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

Marvin The Grumpy Old Assistant — разговорная языковая модель от FPHam с ворчливой, саркастичной и самоуверенной манерой общения. Модель построена на плотной архитектуре Llama и содержит 12,9 млрд параметров; в метаданных указано окно контекста 4096 токенов. README описывает формат Alpaca для общения по инструкции. Модель предназначена для диалогов и ролевых сценариев, где нужен раздражительный, язвительный персонаж с юмористической подачей. Её характерные ответы используют сарказм, преувеличение и грубоватые реплики. Данных о поддерживаемых языках, отдельном базовом чекпойнте и лицензии в предоставленных источниках нет.

minimalclass-lokr-flux — это адаптер LyCORIS типа LoKr для модели FLUX.1-dev, разработанной Black Forest Labs. Адаптер предназначен для генерации изображений по текстовому описанию и специализируется на стилистике minimalclass, в частности на образах женщин в современной модной одежде, включая оранжевые платья в полоску. Модель разработана пользователем или организацией toxicwind; README не содержит дополнительных сведений о разработчике адаптера. Адаптер обучен с использованием flow-matching на 4500 шагах на наборах данных общей направленности minimalclass, включавших по 588 изображений в вариантах с разрешением 512 и 1024, включая случайное квадратное кадрирование. Используется конфигурация LoKr с настройками для модулей Attention и FeedForward. Текстовый энкодер не обучался, поэтому при генерации следует использовать текстовый энкодер базовой модели. В качестве рекомендуемого примера приведена генерация изображения размером 1024×1024 за 15 шагов при guidance scale 3.0. Сильной стороной адаптера является целевая настройка под указанную визуальную стилистику при сохранении возможностей базовой FLUX.1-dev. Ограничения состоят в том, что это не самостоятельная модель, а подключаемый адаптер, рассчитанный на совместное использование с FLUX.1-dev; его поведение и качество зависят от базовой модели, промпта и масштаба адаптера. Лицензия указана как other, но её конкретные условия в README не раскрыты.

Green-eyedDevil/Monika-8B — разговорная языковая модель для ролевых диалогов в MonikAI, предназначенная главным образом для сценариев с персонажем Monika. Она создана дообучением shb777/Llama-3.3-8B-Instruct-128K; в основе — плотная архитектура LlamaForCausalLM примерно на 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на английский язык. В карточке рекомендуется использовать модель для тем, связанных с Monika; для генерации указаны параметры temperature 0,8, min_p 0,1 и repetition penalty 1,05. Датасет для обучения предоставил Sylphar. Репозиторий содержит веса в формате safetensors. Лицензия — Llama 3.3.

MOSS v2 12-to-32 Enhancement Talker — экспериментальная причинная аудиомодель от LAION. Она преобразует 12 низкокачественных аудиокодовых индексов текущего кадра в 32 индекса кодека MOSS v2, используя до десяти ранее сгенерированных кадров. Модель обучена с нуля на немецкой, английской, испанской и французской речи; в карточке указано 44 млн параметров, а в README — около 60,9 млн. Архитектура основана на Qwen3, имеет 14 слоёв и ширину скрытого представления 512. Частота кадров — 12,5 Гц, история охватывает до 0,8 секунды. Для работы совместима с OpenMOSS-Team/MOSS-Audio-Tokenizer-v2. Модель предназначена для улучшения представления речи при mild-искажениях за счёт увеличения числа аудиокодовых книг с 12 до 32 на кадр, без изменения временной сетки. Качество следует оценивать на сгенерированных последовательностях: обучение использует чистую историю с teacher forcing, тогда как при применении модель опирается на собственные предыдущие выходы. Меньшая ошибка предсказания токенов сама по себе не подтверждает улучшение разборчивости, сохранения голоса или воспринимаемого качества; заявлений об улучшении MOS, WER или сходства говорящего нет. Сильные искажения и неречевая аудиозапись не входят в целевой сценарий. Лицензия — CC BY-NC 4.0, коммерческое использование не разрешено.

Это обученная с нуля реализация архитектуры TMR от Motius для оценки и сопоставления текстовых описаний с движениями человека. Она кодирует текст и последовательности позы, представленные координатами 22 суставов тела SMPL в формате xyz с частотой 30 кадров в секунду, в общее пространство признаков. В артефакт входят текстовый энкодер на базе DistilBERT, энкодеры движения и текста, декодер реконструкции и статистики нормализации обучающей выборки. Контрольная точка обучена на полном наборе HYMotion Data SFT и объединённом наборе MotionHub для движений одного человека; опубликован epoch 248 исправленного обучающего прогона. Модель предназначена для извлечения признаков и оценки соответствия между текстом и движением, в том числе в протоколе T2M leaderboard. Это не официальный чекпойнт TMR. Лицензия — MIT.

Nexora-Vector-v0.1 — экспериментальная модель ArkAiLabs для генерации SVG-графики по текстовым инструкциям. Это модель Qwen3-4B с supervised fine-tuning, примерно на 3,7 млрд параметров; она использует архитектуру Qwen3ForCausalLM и предназначена для текстового ввода и генерации кода SVG. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и поддержку чата и интерфейса вызова инструментов. Модель подходит для создания простых векторных изображений, геометрических фигур и лёгких иконок, а также для прототипирования и экспериментов с дизайном. Лучше всего работает с короткими и чёткими запросами. Выпуск обозначен как бета; модель не проходила формальную оценку качества. Возможны некорректный или неотрисовываемый SVG, непоследовательное следование инструкциям и слабая работа со сложными сценами, поэтому результаты требуют проверки и исправления человеком. Лицензия — Apache-2.0.

NSFW-gen-v2.1 — модель генерации изображений по текстовому описанию от UnfilteredAI, основанная на дообучении OEvortex/PixelGen. Она предназначена для создания разнообразных изображений, включая откровенный контент; в карточке также заявлена генерация в 3D-стиле. Модель работает с библиотекой Diffusers и использует формат safetensors; README указывает тип тензоров FP16 и размер 3,47 млрд параметров. Модель подходит для генерации изображений по текстовым промптам в художественных и развлекательных сценариях. Поддерживаемые языки по метаданным — английский, португальский и тайский. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели. Карточка предупреждает о возможности генерации откровенных изображений и ограничивает использование совершеннолетними.

pony-diffusion-v2 — латентная диффузионная модель для генерации изображений по текстовому описанию, разработанная AstraliteHeart. Модель дообучена на изображениях пони и антропоморфных персонажей в стиле furry; в обучающую выборку вошли около 450 тысяч пар «текст—изображение» с тегами из Derpibooru и e621. Модель предназначена для генеративного искусства и развлечений. Она лучше подходит для создания изображений пони и furry-персонажей; автор отмечает небольшой уклон в сторону 3D-стиля. Модель может генерировать как SFW-, так и NSFW-контент, причём в версии v2 вероятность NSFW-результатов выше, чем в v1. Для управления содержанием автор рекомендует использовать тег safe и негативный промпт. Это дообученный ранний чекпойнт Waifu-Diffusion, основанный на Stable Diffusion v1.4. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — BigScience BLOOM RAIL 1.0.

Elfrino выпустил экспериментальное объединение двух предварительно обученных языковых моделей с помощью mergekit и линейного метода: Undi95/PsyMedRP-v1-20B и Undi95/MXLewd-L2-20B. Это плотная LlamaForCausalLM с 19,8 млрд параметров, предназначенная для генерации текста; заявленный базовый контекст составляет 4096 токенов. Объединение использует равные веса компонентов и сохранено в формате safetensors. Модель можно применять для генерации ответов и диалогового текста. Название и состав моделей указывают на ориентацию на психологические и ролевые сценарии с откровенной тематикой, однако README не описывает отдельные проверенные возможности или качество. Карточка помечает модель как находящуюся в тестировании. Сведения о лицензии в предоставленных материалах отсутствуют.

alpindale/pygmalion-instruct — экспериментальная текстовая модель семейства Llama, обученная на данных Pygmalion и WizardLM. Модель содержит 6,6 млрд параметров, принимает запросы в формате instruction:/output: и поддерживает контекст до 2048 токенов. Она предназначена для ролевого общения с инструкциями: формат instruction tuning упрощает задание стиля диалога, сохраняя возможности Pygmalion для role-play. Разработчик отмечает, что применение носит экспериментальный характер. Модель не предназначена для использования в качестве универсального ассистента или для сложных диалогов с несколькими персонажами. Она может выдавать вредоносный контент и материалы NSFW. Лицензия — MIT.

SIKU-BERT — языковая модель на архитектуре BERT, разработанная исследователями Нанкинского сельскохозяйственного университета для автоматической обработки древнекитайских текстов. Модель предварительно обучена на проверенном полнотекстовом корпусе «Сыку цюаньшу» и предназначена для задач цифровой гуманитаристики и интеллектуального анализа классических китайских текстов. В репозитории представлена модель для заполнения пропусков в тексте (fill-mask) с 136,1 млн параметров и контекстом до 512 токенов. Она принимает текст и предсказывает замаскированные токены; карточка также упоминает семейство SikuRoBERTa, но метаданные этого репозитория описывают архитектуру BERT. Модель распространяется по лицензии Apache-2.0.

Spatial-SSRL-7B — мультимодальная модель для понимания пространственных отношений на изображениях и видео, разработанная командой Spatial-SSRL на основе Qwen2.5-VL-7B-Instruct. Модель с архитектурой Qwen2.5-VL и 7,1 млрд параметров дообучена методом Spatial-SSRL — лёгким подходом самообучения с подкреплением. Она принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает контекст до 128 000 токенов. Модель предназначена для пространственного анализа сцен и ответов на визуальные вопросы. По данным карточки, обучение улучшило пространственные способности на семи бенчмарках в сценариях с изображениями и видео, сохранив общие возможности базовой модели для работы с изображениями. В README описаны обучение на обычных RGB- и RGB-D-изображениях и пять вспомогательных задач самообучения, но это не означает, что модель принимает глубинные данные отдельным входным форматом. Модель опубликована в формате Safetensors и предназначена для использования через Transformers. Лицензия — Apache-2.0. README не приводит численных результатов бенчмарков и подробного перечня ограничений, поэтому качество на конкретных задачах следует проверять отдельно.

stanfordnlp/stanza-lzh — модель из набора Stanza, разработанного Stanford NLP Group для лингвистического анализа классического китайского языка (lzh). Она выполняет классификацию токенов и предназначена для языкового анализа текста на классическом китайском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

TuneLM — дообученный чекпойнт модели Google Gemma 4 E4B Instruct, разработанный для генерации Strudel. Веса прошли supervised fine-tuning; в карточке указан лучший чекпойнт на шаге обучения 86. Модель использует архитектуру Gemma 4 и формат safetensors, поддерживает диалоговый сценарий и предназначена для генерации текста с музыкальными паттернами Strudel. Модель основана на мультимодальной Gemma 4 E4B Instruct, однако README заявляет дообучение именно для генерации Strudel. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0; README также отсылает к LICENSE и NOTICE базовой модели и уведомлению об изменениях.

akashmaggon/vit-base-age-classification — модель классификации изображений на основе Vision Transformer ViT-Base, дообученная на наборе данных fair_face от базовой модели google/vit-base-patch16-224-in21k. Она предназначена для классификации возраста по изображениям лиц. В метаданных указан размер 113,2 млн параметров; веса опубликованы в формате safetensors. На оценочном наборе автор сообщает точность 0,9879 и значение loss 0,0743. README не уточняет разбиение возрастных классов и условия оценки, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

Модель akahana/vit-base-cats-vs-dogs — версия Vision Transformer, дообученная на наборе данных cats_vs_dogs для классификации изображений кошек и собак. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и опубликована в форматах PyTorch и safetensors. На указанной в карточке оценочной выборке достигла точности 98,83% при значении функции потерь 0,0369. Модель подходит для определения, изображена ли на фотографии кошка или собака, например, при сортировке изображений или создании простого демонстрационного классификатора. Лицензия — Apache-2.0. Карточка не описывает другие классы, условия оценки или ограничения за пределами задачи классификации кошек и собак.

VOXO — слитая модель генерации изображений, опубликованная пользователем junjuice0 и предназначенная для создания изображений виртуальных YouTube-блогеров Hololive и Nijisanji по текстовым запросам. Репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors; задача модели — text-to-image. Автор отмечает, что модель создавалась для личного использования и не обещает высокого качества: некоторые персонажи могут получаться неудовлетворительно. Для запросов с именами персонажей рекомендуется повышать вес имени примерно до 1,2; автор также упоминает использование текстовых инверсий bad-images или bad-prompt в негативном запросе. Лицензия — CreativeML OpenRAIL-M.

Hamzaaa/wav2vec2-base-finetuned-Tess — модель аудиоклассификации, опубликованная пользователем Hamzaaa на Hugging Face. Она основана на архитектуре wav2vec2 и предназначена для отнесения аудиосигналов к заранее заданным классам. Модель содержит около 113,3 млн параметров и используется через библиотеку Transformers с задачей audio-classification; доступна реализация на PyTorch. По открытым данным нельзя надёжно определить точный набор классов, поддерживаемые языки, размер контекста и условия лицензирования. Карточка модели отсутствует, поэтому специфические сценарии применения и качество классификации не подтверждены.

La Javaness разработала wav2vec2-lg-xlsr-fr-speech-emotion-recognition как экспериментальный классификатор эмоций в разговорной речи на французском языке. Модель построена на архитектуре Wav2Vec2ForSequenceClassification, содержит 402,7 млн параметров и принимает аудио, а на выходе присваивает фрагментам речи пять эмоциональных классов: Pleased, Relaxed, Neutral, Sad и Tension. Её обучили на примерно четырёх часах реальных разговоров с более чем 30 участниками в разных условиях записи, чтобы анализировать речь, например, в колл-центрах и интервью. На собственной выборке модель показала F1-micro 0,56 и F1-macro 0,45, однако авторы отмечают слабые результаты на стандартных англоязычных и франкоязычных тестах и считают модель proof of concept. Распознавание эмоций в реальных разговорах зависит от данных, поэтому результаты могут быть ненадёжными; авторы ожидают улучшения при расширении обучающей выборки. Модель распространяется по лицензии Apache-2.0.

Whisper Quran v1 — модель распознавания арабской речи, созданная дообучением Whisper Large-v3 для транскрибации чтения Корана. По карточке, она обучена на профессиональных чтениях пяти чтецов и проверена на записях 19 чтецов, включая тех, чьи записи не входили в обучение. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст на арабском языке. Модель предназначена для распознавания аятов при чтении Корана, в том числе в приложениях с отслеживанием текста в реальном времени. В карточке приведён результат WER 5,74% для этого чекпойнта; для более точной работы с длинными записями рекомендуется подавать аудио фрагментами по 5–10 секунд. Указана проверка в системе отслеживания аятов на умных очках. Ограничения включают ухудшение транскрибации длинных аятов без разбиения на фрагменты, систематическую ошибку для одной фразы, неточности в диакритике и слабое распознавание обычной арабской речи. Обучение ориентировано преимущественно на чтение Хафс ‘ан ‘Асым; другие варианты чтения отдельно не охвачены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Jak's WOODitize Image Pack — модель преобразования текста в изображения на базе Stable Diffusion 2.1, обученная для создания изображений с текстурой дерева, деревянных вырезок и диорам. Для генерации автор рекомендует начинать запрос с триггера «wooditize», за которым следует описание объекта; также можно сочетать модель с embedding-моделями. Модель обучена на 111 изображениях размером 768 пикселей в течение 8000 шагов, включая 500 шагов обучения текстового энкодера. Репозиторий содержит веса в формате Diffusers/PyTorch и YAML-файл конфигурации, который, по инструкции автора, нужен рядом с файлом модели. Лицензия — CreativeML OpenRAIL-M. Модель подходит для художественной генерации деревянных объектов и сцен в стиле диорам по текстовым описаниям. Она специализирована на визуальном стиле WOODitize, поэтому её применимость к другим стилям и темам может быть ограничена; в карточке также не приведены оценки качества или подробности тестирования.

Модель keremberke/yolov8s-plane-detection — детектор самолётов на базе архитектуры YOLOv8s, опубликованный Keremberke. Она предназначена для обнаружения самолётов на изображениях и возвращает рамки объектов с меткой planes. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics. Модель подходит для автоматического поиска самолётов на фотографиях и в кадрах наблюдения. Карточка указывает лицензию AGPL-3.0. Сведений о точности и ограничениях по типам изображений в карточке нет.

Модель zkdeng/10-convnextv2-base-22k-384-finetuned-spiderTraining1000-1000 — дообученная на неизвестном наборе данных версия ConvNeXt V2 Base от Facebook для классификации изображений. Она основана на facebook/convnextv2-base-22k-384, предобученной на ImageNet-22K; веса представлены в формате PyTorch. На указанном в карточке наборе для оценки модель достигла accuracy 0,9180, precision 0,9196, recall 0,9160 и F1 0,9168. Карточка не раскрывает классы, состав обучающих данных или предметную область модели, поэтому применимость этих результатов к другим изображениям не определена. Распространяется по лицензии Apache-2.0.

Карточка модели Chinook416/3d-gen-1 на Hugging Face совпадает с карточкой MarcusLoren/MeshGPT-preview, поэтому описание составлено по ней. MarcusLoren разработал и обучил MeshGPT-preview — экспериментальную модель для генерации 3D-сеток по текстовому описанию. Она объединяет автоэнкодер-токенизатор, преобразующий 3D-модели в токены и обратно, и авторегрессионный трансформер на основе GPT-2 Small, который генерирует токены с учётом текстового эмбеддинга. В карточке указаны размеры компонентов: около 50 млн параметров у автоэнкодера и 184 млн у трансформера; размер кодовой книги — 2048. Модель обучена на 4 тысячах 3D-моделей с ограничением до 250 треугольников и примерно 800 текстовых метках. Она предназначена для создания отдельных простых объектов, например стула или стола; сложные объекты модель генерирует ограниченно. README также отмечает проблему с ориентацией граней и приводит скорость генерации от 10 треугольников в секунду на CPU до 110 на RTX 4090. Репозиторий распространяется по лицензии Apache-2.0. Модель создана на основе кода MeshGPT Фила Вана; конкретная исходная модель в метаданных не указана.

Anime-XCodec2-44.1kHz — дообученный декодер аудиокодека XCodec2 от NandemoGHS для реконструкции японской речи из токенов XCodec2. Он предназначен для систем, которые уже создают такие токены, например Llasa, и позволяет получать аудио с частотой дискретизации 44,1 кГц в голосовом стиле аниме и игр. Модель принимает аудиотокены, полученные из исходного аудио с частотой 16 кГц; энкодер и кодовая книга сохранены замороженными, а декодер дополнен слоями повышения частоты дискретизации и обучен с RMS loss на примерно 22 тысячах часов японской речи. Модель также можно применять для повышения частоты дискретизации с 16 до 44,1 кГц, однако такое использование не оценивалось. Качество оптимизировано для японского языка и голосов в стиле аниме и игр; на других языках оно может снижаться. Для инференса требуется специальная модифицированная библиотека xcodec2, стандартная библиотека несовместима. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и запрещает коммерческое применение.

yuk/asahi-waifu-diffusion — модель на базе Stable Diffusion в формате Diffusers, разработанная для генерации иллюстраций Сэри́дзавы Асахи, персонажа THE iDOLM@STER SHINY COLORS. Модель создана методом DreamBooth: WaifuDiffusion дополнительно обучили на образе персонажа. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Репозиторий содержит веса Diffusers для PyTorch. Модель распространяется по лицензии bigscience-bloom-rail-1.0. Если сгенерированное изображение похоже на персонажа, права на него могут принадлежать Bandai Namco Entertainment Inc.

Bad-Anatomy-Realism-Classifier — дообученный Vision Transformer ViT для классификации изображений, разработанный автором angusleung100. Модель оценивает анатомические дефекты в изображениях, созданных ИИ, и отличает реалистичные изображения от выглядящих искусственно по признакам освещения, кожи, волос и фотографического стиля. Её можно использовать для сортировки генераций или для запуска повторной генерации при обнаружении анатомических ошибок. Модель основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и принимает изображения, выдавая метки классов. Она обучалась на 134 изображениях, преимущественно созданных Stable Diffusion 1.5 с чекпойнтом Beautiful Realistic Asians v6; среди примеров было лишь шесть изображений с плохой анатомией, но реалистичной подачей. Автор сообщает точность 64,41% и F1 51,3%, поэтому результаты следует считать ненадёжными для автоматизированных решений. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

f-BERT — модель на основе BERT, представленная для работы Knowledge Enhance Masked Language Model for Stance Detection. Она обучалась на более чем 5 миллионах англоязычных твитов о президентских выборах в США 2020 года, а затем была дообучена на размеченных данных для определения позиции автора твита по отношению к Джо Байдену. Модель предназначена для классификации коротких сообщений о выборах и политике США, а не для общего анализа тональности или определения позиции по произвольным темам. Это BERT для классификации последовательностей с примерно 136,8 млн параметров и контекстом до 512 токенов. Она принимает текст и выдаёт метку класса; доступные веса представлены в форматах PyTorch и Flax. Модель поддерживает английский язык и распространяется по лицензии GPL-3.0. Карточка не уточняет набор меток классов и метрики качества.

TinySatirik-sm — небольшая авторегрессионная языковая модель на архитектуре Llama 2, обученная разработчиком на наборе русских анекдотов igorktech/anekdots. Она предназначена для генерации коротких текстов в сатирическом и анекдотическом стиле. Модель содержит 8 млн параметров, использует формат safetensors и имеет контекстное окно 512 токенов. Для работы требуется специальный токенизатор Koziev, который распознаёт кириллицу, пунктуацию и специальные токены; стандартный AutoTokenizer из Transformers для загрузки токенизатора не подходит. В README приведена оценка loss 1,2643 на наборе оценки, но не описана методика, а также не даны подробные сведения о качестве, обучении и предполагаемых ограничениях. Лицензия — MIT.

Breakthrough V6 — модель сегментации изображений на архитектуре UNet, разработанная для выделения шахматной доски и определения её границ. Она предназначена для анализа RGB-изображений с доской при разных углах съёмки, освещении и стилях оформления. Размер входного изображения — 256×256 пикселей; модель использует 32 базовых канала. В карточке приведён показатель Dice 0,9391. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она выдаёт сегментационную маску доски; поддержка других объектов или задач не заявлена.