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

killjoyelite разработал детектор глаз в изображениях с персонажами в стиле аниме на базе YOLOv8. Модель дообучена на YOLOv8n и YOLOv8s и распознаёт один класс — глаз — с помощью рамок на изображении. Её предназначение — автоматизация детализации глаз и их последующей обработки или дорисовки в ComfyUI с Impact Pack. Обучение проводилось на 286 самостоятельно созданных изображениях в аниме и полуреалистичном стиле с ручной разметкой видимых глаз. Валидационные показатели mAP50 составляют 0,982 для Nano и 0,989 для Small, однако выборка невелика. Модель менее надёжно находит глаза мужских персонажей; переносимость на разные художественные стили проверена ограниченно. Лицензия — MIT.

Bella-Bartender-1B — языковая модель для разговоров и творческого письма с заданным голосом Беллы, разработанная автором репозитория на базе Llama 3.2 1B Instruct. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров; она дообучена Unsloth и HuggingFace TRL на 9 374 человеческих разговорных примерах. Модель рассчитана на лёгкий неформальный диалог, сценические описания, абсурдистские и философские промпты, а также прозу с выраженной эмоциональной подачей. Bella говорит на английском, обычно непринуждённо, остроумно и с готовностью возражать собеседнику. По README, модель подходит для локального запуска на скромном оборудовании. В метаданных указан родной контекст длиной 131 072 токена, однако автор описывает тесты с контекстом 8 192 токена и сообщает, что многословные ответы быстро расходуют его. Также отмечены склонность к многословию, уходу от сути, слабые сложные рассуждения и фактическое воспроизведение; в начале диалога имя Bella иногда вызывает ассоциации с персонажем из «Сумерек». Условия использования определяются лицензией Llama 3.2.

Calliope — устаревшая языковая модель NovelAI для генерации текста. Она основана на GPT-Neo 2.7B от EleutherAI и стала первым опытом NovelAI по дообучению крупной языковой модели. В репозитории указаны архитектура GPT-Neo, 3,1 млрд параметров и контекст до 2048 токенов; опубликованы веса в формате PyTorch. Модель предназначалась для генерации продолжений текста и художественного письма. NovelAI сняла её с поддержки: сначала её сменила более сильная Sigurd на базе GPT-J 6B, а позднее Calliope утратила преимущество в скорости. В README релиз представлен как исторический и архивный. Лицензия — GPL-2.0.

Карточка модели kayte0342/chronoedit на Hugging Face совпадает с карточкой eyaler/chronoedit, поэтому описание составлено по ней. ChronoEdit-14B — мультимодальная модель редактирования изображений и моделирования взаимодействий с физическим миром, разработанная NVIDIA. Она использует диффузионный трансформер с временным денойзингом и состоит из этапа рассуждения о траектории видео и этапа контекстного редактирования. Заявленный размер — около 14 млрд параметров; модель работает с изображением и текстовой инструкцией, а выдаёт изображение. В карточке указана интеграция с PyTorch и Diffusers, а также возможность использования Triton Inference Server. Модель предназначена для физически осмысленного редактирования изображения по инструкции и симуляции мира с учётом действий, в том числе сценариев PhysicalAI. В карточке заявлена поддержка английского и китайского языков. Модель ориентирована на системы с GPU NVIDIA; для входных инструкций указан предел около 300 токенов. Лицензия — Apache 2.0; README также предписывает соблюдать NVIDIA Open Model License Agreement.

gyesibiney/covid-tweet-sentimental-Analysis-roberta — дообученная модель Cardiff NLP twitter-roberta-base-sentiment для классификации тональности коротких текстов о COVID-19. Она использует архитектуру RoBERTa для последовательной классификации и содержит 151,8 млн параметров; максимальный контекст составляет 514 токенов. Репозиторий создан 13 июля 2023 года. Модель предназначена для определения тональности сообщений о COVID-19, например публикаций в социальных сетях. В README указаны результаты оценки: accuracy 0,7107 и loss 0,6957. Данные обучения названы неизвестным набором, поэтому нельзя оценить его состав и репрезентативность. Лицензия в предоставленных данных не указана.

Ducco/Dahi-Puri — модель Stable Diffusion, дообученная методом DreamBooth на пользовательском наборе изображений блюда дахи-пури, разновидности чаата. Она создаёт изображения по текстовым запросам; для генерации блюда в README предлагается использовать запрос «A photo of ddahi puri». Модель выпущена в рамках DreamBooth Hackathon и представлена в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

Dirty-Alice-RP-2b — чат-модель для ролевых диалогов и повествовательных историй, опубликованная пользователем D1rtyB1rd. Она основана на архитектуре Gemma 2, содержит 2,7 млрд параметров и рассчитана на контекст до 8192 токенов. Модель использует формат чата Gemma; в конфигурацию добавлены системные подсказки для персонажа Алисы, но README сообщает, что можно задавать и другие персонажи. Модель предназначена для ролевых бесед и совместного написания историй. Обучение сочетает наборы данных для ролевых диалогов, эротические рассказы с заменой имён персонажей, истории об Алисе в Стране чудес, многоходовые чат-данные и фрагменты Википедии по темам секса для привязки ответов к фактам. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в карточке модели.

AlexStamp/distilbert-base-uncased-finetuned-imdb-wwm — дообученная для предметной адаптации модель DistilBERT, созданная на основе distilbert/distilbert-base-uncased и обученная на корпусе рецензий IMDB с маскированием целых слов (Whole Word Masking) для задачи masked language modeling. Модель предназначена для заполнения пропусков в тексте и предсказания замаскированных слов с учётом контекста, в том числе в текстах о кино и отзывах. Архитектура — DistilBertForMaskedLM; модель принимает текст, поддерживает контекст до 512 токенов и ориентирована на английский язык. В README сообщается о снижении perplexity на оценочных фрагментах IMDB при маскировании целых слов, но сравнение с вариантом стандартного маскирования не является прямым из-за разных стратегий и вероятностей маскирования. Репозиторий использует формат safetensors и лицензию Apache-2.0.

facebook/dpt-dinov2-small-nyu — модель оценки глубины по изображению на архитектуре DPT с визуальным энкодером DINOv2. Она предназначена для экспериментов и прикладных сценариев, где нужно получить карту глубины сцены из фотографии; в карточке модель представлена как пример сочетания DPT с DINOv2 для оценки глубины. Модель разработана Facebook и распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит размер модели, длину контекста или поддерживаемые естественные языки. Модель принимает изображения и выдаёт оценку глубины; для её использования доступны Transformers и PyTorch. Качество оценивания может зависеть от содержимого и характеристик входного изображения.

DPT-Large (также MiDaS 3.0) — модель Intel для оценки глубины по одному изображению. Она основана на Vision Transformer (ViT) с дополнительными neck- и head-слоями для плотного предсказания глубины. Модель содержит около 402,7 млн параметров и обучалась на 1,4 млн изображений. Модель предназначена для оценки глубины без дообучения и переноса на новые наборы данных. Её можно применять, например, для получения карты относительной глубины сцены на основе фотографии. Для специализированных задач карточка рекомендует искать дообученные версии модели. Модель принимает изображения и выдаёт карту глубины. Карточка сообщает о результатах сравнений с другими моделями на нескольких тестовых наборах, но предупреждает о возможных рисках и ограничениях, связанных с данными и применением. Лицензия — Apache-2.0.

Echo88-150M-Instruct — экспериментальная компактная языковая модель exnivo для диалоговой генерации текста в стиле ретро-помощника с границей знаний на конец 1988 года. Это дообученная на инструкциях версия модели Echo88-150M-Base. Архитектура — плотный авторегрессионный трансформер LLaMA-типа с 138,4 млн параметров по метаданным Hugging Face; модель работает через Transformers и принимает контекст длиной до 2048 токенов. Модель рассчитана на ответы на вопросы об истории компьютеров, технике и культуре 1980-х, генерацию текста с ретро-стилистикой и эксперименты с малыми языковыми моделями и временными границами знаний. Основной язык — английский. К модели применяется лицензия Apache-2.0. Модель может галлюцинировать, повторяться, ошибаться в фактах и терять тему в длинных ответах; также возможны устаревшие формулировки и смещения, связанные с историческими источниками. Она слабо справляется с рассуждениями, математикой и кодом и не предназначена для актуальных сведений, высокорисковых решений или использования в производстве без дополнительной проверки.

Yntec/f222 — модель генерации изображений по тексту на базе Stable Diffusion, предназначенная для создания изображения немецкого фрегата «Баден-Вюртемберг» (F222). В карточке приведены пример и промпт с описанием корабля; также указано, что в модель встроен VAE 840K. Репозиторий использует библиотеку Diffusers и формат safetensors. Модель подходит для генерации изображений фрегата и связанных с ним визуальных сцен по текстовым запросам. Карточка не сообщает параметры модели, поддерживаемые языки, подробности обучения или ограничения качества. Указана лицензия CreativeML Open RAIL-M.

Карточка модели SeanHowFun/face-emotion-detection на Hugging Face совпадает с карточкой abhilash88/face-emotion-detection, поэтому описание составлено по ней. abhilash88/face-emotion-detection — модель классификации изображений, разработанная дообучением Vision Transformer ViT-Base от Google на наборе FER2013. Она определяет одно из семи выражений лица: злость, отвращение, страх, радость, грусть, удивление или нейтральное выражение. Модель содержит 113,2 млн параметров и принимает изображения лиц; для обучения изображения приводились к размеру 224×224 пикселя. Модель предназначена для распознавания выражений на чётких, направленных к камере изображениях с хорошо видимым лицом. В README заявлена точность 71,55% на FER2013; автор отмечает, что радость распознаётся лучше, а отвращение — хуже остальных классов. Лицензия — Apache-2.0. Качество может снижаться при сильных поворотах головы, перекрытиях лица и плохом освещении; автор также указывает на ограниченное разнообразие обучающих данных и различия качества между демографическими группами. Классификация выражения не гарантирует достоверного определения внутреннего эмоционального состояния человека.

Это дообученная Mask2Former для сегментации отдельных объектов на изображениях. Модель обучена на небольшой подвыборке ADE20K примерно из 2 000 изображений; обучающая разметка охватывает классы «человек» и «автомобиль», а остальные пиксели отнесены к фону. Модель предназначена для выделения масок людей и автомобилей, например, при анализе уличных или иных сцен. В карточке указаны PyTorch и формат весов safetensors; обучение выполнялось через API Trainer библиотеки Transformers. Качество на других наборах данных и способность распознавать дополнительные классы не подтверждены. Условия лицензии в предоставленных данных не описаны.

Flux-Lego-Ref-LoRA — адаптер LoRA, разработанный prithivMLmods для базовой модели black-forest-labs/FLUX.1-dev. Модель предназначена для генерации изображений в стиле LEGO по текстовым описаниям, включая сцены с фигурками, роботами, астронавтами и другими игрушечными персонажами. Для активации требуется использовать триггерную фразу «lego --fref --89890». Модель ещё находится на этапе обучения и не является финальной версией, поэтому в отдельных случаях возможны артефакты и слабое качество результата. Адаптер обучен на 15 изображениях с разметкой на английском языке, созданной с помощью Florence-2. Указаны параметры LoRA: Network Dim 64 и Network Alpha 32; обучение проводилось в течение 10 эпох, всего использовано 2350 шагов. Рекомендуемые размеры изображений — 1280×832 с соотношением сторон 3:2 и 1024×1024 как вариант по умолчанию; рекомендуемое число шагов генерации — 30–35. Модель работает с текстовой модальностью и рассчитана на применение через Diffusers совместно с FLUX.1-dev. Сильной стороной адаптера является специализация на LEGO-стилизации и поддержка различных сюжетных сцен по текстовому запросу. Ограничения связаны с небольшим объёмом обучающих данных, незавершённым состоянием разработки и возможными артефактами. Лицензия — creativeml-openrail-m.

Gan Cao v3.2 — компактная двуязычная языковая модель для текстовой генерации о традиционной китайской медицине и восточной философии. Модель разработана авторами репозитория dubito-inc и дообучена на базе Qwen/Qwen2.5-1.5B-Instruct; в карточке указана архитектура MASSIF с Pre-LN, RMSNorm, SwiGLU и RoPE, а также токенизатор Qwen для обработки китайского текста. README указывает 229 млн параметров, 16 слоёв, размерность 768 и 12 голов внимания. Модель предназначена для диалогов и генерации текста по темам традиционной китайской медицины, классической китайской философии и буддийских текстов. В описании обучения заявлены 10 000 шагов, шесть потоковых наборов данных и состав корпуса с преобладанием медицинских текстов. Репозиторий распространяется по лицензии Apache-2.0. Это компактная специализированная модель; заявленные область и корпус обучения не подтверждают её пригодность для клинических решений или медицинской диагностики. README сообщает о тестах и классификации MASSIF, но не приводит независимых оценок качества или клинической валидации.

hungdang1610/gender — дообученная модель классификации изображений на базе rizvandwiki/gender-classification, построенная на архитектуре ViTForImageClassification и содержащая 113,2 млн параметров. Она предназначена для классификации изображения по гендерным категориям «мужчина» и «женщина». Модель дообучали на 1827 изображениях ShotX; в описании указаны оптимизатор AdamW, 20 эпох и функция потерь CrossEntropy. На тестовом наборе из 240 изображений ShotX автор сообщает точность 97,08% и значение потерь 0,102212. Это результат на описанном автором наборе и не гарантирует такую же точность на других данных. Модель принимает изображения и выдаёт метку класса. Опубликована в формате safetensors под лицензией Apache-2.0.

Josephgflowers/GPT2-774M-CINDER-SHOW-MULTI-CHAT — англоязычный чат-бот для научных и образовательных бесед, ролевого общения с персонажами Cinder Show и многопользовательских диалогов. Модель основана на GPT-2 и представлена в формате safetensors; размер параметров не указан. Контекст составляет 1024 токена. Модель генерирует ответы в стиле капитана Cinder и других персонажей, поддерживая разговоры о науке, космических приключениях и вымышленных мирах. Примеры показывают диалоги нескольких персонажей и ответы на вопросы об астрофизике и квантовых вычислениях, однако такие ответы могут содержать фактические ошибки. Модель распространяется по лицензии MIT. Карточка не сообщает о специальных мерах безопасности или оценках качества; короткий контекст GPT-2 ограничивает работу с длинными беседами.

Nehc/gpt2_priest_ru — русскоязычная текстовая генеративная модель, созданная автором Nehc на основе sberbank-ai/rugpt3small_based_on_gpt2 и дообученная на Библии и проповедях на русском языке. Она предназначена для продолжения текста и создания русскоязычных текстов в религиозной тематике. Модель использует архитектуру GPT-2 и принимает текст, выдавая текст. В метаданных указан контекст 2048 токенов. В README отмечено, что на момент публикации обучение охватывало один эпох и длину последовательности 1650; автор описывает работу как продолжающуюся, поэтому качество и охват обучения могут быть ограничены. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Haru v1.1 — компактная модель продолжения корейских историй, разработанная автором репозитория gaon12 на основе причинной архитектуры CFRD. Она предназначена для генерации продолжения текста, а не для диалога с инструкциями. Модель содержит 11 634 459 параметров, принимает контекст длиной до 512 токенов и поддерживает рекуррентную глубину инференса 2, 4 и 6. В репозитории опубликованы веса в формате Safetensors; для работы используется Transformers и пользовательский код модели. Модель обучалась на 753 664 000 токенах; в карточке указана атрибуция обучающих данных Tiny-Ko-Stories с лицензией CC BY 4.0. Лицензия самой модели — MIT. Haru подходит для творческого продолжения корейских рассказов, но не следует полагаться на неё в фактических или критически важных сценариях: длинные генерации могут повторяться или терять связность персонажей, а следовать инструкциям модель не обучена. Инференс пока не использует кэш и повторно обрабатывает активный контекст.

Модель jaime168/hf_cat_breed_classifier-vit-base-patch16-224 — дообученный Google Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224×224 для классификации изображений пород кошек. Она принимает изображение и предсказывает класс породы. В README указана точность 0,8901 и loss 0,3879 на оценочном наборе; описание набора данных и ограничений в карточке не приведено. Модель использует библиотеку Transformers, веса сохранены в формате safetensors, лицензия — Apache-2.0.

ifoodie-detail-rating-v15.2 — модель классификации изображений из семейства Swin с примерно 33 млн параметров, опубликованная под идентификатором sainteye/ifoodie-detail-rating-v15.2. В метаданных Hugging Face она обозначена как модель для image-classification на базе PyTorch и Transformers. Модель предназначена для отнесения изображений к одной из трёх категорий качества или предпочтительности, представленных китайскими метками «中間» (среднее), «偏壞» (скорее плохое) и «偏好» (предпочтительное). По названию модели её можно применять для оценки визуальных материалов о еде или блюдах, например при отборе фотографий для сервиса о ресторанах и продуктах. В README заявлена точность 0,9804. Модель подходит для автоматической сортировки и предварительной оценки изображений, однако README не содержит сведений о составе и размере обучающей выборки, процедуре подготовки изображений, точном формате входа, лицензии и границах обобщения. Поэтому заявленную точность следует интерпретировать с учётом возможного расхождения между тестовыми данными и реальными изображениями.

JevEmbed-Qwen3-Embedding-0.6B — текстовая модель эмбеддингов HIT-TMG, дообученная с помощью LoRA на 1 601 157 вопросах из набора JevEmbed-Data и объединённая с базовой моделью для самостоятельного использования. Она построена на архитектуре Qwen3, содержит около 507,6 млн параметров и создаёт эмбеддинги размерностью 1024; заявленная базовая модель — Qwen/Qwen3-Embedding-0.6B. Модель предназначена для сценариев JevEmbed, где по текстовым описаниям игровых ситуаций и вариантам действий нужно выбрать действие, оценить состояние по шкале или определить вероятность столкновения. Её также можно загружать через Sentence Transformers для получения сырых эмбеддингов. По тесту на 66 482 примерах JevEmbed-Data точность жёстких меток выросла с 33,79% у базовой модели до 82,30% у дообученной версии. Контекст базовой модели составляет 32 768 токенов, однако конфигурация JevEmbed обрезает входы до 1 024 токенов. Модель выпущена под лицензией Apache-2.0; лицензии исходных данных обучения различаются. В тестовых примерах отмечена ошибка завышения оценки точности прицеливания, поэтому результаты для конкретных сценариев требуют проверки.

Daybreak v0.4 — разговорная языковая модель для генерации текста, созданная как LoRA и слитая с Llama 3 70B Instruct. Она предназначена для диалогов и художественной генерации; автор отмечает, что модель ориентирована на взрослый и откровенный контент. Модель имеет 69,5 млрд параметров, использует архитектуру Llama и принимает текст, выдавая текст. Контекст составляет 8192 токена. Автор описывает продолжающуюся очистку обучающих данных от шаблонных выражений и рекомендует начать с температуры генерации 0,8–0,9. Модель основана на Llama 3 Instruct, поэтому часть таких выражений всё ещё встречается в ответах. Лицензия — Llama 3 Community License; карточка указывает, что модель не подходит для широкой аудитории.

LightNovel-Intro-RetNet-400M — языковая модель семейства RetNet с архитектурой RetNetForCausalLM, разработанная isek-ai и обученная с нуля. Она предназначена для генерации текста; название указывает на ориентацию на вступления к ранобэ, однако README не подтверждает конкретные сценарии обучения или использования. Репозиторий содержит веса в формате safetensors, а для работы в README приведены библиотеки Transformers, safetensors и timm. Метаданные указывают японский язык и лицензию MIT. В README не приведены сведения о размере модели, данных обучения, оценках качества или ограничениях.

LLaMA-Mesh — модель на основе Transformer и архитектуры Llama 3.1, разработанная авторами исследования Zhengyi Wang и соавторами. Это версия с 7,5 млрд параметров, дообученная на текстовом представлении 3D-сеток: координаты вершин и определения граней записываются как текст, поэтому модель работает с геометрией в языковом формате. Для генерации использует Transformers и формат safetensors; метаданные указывают контекст до 131 072 токенов, а в README заявлено ограничение до 8 тысяч токенов для входа и выхода. Модель предназначена для создания 3D-сеток по текстовым запросам, совместных ответов с текстом и геометрией, а также интерпретации сеток. Она обучалась методом supervised fine-tuning на подмножестве Objaverse из 30 тысяч объектов с числом граней менее 500. Авторы сообщают о качестве генерации сеток на уровне моделей, обученных с нуля, при сохранении сильных возможностей генерации текста. Для использования действует лицензия Llama 3.1 Community License Agreement; требуется атрибуция «Built with Llama». README описывает строковый текстовый интерфейс, хотя результат может содержать представление 3D-сетки; заявлена совместимость с NVIDIA Ada и Linux.

Loyal-Toppy-Bruins-Maid-7B-DARE — слитая модель на основе Mistral с 7,1 млрд параметров, созданная SanjiWatsuki для ролевых диалогов. Она объединяет Starling-LM-7B-alpha, go-bruins-v2, loyal-piano-m7, Toppy-M-7B и Noromaid-7b-v0.1.1 методом DARE ties; файлы репозитория представлены в формате Safetensors FP16. Указанное нативное контекстное окно — 32 768 токенов. Модель предназначена для увлекательного ролевого общения, следования карточкам персонажей и ответов в стиле Alpaca. Автор сообщает о хороших результатах на собственном тесте ролевых сценариев и тесте логики lilblam, но отмечает, что на момент публикации модель была новой и проверена им ограниченно. Лицензия CC BY-NC 4.0 требует указания авторства и не допускает коммерческого использования.

Mahou-1.3-llama3.1-8B — диалоговая модель FlammenAI для коротких сообщений в разговоре, непринуждённого общения и ролевых сценариев. Модель основана на Hermes-3-Llama-3.1-8B-lorablated и дообучена методом ORPO на наборах MahouMix-v1 и FlameMix-DPO-v1 в течение одной эпохи. Это плотная causal language model семейства Llama с 7,5 млрд параметров; она использует формат ChatML и поддерживает контекст до 131 072 токенов. Модель рассчитана на текстовый ввод и генерацию ответов в формате чата. В карточке рекомендованы настройки SillyTavern, включая ChatML и instruct mode. Лицензия — llama3. Карточка не сообщает о поддержке конкретных естественных языков; поэтому их нельзя надёжно перечислить.

Marigold Depth LCM v1-0 — модель оценки глубины по одному изображению, разработанная Bingxin Ke, Kevin Qu и соавторами. Это генеративная модель на основе латентной диффузии, дообученная с помощью дистилляции latent consistency на базе prs-eth/marigold-depth-v1-0 для более быстрой оценки монокулярной глубины. Модель строит аффинно-инвариантную карту глубины: значения от 0 до 1 показывают относительное расстояние от ближней до дальней плоскости, выбранных моделью. Она рассчитана на работу с планировщиком LCM за 1–4 шага; эффективное разрешение базовой диффузионной модели составляет около 768 пикселей по длинной стороне. При ансамблировании более двух предсказаний можно получить карту неопределённости. Подходит для анализа сцен на фотографиях и других изображениях, когда требуется оценить относительную структуру глубины без специализированной камеры. Модель помечена авторами как устаревшая: рекомендуется перейти на Marigold Depth v1-1. Распространяется по лицензии Apache 2.0.

Marionette — исследовательская система для моделирования интерактивного игрового мира и генерации видео по управлению позой. В репозитории опубликованы веса двух этапов: динамики, состоящие из ActionGPT и PoseGPT, и модели наблюдения — условного видеодиффузионного трансформера. Промежуточный мост преобразования состояния мира в управление позой не имеет обучаемых параметров. Модель наблюдения дообучена на базе alibaba-pai/Wan2.2-Fun-5B-Control; веса сохранены в формате Safetensors. Динамика предсказывает действия и артикулированное состояние размерностью 276 на частоте 20 кадров в секунду. Система предназначена для пошагового продолжения игровых сцен: по начальному состоянию и управляющим сигналам она моделирует движения персонажей, а затем рендерит RGB-видео. Опубликованный вариант лучше всего работает с одной конфигурацией, включающей один вид монстра, одну стадию и один класс оружия. Указанные параметры генерации видео — разрешение 704×1280, чанки по 81 кадру и частота 30 кадров в секунду. Это не автономный видеогенератор: модели наблюдения необходимы VAE и текстовый энкодер umT5-xxl из стороннего базового релиза. Работа зависит от соответствия формата подсказок контрольной точке; последовательные чанки могут накапливать ошибки внешнего вида, а для новых игровых ландшафтов нужна отдельная карта высот. Веса представлены как исследовательский артефакт. Лицензия указана как other, конкретные условия использования в карточке не приведены.