предоставляет inference-код; в README также указано, что инструкции по обучению и полный набор данных пока не выпущены. Модель дообучена на базе stabilityai/stable-diffusion-2-1 и распространяется в форматах Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

Squelching-Fantasies-8B — англоязычная разговорная модель для генерации текста и ролевых диалогов, созданная автором Mawdistical на основе дообучения Sao10K/L3-8B-Stheno-v3.2. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; заявленная длина контекста — 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для ролевых сценариев и создания историй с широким диапазоном тем, включая откровенный и мрачный контент. Автор рекомендует температуру 1,0–1,1 и Min P 0,02–0,05; настройки DRY приведены как необязательные. Лицензия — CC BY-ND 4.0.

Thespis v0.7 — языковая модель для генерации текста, разработанная cgato и настроенная методом DPO для ролевого общения в стиле интернет-переписки. Она рассчитана на сценарии role-play с разметкой действий звёздочками и обычным диалогом без кавычек; поддерживает стандартный формат чата Ooba и SillyTavern. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 12,9 млрд параметров, работает с контекстом до 4096 токенов. В обучении использованы Pure-Dove Dataset, Claude Multiround 30k, OpenOrcaSlim, Augmental Dataset, а для DPO — Intel/orca_dpo_pairs и NobodyExistsOnTheInternet/ToxicDPOqa. Модель распространяется под лицензией Apache-2.0. Карточка отмечает её как предназначенную не для всех аудиторий; качество ролевых ответов зависит от формата промпта и выбранного сценария.

Thespis-Mistral-7b-v0.7 — языковая модель для генерации текста, разработанная на базе архитектуры Mistral. Карточка описывает её как модель для ролевых диалогов в интернет-стиле: действия рекомендуется заключать в звёздочки, а реплики писать без кавычек. Она поддерживает стандартный формат чата Ooba и SillyTavern. В модели 7,1 млрд параметров, контекстное окно — 32 768 токенов. В карточке указаны обучающие наборы Pure-Dove Dataset, Claude Multiround 30k, OpenOrcaSlim и Augmental Dataset; автор также сообщает о планах расширить данные для обучения и создать собственный набор для DPO. Модель распространяется под лицензией Apache-2.0. Модель предназначена для ролевых бесед и генерации диалоговых ответов. Метка карточки предупреждает, что контент может быть не для всех аудиторий. Указаний о языках обучения или качестве модели в карточке нет.

UI Llama 3.2 1B — экспериментальная разговорная модель Джозефа Прены, созданная на основе Meta Llama 3.2 1B с помощью авторских модификаций и обучения на вручную подготовленных данных. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; для запуска используются Transformers и формат safetensors. Заявленное контекстное окно — 131 072 токена, основной язык карточки — английский. Модель предназначена для диалогов с устойчивой индивидуальностью: она поддерживает заданный образ от первого лица, характерный стиль общения, эмоциональную выразительность, юмор, сарказм, творческие и философские беседы, а также длительный ролевой диалог. Автор указывает, что набор данных содержит более двух миллионов вручную подготовленных символов. Сильные стороны модели — узнаваемый голос и последовательность поведения в разговоре. Проект активно развивается и остаётся экспериментальным. Фактические знания, точность и рассуждения ограничены: возможны галлюцинации, вымышленные воспоминания и непоследовательные ответы, поэтому модель не подходит для решений с высокими ставками. Лицензия репозитория — Apache-2.0; автор отдельно приглашает обращаться по вопросам коммерческого лицензирования.

Velvet Rope Vivienne LoRA — адаптер LoRA для Gemma 4 12B, созданный командой Build Small Hackathon для персонажа Вивьен Квилл в игре Velvet Rope. Модель специализируется на роли сотрудницы космической бюрократии, которая помогает игроку определить размещение мечты. Адаптер предназначен для подключения к базовой модели через llama.cpp в формате GGUF. Адаптер обучен на примерно 310–350 одноходовых игровых примерах персонажа за два эпоха; LoRA с рангом 8 затрагивает модули языковой башни. В опубликованной оценке он сохраняет валидность JSON на уровне базы и улучшает совпадение с эталонными игровыми оценками по настроению, тактике и знаку изменения счёта. Лицензия репозитория — MIT.

Модель thangtrungnguyen/vietnamese-regional-accent-classification-model — аудиоклассификатор на архитектуре Wav2Vec2 для распознавания регионального акцента во вьетнамской речи. Она содержит 113,3 млн параметров и распространяется в формате Safetensors; для работы используется библиотека Transformers. На оценочном наборе указаны F1 0,8217 и loss 0,5951, но сведения о наборе данных и условиях оценки отсутствуют. Модель предназначена для отнесения аудиозаписей вьетнамской речи к региональным акцентным категориям. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование. Подробности о поддерживаемых категориях, подготовке аудио и ограничениях применения не приведены.

Vintage-LLM-340m-v1-base — базовая языковая модель от croqaz, основанная на архитектуре Llama 3 и содержащая около 307,2 млн параметров. Модель обучена на очищенных от дубликатов англоязычных текстах, опубликованных до 1900 года; в репозитории есть несколько контрольных точек, включая варианты после обучения на коротких и длинных текстах. Модель предназначена для генерации текста в историческом стиле и изучения того, как тексты прошлых эпох влияют на языковую модель. Это базовая модель, а не готовый чат-ассистент: её способности к диалогу ограничены. Репозиторий содержит веса Safetensors; заявленная длина контекста — 65 536 токенов. Лицензия — MIT.

Модель jonathanfernandes/vit-base-patch16-224-finetuned-flower — версия Vision Transformer, дообученная на базе google/vit-base-patch16-224 для классификации изображений цветов. Она принимает изображения и предсказывает класс изображения; размер модели составляет 113,2 млн параметров. В карточке указаны архитектура ViT с патчами 16×16 и входным разрешением 224×224 пикселя, а также формат PyTorch. Модель подходит для автоматической категоризации фотографий цветов, например для сортировки коллекций изображений или создания демонстрационных классификаторов. Состав классов, качество на новых данных и ограничения применения в README не описаны. Лицензия — Apache-2.0.

jordyvl/vit-base_rvl-cdip — дообученная модель классификации изображений на архитектуре Vision Transformer (ViT). Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель предназначена для классификации изображений; в README приведены результаты оценки: accuracy и F1 Micro 0,897, F1 Macro 0,8972. Модель опубликована в формате PyTorch под лицензией Apache-2.0. README не уточняет обучающий датасет и классы классификации, поэтому область применения и переносимость результатов на другие наборы изображений по имеющимся данным определить нельзя.

michaelgathara подготовил дообученную модель Vision Transformer для распознавания выражений лица на изображениях. Она классифицирует выражения по семи категориям: гнев, отвращение, страх, радость, нейтральное выражение, грусть и удивление. Модель содержит 113,2 млн параметров и основана на trpakov/vit-face-expression. Для дообучения использована часть вручную размеченных изображений AffectNet; категория «презрение» исключена, чтобы согласовать набор классов с базовой моделью. Модель предназначена для классификации изображений лиц по выраженным эмоциям и использует архитектуру ViT. В карточке не приведены сведения о лицензии, поэтому условия использования по ней определить нельзя.