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

Urdu-Ghazal-Generator-i1-GGUF — это квантизированная версия модели Khurram123/Urdu-Ghazal-Generator, подготовленная mradermacher в формате GGUF с использованием weighted/imatrix-квантования. Модель предназначена для генерации поэтических текстов на урду, прежде всего газелей, и может использоваться в сценариях творческого письма и экспериментов с генерацией урдуязычной поэзии. В метаданных также указана исходная связь с библиотекой Transformers и наличие LoRA. Точные сведения об архитектуре, количестве параметров, размере контекста и методе обучения в README не приведены. Доступны многочисленные варианты квантования размером примерно от 2,0 до 6,4 ГБ, включая IQ- и Q-варианты; Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Более компактные варианты экономят память, но могут заметно уступать в качестве, тогда как более крупные обычно обеспечивают лучшее сохранение качества при повышенных требованиях к ресурсам. Модель рассчитана на текстовую модальность и язык урду. Ограничения включают отсутствие в README подробных данных о качестве генерации, поддерживаемых форматах запросов и других языках. Исходная модель и её производные распространяются по лицензии Apache-2.0, указанной в метаданных.

VGGT-1B-Commercial — контрольная точка Visual Geometry Grounded Transformer, разработанная Meta AI Research и University of Oxford, VGG. Модель предназначена для восстановления геометрии сцены по одному, нескольким или множеству изображений и выдаёт 3D-атрибуты, включая параметры камер, карты глубины, карты точек и траектории 3D-точек. VGGT — прямой нейросетевой трансформер, который выполняет оценку за секунды. Репозиторий содержит веса в формате safetensors; карточка указывает лицензию для коммерческого использования с исключением военных применений. Полные условия приведены в файле LICENSE.

Это дообученная модель видеоклассификации на базе google/vivit-b-16x2-kinetics400, опубликованная пользователем tihon-nth. Она использует архитектуру ViViT и содержит 113,2 млн параметров. Модель предназначена для классификации видео; набор данных и названия пяти классов в карточке не раскрыты. На оценочном наборе указаны loss 0,8171 и accuracy 0,7937. Эти результаты относятся к неизвестному набору данных, поэтому их нельзя напрямую переносить на другие видео или задачи. Модель принимает видео и выдаёт метку класса. Репозиторий содержит веса safetensors; лицензия — MIT.

Карточка модели binant/voice-gender-classifier на Hugging Face совпадает с карточкой JaesungHuh/voice-gender-classifier, поэтому описание составлено по ней. JaesungHuh разработал классификатор пола по человеческому голосу. Модель принимает аудио и относит голос к категориям пола; для запуска доступны предварительно обученные веса и демонстрация на Hugging Face. В метаданных указаны задача audio-classification, формат safetensors и обучающий датасет VoxCeleb. Модель подходит для автоматической классификации голосовых записей в приложениях и исследовательских прототипах. Она выпущена по лицензии MIT. Представленность VoxCeleb может не соответствовать населению мира, поэтому предсказания могут быть смещены для отдельных групп и условий записи.

John6666/wai-nsfw-nova-furry-illustrious-v30-sdxl — модель преобразования текста в изображение, созданная Vulgin и опубликованная на базе OnomaAIResearch/Illustrious-XL-v1.0. Она предназначена для генерации изображений по текстовым описаниям, прежде всего в стилистике anime и furry, включая контент для взрослой аудитории. Модель реализуется через StableDiffusionXLPipeline в библиотеке Diffusers и распространяется в формате SafeTensors. Она использует архитектуру Stable Diffusion XL и рассчитана на англоязычные текстовые запросы. В метаданных не указаны размер модели и длина контекста. Модель подходит для создания персонажей, иллюстраций и тематических сцен в anime- и furry-стилистике. Ограничения включают потенциально NSFW-характер результатов, зависимость качества от формулировки запроса и отсутствие сведений о дополнительных настройках или тестах качества. Лицензия указана как faipl-1.0-sd (тип лицензии в метаданных — other); условия лицензии следует проверить перед использованием.

Wanabi-Novelist-24B-GGUF — это квантизированная версия модели Wanabi-Novelist-24B, разработанной kawaimasa и преобразованной в формат GGUF пользователем mradermacher. Модель ориентирована на генерацию текста на японском языке, в частности на написание художественных произведений и романов. Судя по тегам, её базовая архитектура связана с Mistral, однако точная конфигурация архитектуры и размер контекста в README не указаны. Доступны варианты с разными уровнями квантизации: от Q2_K размером около 9 ГБ до Q8_0 размером около 25,2 ГБ. В README отмечается, что Q4_K_S и Q4_K_M рекомендуются как быстрые варианты, Q6_K обеспечивает очень хорошее качество, а Q8_0 — лучшее качество среди перечисленных вариантов. Более компактные варианты требуют меньше памяти, но могут уступать по качеству. Модель поддерживает только текстовую модальность; другие языки, кроме японского, явно не заявлены. Лицензия модели — Apache-2.0. README не содержит результатов тестирования, подробного описания сильных и слабых сторон исходной модели или требований к аппаратному обеспечению, поэтому качество генерации и практическая производительность зависят от выбранного варианта квантизации и используемого программного обеспечения для GGUF.

Watashiha-Llama-2-13B-Ogiri-sft — японская языковая модель для генерации ответов в жанре огири, разработанная командой Watashiha. В её основе Llama 2 с 13 млрд параметров: к модели добавили японскую лексику, провели дополнительное предобучение на японских и английских корпусах, а затем дообучили на данных огири. Для японских токенов расширили словарь до 45 046 элементов. Модель принимает текст и генерирует текст; максимальный контекст составляет 4096 токенов. В карточке указана библиотека neuronx-nemo-megatron и формат safetensors. Модель предназначена для придумывания японских шутливых ответов на заданные темы, а также для генерации текста на японском языке. В описанной разработчиками оценке огири модель получила больше высоких оценок, чем использованная для сравнения watashiha-gpt-6b; это не гарантирует качество каждой отдельной шутки. Модель выпущена по лицензии LLAMA 2 COMMUNITY LICENSE, условия которой следует учитывать при использовании.

Wriggly's-Extra-Gum-artstyle-waifudiffusion — модель преобразования текста в изображения, созданная Kagerage методом DreamBooth на базе Yiffy-e18 с помощью fast-DreamBooth notebook от TheLastBen. Она предназначена для генерации иллюстраций в стилистике каракулей и линейного рисунка, напоминающей рисунки на упаковке жевательной резинки Wrigley's Extra; для активации стиля рекомендуется использовать триггер gvgtgm. Модель рассчитана прежде всего на изображения антропоморфных и обычных животных, включая персонажей фурри, в различных сценах и одежде. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors; для работы заявлена лицензия CreativeML OpenRAIL-M. Модель специализируется на узком стиле и персонажах: генерация неантропоморфных фурри может даваться ей сложнее.

koppolusameer/yolo11n-basketball-court-keypoints — модель семейства YOLO11n-Pose, дообученная автором на наборе koppolusameer/basketball-keypoint-detection-yolov8 для обнаружения ориентиров баскетбольной площадки на кадрах трансляций. Она принимает изображение и выдаёт координаты 48 ключевых точек в пикселях вместе с оценками уверенности. Результаты можно использовать для последующей регистрации площадки и анализа видео; для преобразования пиксельных координат в координаты площадки отдельно нужны гомография и карта соответствия индексов точек местам на площадке. Модель основана на yolo11n-pose.pt и распространяется в формате PyTorch через Ultralytics. Лицензия — AGPL-3.0.

NAKST Studio разработала дообученную модель обнаружения объектов на базе YOLOv8m для распознавания шахматной доски и фигур на изображениях. Она находит доску, определяет тип и цвет каждой фигуры и возвращает рамки объектов и метки классов. Модель предназначена для анализа фотографий, видеокадров и снимков экрана приложений, в том числе для автоматического преобразования позиции на доске в формат FEN и последующего анализа шахматной позиции. Модель обучена на более чем 50 000 размеченных изображений в течение 120 эпох. На вход подаются цветные RGB-изображения размером 640 × 640 пикселей; README рекомендует сохранять пропорции доски, добавляя поля, а не растягивать изображение. Доступны форматы PyTorch, TFLite и ONNX, включая варианты TFLite FP16 и FP32. Лицензия — AGPL-3.0.

Модель binxu/Ziyue-GPT2 — авторская GPT-2 для генерации текстов на классическом китайском языке. Она обучена на текстах китайской классики, собранных с ctext.org; обучающая выборка небольшая и занимает около 19 МБ. В перечень источников входят конфуцианские и даосские произведения, трактаты по военному делу и истории, а также классические романы. Модель подходит для продолжения фрагментов и создания стилизованного текста на основе китайской классики. Использует архитектуру GPT-2 и токенизатор bert-base-chinese; максимальный контекст составляет 1024 токена. Репозиторий содержит веса в форматах PyTorch и safetensors. Карточка не сообщает лицензию, поэтому условия использования следует проверить на странице модели.

ALBERTI — мультиязычная модель на базе BERT, разработанная участниками Flax/JAX Community Week и дообученная на корпусе стихотворных строк PULPO. Эта версия предназначена для работы с отдельными стихотворными строками; в семействе также есть отдельная модель для строф. Архитектура — BertForMaskedLM, объём — 205,1 млн параметров, контекст — до 512 токенов. Модель выполняет задачу заполнения пропусков в тексте. PULPO объединяет многоязычные корпуса стихов общим объёмом более 95 млн слов, в том числе на испанском, английском, французском, итальянском, чешском, португальском, арабском, китайском, финском, немецком, венгерском и русском языках. Репозиторий содержит версии Flax, PyTorch и Safetensors. Лицензия — CC BY 4.0. Карточка сообщает, что модель перенесена в linhd-postdata/alberti-bert-base-multilingual-cased для дальнейшего сопровождения.

Augmental-13b — языковая модель Heralax для генерации текста в ролевых диалогах. Это дообученная MythoMax 13B на базе архитектуры Llama: обучение проводилось на примерно 8 тысячах строк ролевых сцен, созданных с помощью ИИ на основе человеческого текста, с персонажами разных характеров. В карточке также упомянута версия с дополнительной эпохой обучения и квантованный вариант Q5_K_M. Модель рассчитана на ролевые сценарии в формате SillyTavern и использует карточки персонажей и историю диалога для генерации развёрнутых ответов. Автор отмечает разнообразие стилей и склонность модели к длинным, описательным репликам. Размер модели — 12,9 млрд параметров, контекст — до 4096 токенов. Основной язык обучающих примеров — английский. Качество описано автором по результатам неформального тестирования, поэтому оно не является независимой оценкой. Модель может воспроизводить особенности исходных персонажей и формата ролевых диалогов; её пригодность для иных задач не подтверждена. Указана лицензия Llama 2.

Aura — англоязычная текстовая модель ResplendentAI, созданная объединением моделей на основе Mistral и дообученная на философских текстах автора. Она предназначена для развлекательных диалогов и ролевого общения с character cards; лучше всего работает в многошаговых беседах в формате ChatML. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Автор описывает стиль модели как выразительный и ориентированный на более человечную прозу. Модель переобучена на авторских текстах, обычно выдаёт короткие ответы и может чрезмерно разрастаться при высокой температуре; следование форматам со звёздочками и цитатами может быть нестабильным. Лицензия — Apache-2.0.

Jersonm89/Avatar — модель генерации изображений по текстовому описанию на основе Stable Diffusion, предназначенная для создания изображений персонажей фильма «Аватар» с чертами лица человека, указанного в запросе. В карточке сказано, что модель обучена на изображениях из фильма Джеймса Кэмерона «Аватар». Модель распространяется в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или подробности о базовом чекпойнте. Качество и сходство результатов могут зависеть от формулировки запроса; сведения о дополнительных ограничениях не приведены.

Модель dennisjooo/Birds-Classifier-EfficientNetB2 разработана автором репозитория как дообученная версия EfficientNet-B2 от Google. Она классифицирует изображения птиц по 525 видам и предназначена для распознавания видов на фотографиях. Обучение проводилось на наборе gpiosenka/100-bird-species с изображениями RGB размером 224 × 224; в README указаны точность 98,6% на валидационной выборке и 99,1% на тестовой. Модель принимает изображения и выдаёт метки классов с оценками классификации. Она основана на свёрточной архитектуре EfficientNet и доступна в форматах PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0. Результаты относятся к указанному набору данных; качество на других видах птиц, ракурсах и условиях съёмки может отличаться.

dima806/bird_sounds_classification — модель классификации аудио на архитектуре Wav2Vec2, дообученная на базе facebook/wav2vec2-base-960h. Она предназначена для распознавания классов звуков птиц по аудиозаписям. Модель содержит 113,3 млн параметров и распространяется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

BLINKpedia-chat — языковая модель для генерации текста о BLACKPINK. По карточке модели, она создана дообучением unsloth/tinyllama на подборке материалов о группе: текстах песен, интервью, новостях и фанатском контенте. Модель построена на архитектуре Llama, содержит 1 млрд параметров и предназначена для диалогового использования через Transformers; длина контекста — 2048 токенов. Модель подходит для создания публикаций о BLACKPINK, фанатских историй и текстов в ответ на тематические запросы. Карточка не сообщает сведения о лицензии и не описывает оценку качества; ответы могут содержать ошибки или воспроизводить особенности обучающих материалов.

forME — это LoRA-адаптер для генерации изображений по текстовому описанию, опубликованный пользователем ench100. Модель предназначена для использования с диффузионными пайплайнами Diffusers и базовой моделью lodestones/Chroma. По названию и идентификатору можно предположить, что адаптер ориентирован на генерацию изображений тела и лица, однако README не содержит подробного описания специализации или примеров сценариев применения. Известно, что модель относится к классу text-to-image и LoRA, но сведения о размере адаптера, архитектуре, поддерживаемых языках, максимальном контексте, рекомендуемых параметрах, качестве и ограничениях отсутствуют. Лицензия и условия использования также не указаны, поэтому их необходимо уточнять на странице модели. README не содержит данных, достаточных для оценки сильных сторон адаптера или его совместимости за пределами базовой модели lodestones/Chroma.

CamelliaMix_NSFW_diffusers_v1.1 — модель генерации изображений по текстовому описанию в формате Diffusers. Автор называет её CamelliaMix_NSFW и отмечает, что она может создавать разнообразные эстетичные изображения; в карточке также приведены примеры с VAE и без него, дающие разный визуальный результат. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверять с файлами репозитория. Название модели и тег not-for-all-audiences указывают на ориентацию на контент для взрослых; качество, поддерживаемые языки запросов и дополнительные технические характеристики в карточке не описаны.

Это модель компьютерного зрения на архитектуре YOLO для обнаружения и классификации шахматных фигур на изображениях шахматной доски. Разработчик — dopaul; модель опубликована в формате PyTorch и предназначена для Ultralytics YOLO. В карточке указаны варианты архитектуры YOLOv8 и YOLOv11, но конкретный вариант не уточняется. Модель распознаёт пешек, ладей, коней, слонов, ферзей и королей обоих цветов. Её можно использовать для автоматического анализа снимков шахматных позиций и построения приложений, которые определяют расположение фигур. Автор сообщает об обучении на наборах данных шахматных фигур и устойчивости к разным комплектам фигур и условиям освещения. Для использования требуется библиотека Ultralytics. Лицензия в предоставленных данных не указана.

Clean Diffusion 2.0 PoC — экспериментальная модель латентной диффузии от разработчика aipicasso, созданная как подтверждение концепции обучения Stable Diffusion на изображениях, заявленных как общественное достояние. Модель предназначена для генерации изображений по текстовым описаниям и, согласно карточке, ориентирована на изображения океана. Модель распространяется в форматах Diffusers и PyTorch, а её архитектура совместима с Stable Diffusion. Автор указывает лицензию OpenRAIL++ и сообщает, что обучение проводилось на наборах ArtBench и Popeye the Sailor Meets Sindbad the Sailor; подробности обучения и юридические сведения в карточке не раскрыты. Карточка не содержит данных о размере модели, контекстном окне или поддерживаемых языках.

ColoringBookRedmond-V2 — это LoRA-модель для генерации изображений в стиле раскрасок, разработанная artificialguybr. Она предназначена для text-to-image-сценариев и может использоваться с базовой моделью Stable Diffusion XL 1.0 для создания контурных изображений, подходящих для раскрашивания. Модель основана на Stability AI Stable Diffusion XL Base 1.0 и обучена на большом наборе данных. Для её активации в подсказке README рекомендует использовать теги ColoringBookAF и Coloring Book. Архитектура LoRA позволяет подключать адаптацию к совместимой базовой модели вместо использования полностью отдельной модели. Другие характеристики, включая точный размер, поддерживаемые языки, максимальный контекст и набор модальностей помимо генерации изображений, не указаны. Сильная сторона модели — специализация на создании изображений в формате coloring book. Ограничения связаны с зависимостью от Stable Diffusion XL 1.0 и отсутствием подробных сведений о качестве на разных типах запросов, рекомендуемых параметрах и совместимости с другими базовыми моделями. Модель распространяется по лицензии CreativeML Open RAIL-M.

Это модель классификации изображений efederici/convnext-base-224-22k-1k-orig-cats-vs-dogs, дообученная на наборе cats_vs_dogs на основе facebook/convnext-base-224-22k-1k. Она использует архитектуру ConvNeXt и предназначена для определения, изображена ли на фотографии кошка или собака. В README указаны точность 0,9973 и loss 0,0103 на оценочной выборке; эти результаты относятся к указанному набору данных. Модель принимает изображение и выдаёт класс изображения. Веса доступны в формате PyTorch, лицензия — Apache-2.0. Она подходит для простых сценариев сортировки фотографий кошек и собак, но карточка не подтверждает качество на других классах, наборах данных или условиях съёмки.

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.

Модель LightWeight GAN, созданная Алексеем Коршуком, предназначена для безусловной генерации изображений в стиле коллекции CryptoSkulls. В README указано, что она обучена на датасете huggingnft/cryptoskulls и генерирует изображения без текстового запроса. Модель представлена в формате PyTorch и распространяется по лицензии MIT. Карточка связывает модель с NFT-коллекцией CryptoSkulls и содержит ссылки на результаты генерации и проект, но не раскрывает параметры обучения, размер изображений или конкретные ограничения. Модель подходит для создания новых изображений в похожей стилистике; лицензия датасета и права на элементы коллекции в карточке не уточняются.

CyberRealistic Pony Semi-Realistic — модель генерации изображений от Cyberdelia на основе Stable Diffusion XL (SDXL), дообученная для создания полуфотореалистичных изображений персонажей-пони. Она сочетает стилизованную подачу с реалистичными текстурами и освещением и рассчитана на создание иллюстраций, концепт-арта и дизайна персонажей по текстовым запросам. Модель поставляется в формате safetensors со встроенным VAE. В README рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель лучше справляется с темами пони; запросы на абстрактные изображения и сюжеты без пони могут давать менее удачные результаты. Освещение и текстуры иногда выглядят слишком гладкими, а некоторые результаты могут быть чувствительными. Лицензия в метаданных указана как CreativeML OpenRAIL-M.

DatedGPT-2019 base — предварительно обученная языковая модель из семейства DatedGPT, разработанная организацией datedgpt. Это базовая версия без дообучения на инструкциях; при обучении использовались только данные, доступные до 2019 года, поэтому модель предназначена для прогнозирования и анализа с учётом временного среза без утечки будущей информации. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает текст и генерирует продолжение текста, поддерживает английский язык и имеет контекст длиной 2048 токенов. Подходит для генерации продолжений и экспериментов с point-in-time прогнозированием на корпусах или сценариях, привязанных к данным до 2019 года. Это базовая модель, а не чат-ассистент: она не настроена на следование инструкциям и не проходила RLHF или настройку безопасности. Её знания ограничены срезом 2019 года. Условия лицензии в предоставленных источниках не описаны.

Baselhany разработал модель распознавания арабской речи, дообучив OpenAI Whisper Base на наборе данных quran-ayat-speech-to-text. Это модель семейства Whisper с архитектурой WhisperForConditionalGeneration и 51,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Модель предназначена для транскрибирования арабоязычных записей чтения аятов Корана. В README указаны результаты на оценочной выборке: loss 0,1077 и WER 0,2309. Модель доступна в формате safetensors по лицензии Apache-2.0.

DistilGPT2-Beatles-Lyrics-finetuned — языковая модель семейства GPT-2, дообученная на наборе Huggingartists - Beatles. Она продолжает заданный текст и создаёт фрагменты, стилизованные под лирику The Beatles, поэтому подходит для творческих экспериментов и генерации текстов по подсказке. Архитектура — GPT2LMHeadModel; модель распространяется в формате PyTorch и рассчитана на контекст до 1024 токенов. Указана лицензия Apache-2.0. Карточка не сообщает об оценках качества или ограничениях сверх специализации на текстах в стиле Beatles.