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

Franken-Maid-Slerp — экспериментальная объединённая языковая модель от ND911 для генерации текста и ролевых диалогов. Она создана методом slerp с помощью mergekit на основе SanjiWatsuki/Loyal-Toppy-Bruins-Maid-7B-DARE и ND911/EE-LMaid-7B-Slerp; последний также является объединением моделей, включая SanjiWatsuki/Silicon-Maid-7B и maywell/Synatra-7B-v0.3-RP. Архитектура — плотная Mistral с 7,1 млрд параметров, формат весов — safetensors, контекст — до 8192 токенов. Автор рекомендует использовать модель для экспериментальных ролевых сценариев в SillyTavern с Min-P. Карточка не приводит сведений о языках или сравнительной оценке качества. Модель распространяется по лицензии Apache-2.0.

GPT2-Chinese-Ancient — авторегрессионная модель генерации текста на основе архитектуры GPT-2, предварительно обученная проектом UER-py. Она предназначена для генерации текстов на древнекитайском языке. Для обучения использовано около 3 миллионов текстов из корпуса daizhigev20; для части текстов без пунктуации применялась система пунктуации древнекитайского языка, разработанная лабораторией BNU ICIP. Модель принимает текстовый контекст и продолжает его, поддерживая контекст до 1024 токенов. Доступны варианты весов для PyTorch, TensorFlow и Flax. Карточка не сообщает отдельные ограничения качества или условия лицензии.

UGARIT/grc-ner-bert — модель распознавания именованных сущностей в древнегреческом тексте, созданная на основе pranaydeeps/Ancient-Greek-BERT. Это BERT-модель с архитектурой BertForTokenClassification, дообученная на размеченных корпусах древнегреческих текстов. Она присваивает токенам метки сущностей, включая людей, места, группы и категории NORP, а также другие сущности класса MISC. Модель подходит для разметки и анализа исторических текстов и корпусов на древнегреческом языке; максимальная длина контекста составляет 512 токенов. В README приведены результаты для класса LOC: F1 составляет 82,11% на тесте и 87,10% на валидации. Качество для других классов в доступной таблице не раскрыто, а наборы обучения включают ограниченное число древнегреческих корпусов, поэтому перенос на другие жанры и тексты может быть менее надёжным. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана.

IconsMI-AppIconsModelforSD — модель text-to-image на базе Stable Diffusion от автора artificialguybr. Она предназначена для создания изображений иконок мобильных приложений в заданной тематике: например, для новостного, музыкального или спортивного приложения. Для активации обученного стиля в запросе следует использовать слово «IconsMi»; автор рекомендует описывать конкретный объект и визуальный стиль, а не полагаться на абстрактные понятия. В репозитории доступны варианты чекпойнта с разным балансом разнообразия и качества: вариант на 2000 шагах автор считает более разнообразным, а на 5500 шагах — более качественным, но менее способным к абстрактной генерации. Модель обучалась в течение 7200 шагов, а файлы представлены в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

InfinityRP-v1-7B — экспериментальная текстовая модель Endevor для ролевых диалогов. Это плотная причинно-языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, представленная в формате safetensors. Автор указывает, что модель вдохновлена lemonilia/Limamono-Mistral-7B-v0.50. Модель предназначена для ролевого чата в формате Extended Alpaca. Она настроена на то, чтобы персонаж чаще ждал ответа пользователя и не решал за него, а также может передавать внутренние мысли персонажа. Карточка предлагает задавать длину ответа от короткой до очень большой, но самые большие варианты не полностью проверены. Автор описывает модель как экспериментальную и отмечает, что она пока работает не очень хорошо. Поддерживается английский язык. Лицензия — Apache-2.0.

Aratako/Japanese-Starling-ChatV-7B-RP — это японская модель для генерации текста и ролевых диалогов, созданная дообучением с помощью LoRA модели TFMC/Japanese-Starling-ChatV-7B. Она предназначена для ролевых игр в чате: модель отыгрывает заданного персонажа в описанном мире и поддерживает многоходовый диалог. Основа — плотная архитектура MistralForCausalLM на 7,1 млрд параметров; контекст — до 8192 токенов. Модель принимает текст и генерирует текст на японском языке. Для промптов рекомендуется шаблон чата Mistral с инструкциями, описанием мира и настройками персонажей. В README также советуют оформлять реплики как «имя персонажа「фраза」», а мысли и описания сцен заключать в скобки. Модель обучалась на наборах LimaRP-augmented и Rosebleu-1on1-Dialogues-RP. Опубликована по лицензии Apache-2.0. Модель ориентирована на ролевые сценарии и помечена как NSFW; качество за пределами ролевых диалогов не заявлено. Для воспроизведения многоходового общения README рекомендует добавлять EOS-токен после каждого ответа ассистента.

L3-Umbral-Mind-RP-v0.6.2-8B — англоязычная слитая модель Casual-Autopsy на архитектуре Llama с 7,5 млрд параметров. Она предназначена для ролевых диалогов и написания историй, в том числе с тяжёлыми темами: психическими расстройствами, самоповреждением, травмой и суицидом. Модель ориентирована на сценарии спасения и обратного спасения персонажей и на менее оптимистичный, более подходящий этим сюжетам тон. Модель создана с помощью mergekit: в слиянии использованы несколько ролевых моделей Llama 3, а также модели с данными по психологии. Репозиторий содержит веса в формате Safetensors; указанный нативный контекст — 8192 токена. Для модели заявлена лицензия Llama 3. Она предназначена для взрослой аудитории и не позиционируется как средство психологической помощи или терапии.

lfm25-strudel — это компактная языковая модель на базе LiquidAI/LFM2.5-350M, дообученная с помощью LoRA и объединённая с базовыми весами для генерации музыкальных паттернов на языке live-кодинга Strudel.cc. Она принимает текстовые подсказки и выдаёт текстовый код Strudel, например описание желаемого музыкального стиля в виде комментария к паттерну. Модель использует плотную архитектуру LFM2 и содержит 444,6 млн параметров; нативная длина контекста — 128 000 токенов. Доступны объединённые веса MLX, исходные LoRA-адаптеры и экспорты ONNX в FP32, BF16 и FP8. Модель предназначена для создания и редактирования музыкальных паттернов в Strudel по запросу на естественном языке. В карточке указан английский и другие языки, включая арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский; оптимизация для конкретного языка отдельно не заявлена. MLX-веса рассчитаны на запуск через mlx-lm, а ONNX-графы можно применять в других средах, поддерживающих нужные типы данных. ONNX-варианты выполняют полный прямой проход без KV-кэша, поэтому последовательная генерация может быть менее эффективной; поддержку BF16 и FP8 следует проверять для целевой среды. Лицензия указана как other, поэтому условия использования нужно сверить с карточкой модели и базовой модели.

Это 7,1-миллиардная плотная языковая модель семейства Qwen2.5, дообученная автором shigureui методом continual pretraining (CPT) на корпусах китайских лёгких новелл и текстов h-corpus. Модель предназначена для генерации и продолжения художественного текста; автор сообщает, что обучение проводилось с помощью Pai Megatron на кластере H100 с целевой длиной последовательности 32K и FP8. Метаданные указывают контекстное окно до 131 072 токенов и формат весов safetensors. Модель подходит для продолжения китайских новелл и работы с длинными фрагментами прозы. Это CPT-чекпойнт без SFT, поэтому от него не следует ожидать надёжного следования инструкциям или поведения универсального чат-ассистента. Автор характеризует качество 7B-версии как умеренное и отмечает возможный эффект «переводного» стиля. Лицензия — MIT.

Hastagaras разработал Llama-3.1-Jamet-8B-MK.I — экспериментальную разговорную модель на архитектуре Llama 3.1 с примерно 7,5 млрд параметров. Автор указывает, что базой послужила аблитерированная instruct-модель Llama 3.1, а модель дообучена на данных для ролевых диалогов, историях, общих диалогах и примерах токсичного текста. Для общения автор предлагает задавать в системном сообщении инструкции для ролевой игры; модель также может отвечать в обычном разговорном формате. Модель рассчитана прежде всего на ролевые сценарии и диалоги. Автор отмечает склонность к обильной разметке Markdown и предупреждает, что модель может выдавать чрезмерно откровенные или токсичные ответы; по его оценке, она уступает исходной instruct-модели по интеллектуальным возможностям. В метаданных указаны контекст до 131 072 токенов, формат safetensors и лицензия Llama 3.1; автор README считает лимит контекста неизвестным, поэтому фактический размер окна стоит проверять при использовании.

Карточка модели takedakimochi/LocalVQE на Hugging Face совпадает с карточкой LocalAI-io/LocalVQE, поэтому описание составлено по ней. LocalVQE — компактное семейство нейросетевых моделей для потокового улучшения качества речи. Его разработали Richard Palethorpe и Claude (Anthropic) как производную от DeepVQE; веса опубликованы в формате GGUF, а для запуска используется движок GGML на C++. Модели рассчитаны на обработку речи с частотой 16 кГц в реальном времени на обычных процессорах. Обработка причинная, с шагом 256 отсчётов и задержкой 16 мс. Семейство включает варианты для подавления акустического эха, шума и реверберации. Совместные модели v1.2 и v1.3 выполняют все три задачи за один проход; v1.4-AEC удаляет только эхо, сохраняя фоновый шум и акустику помещения. Меньшая линия GTCRN-AEC предназначена для маломощных процессоров. Для работы каждой модели требуется микрофонный сигнал и опорный сигнал воспроизведения с динамиков. Репозиторий содержит варианты GGUF в BF16 и F32; заявлена лицензия Apache-2.0. Модель подходит для очистки голоса в системах связи и потоковой обработке аудио с ограниченным бюджетом процессора. Результаты оценки показывают эффективность подавления эха, однако поведение зависит от выбранного варианта: модели совместной очистки также удаляют фон, а AEC-вариант сохраняет его. Данные обучения фильтровались по DNSMOS, который может ошибочно классифицировать крик или плач как шум; модель может ослаблять такие сигналы и не предназначена для критически важных сценариев.

Luna-SRSA-Uncensored — экспериментальная разговорная модель beyoru для ролевых сценариев и непринуждённого общения. Это версия beyoru/Luna на архитектуре Qwen3 с 3,7 млрд параметров, представленная в формате safetensors и предназначенная для генерации текста в чате. Модель доработана методом SRSA (Spectral Refusal Subspace Ablation), который удаляет подпространство отказов; автор описывает её как uncensored. Модель ориентирована на более вовлекающие ответы с выраженной манерой персонажа. Её можно использовать для ролевого общения и ведения диалога. Заявлен контекст до 262 144 токенов. Автор отмечает экспериментальный статус и отсутствие планов на оценку модели в ближайшем будущем, поэтому качество не подтверждено опубликованными результатами. Лицензия — MIT.

Mario-GPT2-700-context-length — авторегрессионная текстовая модель семейства GPT-2, разработанная shyamsn97 для проекта MarioGPT. Она предназначена для генерации игровых уровней Super Mario на основе текстовых описаний, например требований к трубам, врагам, блокам и высоте уровня. Модель реализует задачу text-generation, использует Transformers и PyTorch и поддерживает контекст до 1024 токенов. В проекте она применяется для открытой генерации уровней, представленных в текстовом формате, с возможностью управлять характеристиками уровня через промпт. Специализация на данных и формате уровней Mario делает её полезной для процедурного создания игровых сцен, но ограничивает применение вне этой области. Надёжные сведения о лицензии, числе параметров и поддерживаемых естественных языках в доступных источниках отсутствуют.

Marvel WhatIf Diffusion — модель генерации изображений по текстовому описанию, обученная автором карточки на изображениях персонажей, фонов и объектов из анимационного сериала Marvel «What If…?». Чтобы задать стиль сериала, в промпт добавляют токен «whatif style»; модель подходит для создания портретов персонажей, пейзажей и отдельных объектов в этом стиле. Она предназначена для развлечения и исследований, не связана с Marvel или правообладателями сериала. Модель распространяется по лицензии CreativeML OpenRAIL-M: она допускает использование и распространение весов и производных с ограничениями лицензии. Карточка рекомендует подбирать промпты и настройки для улучшения результата; коммерческое применение автор не планировал.

jzdesign/midjourney_prompt_improver_lora_model — языковая модель, разработанная jzdesign и дообученная на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Она предназначена для генерации и улучшения текстовых запросов, в частности промптов для Midjourney, однако README не содержит подробного описания поддерживаемых сценариев и качества работы. Модель основана на Llama 3.2 с размером 3 млрд параметров; используется 4-битное представление bnb, а обучение выполнено с применением Unsloth и библиотеки Hugging Face TRL. Заявлен английский язык. Сведения о модальностях, размере контекста, сильных сторонах и ограничениях отсутствуют, поэтому их оценку нельзя сделать по представленным данным. Модель распространяется по лицензии Apache-2.0. Она предназначена для текстовой генерации и, вероятно, может применяться в задачах создания или улучшения промптов, но точные возможности следует проверять эмпирически.

MOSS-Audio-Tokenizer-v2 (decoder) — декодер аудиокодека OpenMOSS, экспортированный проектом loom-ai-org в формат GGUF для loom.cpp. В репозитории сохранены исходные веса модели OpenMOSS-Team/MOSS-Audio-Tokenizer-v2 без изменений; метаданные связывают её с этой базовой моделью как производную, хотя README уточняет, что это именно упаковка весов в другой формат. Модель преобразует последовательности аудиокодовых токенов в стереозвук с частотой 48 кГц. Она состоит из шести причинных стеков трансформеров с частотами кодовых кадров от 12,5 до 400 Гц и оконным вниманием. Декодирование выполняется целиком за один вызов, без разбиения на чанки; максимум — 4096 кадров, или около 5,5 минуты. README сообщает о близком совпадении с декодированием upstream на 30 секундах речи. Это декодирующая половина кодека: она принимает коды, а не аудио, и сама не кодирует входные записи. Для 30-секундного клипа на двухъядерном CPU приводится время обработки около двух минут. Модель не является языковой и не имеет языка. Лицензия — Apache-2.0.

Модель cyberagent/opencole-typographylmm-llava-v1.5-7b-lora разработана CyberAgent и представляет собой LLaVA 1.5 на 7 млрд параметров, дообученную с помощью LoRA на наборе OpenCOLE 1.0. Она предназначена для генерации текстовых макетов графического дизайна по изображению и текстовому запросу. Модель принимает изображения и текст, а выдаёт текстовое описание макета. Обучение проводилось на примерно 18 тысячах пар изображение–текст, автоматически извлечённых из OpenCOLE. В карточке указан английский язык. Репозиторий связан с проектом OpenCOLE и статьёй о воспроизводимой автоматической генерации графического дизайна. Для запуска используется библиотека Transformers; веса опубликованы в формате safetensors. Основа — LLaVA 1.5 7B, а лицензия указана как Llama 2 Community License. Карточка не приводит длину контекста или подробные оценки качества.

AbDhumal выпустил дообученную модель Orpheus-3B Turkish TTS v2 для синтеза турецкой речи. Это плотная причинная языковая модель на архитектуре Llama с 3,3 млрд параметров, дообученная с помощью LoRA на 20 000 турецких аудиозаписей с расшифровками. Модель преобразует текст и управляющие токены в последовательность аудиотокенов SNAC, из которых декодируется речь с частотой 24 кГц. Модель предназначена прежде всего для турецких объявлений в стиле авиакомпаний; её также можно применять для озвучивания коротких фраз, инструкций и сообщений на турецком языке. В описанном тесте дообученная версия показала более низкие WER и CER, чем англоязычная базовая модель на турецких фразах, при близком времени генерации. Репозиторий содержит полные веса после слияния адаптера, а не только LoRA-адаптер. Лицензия — Apache-2.0.

Pantheon-10.7b — экспериментальная разговорная модель Gryphe, созданная как дообучение Nous-Hermes-2-SOLAR-10.7B. Это плотная causal language model семейства Llama с 10,6 млрд параметров, рассчитанная на генерацию диалогов на английском языке; заявленная длина контекста — 4096 токенов. Модель объединяет несколько заданных персонажей и предназначена для ролевых бесед, переключения между персонами и фантазийного общения. В README автор также отмечает, что при дообучении стремился сохранить общие способности базовой модели и приводит рекомендуемые параметры генерации. Автор описывает результат как эксперимент с насыщением модели персонажами и предупреждает, что качество ролевой игры не проверено, а набор данных ориентирован на разговоры и может быть слаб для других задач. Лицензия — Apache-2.0.

Pony Diffusion — латентная модель генерации изображений по текстовому описанию, созданная AstraliteHeart. Чекпойнт дообучен на базе ранней версии Waifu-Diffusion, построенной поверх Stable Diffusion v1.4. Для дообучения использовали около 80 тысяч пар изображений и тегов с Derpibooru: материалы с оценкой выше 500 из категорий safe и suggestive; обучение прошло за четыре эпохи.

Модель pop-lyrics-generator-v1 разработана Скоттом Гриффином и дообучена на базе openai-community/gpt2 на наборе текстов современных поп-песен. Это плотная авторегрессионная языковая модель семейства GPT-2, предназначенная для генерации текстов песен в стиле конкретных поп-исполнителей по текстовому запросу. Она формирует структуру песни и стилизованные строки; заявлены английский и испанский языки. Контекст модели составляет 1024 токена. Модель может служить источником идей при написании песен, однако рифмовка часто получается слабой, а текст может повторяться. Генерации могут быть нелепыми или оскорбительными, особенно при запросах об отдельных исполнителях. Коммерческое использование не разрешено; автор карточки указывает, что содержимое принадлежит соответствующим исполнителям, и предназначает модель только для исследований.

Pygmalion 13B — разговорная модель на архитектуре LLaMA, разработанная командой PygmalionAI и дообученная на основе Meta LLaMA-13B. Это версия 1: модель обучали как LoRA на части данных Pygmalion-6B-v8-pt4, затем объединили адаптер с базовыми весами; в репозитории представлены веса PyTorch с уже применёнными XOR-изменениями. Модель содержит 12,9 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена прежде всего для вымышленных диалогов и развлекательного общения. Она поддерживает английский язык и ожидает формат подсказки Pygmalion с описанием персоны и чередованием реплик Assistant и You. Возможны фактические ошибки и вводящие в заблуждение ответы; модель не дообучалась для безопасного и безвредного поведения и может генерировать грубый, непристойный или оскорбительный текст. Сведения о лицензии в доступных данных отсутствуют.

dx8152/Qwen-Image-Edit-2511-Gaussian-Splash — специализированная LoRA-модель для image-to-image редактирования изображений на базе Qwen/Qwen-Image-Edit-2511. Модель разработана пользователем dx8152 и обучена без написания кода на инфраструктуре ModelScope; для запуска используется библиотека Diffusers. Модель предназначена для работы со сценами Gaussian Splatting: она помогает исправлять перспективу исходного изображения, восстанавливать пустые области и сохранять согласованность сцены при редактировании. В README приведён базовый сценарий с двумя изображениями — сценой и изображением, перспективу которого требуется исправить. Для интеграции упоминается проект ComfyUI GaussianViewer, использующий Sharp от Apple для 3D-поворота изображений. Точные сведения об архитектуре базовой модели, количестве параметров, поддерживаемых языках, размере контекста и официальных ограничениях качества не указаны. По заявлению автора, workflow 2509 лучше воспроизводит перспективные ракурсы, а workflow 2511 обеспечивает лучшую согласованность изображений. Модель распространяется по лицензии Apache-2.0.

starsfriday/Qwen-Image-EVA-LoRA — это адаптер LoRA для модели Qwen/Qwen-Image, разработанный AI Laboratory компании Chongqing Valiant Cat Technology Co., LTD. Модель предназначена для генерации изображений по текстовому описанию, прежде всего портретов и сцен с персонажами Asuka из японского аниме. Для активации адаптера используется триггерная фраза «mrx». Адаптер работает совместно с базовой моделью Qwen-Image через Diffusers или ComfyUI и распространяется в формате Safetensors. В README приведены примеры генерации аниме-персонажей, включая сцены с повседневной одеждой, юкатой и меха. Поддерживаются текстовые запросы на английском и китайском языках, однако полный перечень языков, размер модели и максимальная длина контекста не указаны. Сильная сторона модели — специализация на определённой аниме-эстетике и персонажах, что может повысить соответствие результату при использовании триггерной фразы и подходящего описания. Ограничение заключается в необходимости загрузки базовой модели Qwen-Image; универсальность, качество за пределами целевого стиля и требования к ресурсам отдельно не описаны. Лицензия — Apache 2.0.

Realistic Vision V5.1 noVAE — модель генерации изображений по текстовому описанию, опубликованная в репозитории scenario-labs на Hugging Face. Карточка предлагает использовать её с Diffusers и StableDiffusionPipeline; файлы репозитория включают веса в форматах Safetensors и checkpoint. Название модели указывает на отсутствие встроенного VAE. Модель предназначена для создания реалистичных изображений по текстовым запросам. Версия Stable Diffusion, число параметров, контекст и поддерживаемые языки в доступных источниках надёжно не установлены. Лицензия — CreativeML Open RAIL-M.

Red-Rosie-12B — экспериментальная текстовая модель на архитектуре Mistral, созданная автором репозитория как SLERP-слияние двух моделей объёмом около 12 млрд параметров: TheDrummer/Rocinante-X-12B-v1 и WokeAI/Tankie-DPE-12B-SFT-v2. По описанию, влияние второй модели ограничено средними слоями, а основой для остальных слоёв служит Rocinante-X. Модель предназначена для генерации текста и ролевых диалогов на английском языке. Её контекстное окно составляет 131 072 токена, веса опубликованы в формате safetensors и доступны через Transformers. В слияние намеренно включена политическая направленность Tankie-DPE, поэтому марксистско-ленинские взгляды могут проявляться даже в ответах на нейтральные запросы. Автор предупреждает о непроверенном и непредсказуемом поведении и не рекомендует модель для производственного использования. Лицензия — Apache-2.0.

RooseBERT-cont-cased — англоязычная модель семейства BERT, разработанная для анализа политической речи. Это вариант BERT-base с архитектурой только для кодирования текста, дообученный продолжением предобучения исходной модели bert-base-cased на корпусе объёмом 11 ГБ с парламентскими дебатами и выступлениями за 1919–2025 годы. Модель содержит 135,5 млн параметров, сохраняет регистр и стандартный токенизатор BERT WordPiece; контекст ограничен 512 токенами. Модель предназначена прежде всего как основа для дообучения на задачах анализа политического дискурса: классификации тональности и позиции, выявления компонентов и связей аргументации, классификации политических предложений и распознавания именованных сущностей. В карточке сообщается, что она превзошла BERT-base-cased в 9 из 10 оценённых задач и показала особенно заметные улучшения в анализе позиции, классификации предложений и тональности. Для прямого использования модель также поддерживает заполнение пропусков в тексте. Обучение только на англоязычных политических дебатах ограничивает применение другими языками и жанрами; модель может отражать смещения официальных политических выступлений. Стандартный словарь BERT может дробить специализированные термины на подслова, а преимущество доменной адаптации для распознавания сущностей общего типа может быть небольшим. Как модель-кодировщик, она подходит для классификации и разметки, но не для генерации текста. Лицензия — Apache-2.0.

pmczip/SD1.5_LoRa_Models — это набор LoRA-адаптеров для Stable Diffusion v1.5, предназначенных для генерации фотореалистичных изображений людей по текстовым описаниям. В набор входят отдельные модели для воспроизведения внешности перечисленных в README актрис, певиц и других публичных персон; для некоторых персон доступны две версии. Разработчик явно не указан, однако набор опубликован под идентификатором pmczip/SD1.5_LoRa_Models. Модели используют архитектуру LoRA и формат safetensors, работают с базовой моделью stable-diffusion-v1-5/stable-diffusion-v1-5 и ориентированы на сценарии text-to-image в экосистеме Diffusers. Указан английский язык. Сильная сторона набора — специализация на фотореалистичном сходстве с конкретными персонами при использовании совместимой базовой модели. Ограничения включают зависимость от Stable Diffusion 1.5, узкую специализацию на перечисленных образах и отсутствие данных о размере адаптеров, контекстном окне, рекомендуемых параметрах генерации и результатах оценки качества. Использование регулируется bespoke-lora-trained-license; подробные условия приведены по ссылке https://multimodal.art/civitai-licenses.

SriramSridhar78/sriram-car-classifier — классификатор изображений автомобилей, созданный с помощью HuggingPics. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она предназначена для определения класса автомобиля по изображению. В карточке указано семейство ViT и задача классификации изображений; сведения о наборе классов и качестве распознавания не приведены. Модель принимает изображения и выдаёт метки классов. Файлы представлены в форматах PyTorch и Safetensors; лицензия в доступных данных не указана.

Это модель компьютерного зрения на архитектуре Swin Transformer, разработанная дообучением microsoft/swin-base-patch4-window7-224 на наборе Food-101. Она классифицирует изображения блюд по категориям Food-101. Модель содержит 58,7 млн параметров и распространяется в формате PyTorch по лицензии Apache-2.0. На оценочной выборке Food-101 указаны loss 0,2772 и точность 0,921. Модель подходит для автоматической категоризации фотографий еды, например в приложениях для каталогизации блюд или управления коллекциями изображений. Описание обучения и ограничения в карточке не раскрыты; результаты оценки относятся к указанному набору данных и не гарантируют такую же точность на других типах изображений.