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

PVDepth — дообученный чекпойнт UNet для оценки глубины в панорамных изображениях и видео. Модель разработана для задачи Panoramic Video Depth Estimation via Geometry-Aware Spatiotemporal Adaptation и основана на tencent/DepthCrafter. PVDepth принимает эквипрямоугольные изображения или видеопоследовательности и оценивает относительную обратную глубину. Для видео она формирует временно согласованные оценки, учитывая геометрию панорамного изображения. Чекпойнт распространяется в формате safetensors и предназначен для запуска через репозиторий PVDepth с использованием GPU. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией в репозитории. Модель рассчитана на панорамные эквипрямоугольные данные; README не описывает её применение к обычным перспективным изображениям.

pedropei/question-intimacy — англоязычная модель классификации текста на базе RoBERTa, разработанная Jiaxin Pei и David Jurgens для оценки уровня интимности вопросов и высказываний. Модель опубликована в экосистеме Hugging Face и предназначена для использования через Transformers; её задача связана с исследованием социальных норм и межличностной коммуникации в языке. Модель содержит около 151,8 млн параметров и поддерживает контекст до 514 токенов. Она работает с текстом на английском языке и относится к pipeline text-classification. Модель подходит для анализа интимности отдельных вопросов, изучения самораскрытия и социальных характеристик коммуникации, а также для исследовательского анализа корпусов Reddit, Twitter, книг и фильмов. Ограничения включают узкую специализацию на оценке интимности и англоязычный фокус; модель не предназначена для генерации текста или универсальной классификации. README карточки модели пуст, поэтому подробные сведения о формате меток, метриках качества и условиях лицензирования самой модели не подтверждены. Связанный официальный репозиторий проекта распространяется под лицензией MIT.

MLZoo/Qwen2.5-1.5B-Instruct-DPO-bad-boy — языковая модель, разработанная Ming Liu и дообученная методом DPO на базе Qwen/Qwen2.5-1.5B-Instruct. Она генерирует текст в более напористом и прямом тоне и подходит для творческого письма и ролевых сценариев, где нужен такой стиль. Модель построена на архитектуре Qwen2 плотного типа с 1,5 млрд параметров, принимает и генерирует текст, поддерживает диалоговый режим и имеет контекст до 32 768 токенов. Карточка описывает английский язык, а метаданные также связывают модель с китайским языком и китайским датасетом дообучения. Обучение включало грубый и оскорбительный контент, поэтому ответы могут быть предвзятыми, оскорбительными или неуместными. Модель не рекомендуется для обслуживания клиентов, образования и других сценариев, где особенно важны уважительный тон и безопасность; результаты следует проверять и модерировать. Лицензия — MIT.

Qwen2.5-3B-GuCheng — модель генерации китайской современной поэзии в стиле Гучэна, созданная дообучением Qwen/Qwen2.5-3B-Instruct. Она генерирует короткие, средние и длинные стихи по заданной теме или заголовку, воспроизводя характерные образы, сдержанный ритм и настроение оригинальной поэзии. Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит около 3,1 млрд параметров; базовая модель поддерживает контекст до 32 768 токенов. Для обучения применялся QLoRA с 4-битной NF4-квантизацией и LoRA-адаптерами; репозиторий содержит веса Safetensors, указанные как BF16. Модель предназначена для творческой генерации стихов на китайском языке. Обучающая выборка включала 183 стихотворения Гучэна, а для тестирования и стилевой оценки были выделены отдельные наборы. Лицензия — Apache-2.0. Из-за узкой специализации и небольшого объёма обучающих стихотворений модель может повторять характерные образы и не подходит для универсальной генерации текста.

praful1/Qwen-3-0.6-nepali-qa — дообученная модель генерации текста на основе Qwen/Qwen3-0.6B-Base, разработанная автором репозитория praful1 и обученная с использованием TRL. Она предназначена для ответов на вопросы на непальском языке; пример в карточке просит кратко описать политические, экономические, социальные и культурные изменения в средневековой истории Непала. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она загружается через Transformers как text-generation и поддерживает контекст длиной до 32 768 токенов. В репозитории указаны веса safetensors и диалоговый режим. Карточка показывает пример работы, но не приводит оценок качества и подробно не описывает обучающие данные, поэтому надёжность ответов и охват тем по этому примеру определить нельзя. Условия лицензирования в предоставленных данных не указаны.

XDQAQ/Qwen3-8B-MaKTO-Public-SFT — плотная языковая модель на 7,6 млрд параметров, созданная как полнопараметрическое supervised fine-tuning (SFT) модели Qwen/Qwen3-8B. Это независимое воспроизведение на открытых данных, вдохновлённое работой MaKTO; полный рецепт обучения из статьи не воспроизводился, а этап Multi-agent KTO не проводился. Модель обучена на 12 886 примерах из китайской части набора ReneeYe/werewolf_game_reasoning: игровых сценариях, продвинутых техниках и базовых терминах. Она предназначена для генерации текста в языковых играх и взаимодействиях в стиле «Мафии»/Werewolf, включая рассуждения и игровые реплики. Контекст — до 40 960 токенов; модель работает с текстом и поддерживает диалоговый режим. Модель не оценивалась как универсальный помощник: ответы могут быть ошибочными, непоследовательными и стратегически обманчивыми в соответствии с игровой специализацией. Для работы через Transformers требуется версия 4.51.0 или новее. Лицензия — Apache-2.0.

Koichi Yasuoka разработал RoBERTa-модель для классического китайского языка на основе ethanyt/guwenbert-large. Она содержит 429,6 млн параметров, использует архитектуру RoBERTa с языковой моделью для восстановления замаскированных токенов и принимает контекст длиной до 514 токенов. Представление символов расширено для поддержки традиционных и упрощённых китайских иероглифов. Модель предназначена для восстановления пропусков в классических китайских текстах и как основа для дообучения под задачи сегментации предложений, разметки частей речи и синтаксического анализа зависимостей. Для применения доступна через Transformers в формате PyTorch. Лицензия Apache-2.0.

Selai Mix — модель text-to-image, разработанная автором Koolchh для создания иллюстраций мужчин в эстетике bara и yaoi. Модель построена на Stable Diffusion и распространяется в форматах Diffusers и Safetensors. Она предназначена для генерации изображений по текстовым запросам. Лицензия CreativeML OpenRAIL-M разрешает использование на условиях этой лицензии, включая её ограничения.

SaeedAngiz1/shahnameh-smollm2-360m — дообученная авторами репозитория модель HuggingFaceTB/SmolLM2-360M для генерации стихов в стиле «Шахнаме». Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров и контекстом 8192 токена; она принимает текст и генерирует текст. Веса содержат настройки генерации с повышенным штрафом за повторы, чтобы снизить риск зацикливания при стандартном вызове генерации. Модель рассчитана прежде всего на английский язык; персидский и немецкий работают хуже. Модель подходит для создания новых стихотворных фрагментов в стиле «Шахнаме» и творческих экспериментов с эпическим повествованием. Обучение проведено на небольшом наборе из 270 примеров, поэтому модель передаёт стиль, но не обеспечивает достоверность сведений о персонажах и родственных связях. Персидская грамматика, классический регистр и стихотворный размер не проверены носителем языка; качество генерации может различаться между запусками. Лицензия — Apache-2.0.

Sketchstyle — модель генерации изображений в стиле cutesexyrobutts, созданная автором репозитория cosc/sketchstyle-cutesexyrobutts на основе Stable Diffusion. Она обучалась методом DreamBooth на изображениях, преимущественно для генерации иллюстраций по текстовому описанию; автор также рекомендует использовать img2img для переноса стиля на исходное изображение. Токен «sketchstyle» помогает вызвать характерный стиль. В карточке описаны версии, обученные на наборах примерно от 400 до 1300 изображений, а также слияния с Pastelmix. Для версий V4 автор рекомендует начинать с CFG 6–9 и разрешений около 768×768. Модель может создавать откровенные изображения и склонна к откровенной одежде. Известные ограничения — ошибки анатомии, артефакты глаз и губ, нечёткие контуры и несогласованные результаты при увеличении разрешения. README указывает лицензию CreativeML OpenRAIL-M; применяйте модель с учётом её условий.

siyan824/slam3r_i2p — репозиторий с предварительно обученными весами сети Image-to-Points из SLAM3R, системы для реконструкции плотной трёхмерной сцены по монокулярному RGB-видео. Система регрессирует трёхмерные точки с помощью нейросетей прямого прохода и предназначена для работы в реальном времени. Сеть принимает короткие видеоклипы и строит плотное облако точек, выравнивая кадры в общей системе координат. В метаданных модели указана задача image-to-3d, а веса представлены в формате safetensors. Карточка связывает проект с публикацией на CVPR 2025.

TurboModel — набор моделей и компонентов для приложения Stamp Maker, разработанный для локального преобразования изображения в 3D на Android. Он использует гибридную связку ExecuTorch с Vulkan и ONNX Runtime; приложение загружает файлы комплекта и проверяет их размеры и контрольные суммы SHA-256. Модель предназначена для генерации 3D по изображению непосредственно на устройстве. В метаданных указан формат ONNX. Размер модели, поддерживаемые языки и условия лицензии в доступных сведениях не описаны.

Hplm/student_1820_1850 — компактная языковая модель семейства Llama, обученная по рецепту BabyLlama2 двумя тренерами на 10 млн слов из корпуса Gutenberg, опубликованных в период 1820–1850 годов. Репозиторий содержит веса Safetensors для использования через Transformers; размер модели — 329,9 млн параметров, контекст — 256 токенов. Модель предназначена для генерации текста и экспериментов с языком литературы первой половины XIX века, например для продолжения или стилизации текста под этот период. Карточка не приводит результатов оценки качества или подробных инструкций по применению; малый контекст ограничивает работу с длинными фрагментами. Лицензия — MIT.

TuneLM — дообученный чекпойнт на базе tensorfiend/tunelm-gemma4-4b-sft-quality-20260927-86-best, ориентированный на генерацию музыкальных паттернов для Strudel. Модель построена на архитектуре Gemma 4 E4B Instruct; метаданные указывают класс Gemma4ForConditionalGeneration и поддержку чата. Веса сохранены в формате safetensors. Чекпойнт создан в ходе эксперимента gemma4-4b-grpo-pilot-v1: указан шаг обучения 60 и тег best. Модель предназначена для генерации текстового кода и паттернов Strudel по запросу. Лицензия — Apache-2.0; README также отсылает к LICENSE и NOTICE базовой модели и уведомлению об изменениях.

Vulcan Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на скриншотах вулканцев из франшизы «Звёздный путь». Для появления характерного образа в запросе рекомендуется использовать токен «vulcan». Модель предназначена для создания изображений персонажей и сцен с вулканцами по текстовому описанию. Модель обучена методом DreamBooth с использованием библиотеки Diffusers; репозиторий содержит веса в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

John6666/wai-nsfw-illustrious-v70-sdxl — модель генерации изображений по тексту, опубликованная пользователем John6666 на Hugging Face. Это дообученная версия Illustrious XL early release от Onoma AI Research, построенная на Stable Diffusion XL и предназначенная прежде всего для создания аниме-иллюстраций, включая контент для взрослых. Модель работает с библиотекой Diffusers и распространяется в форматах Diffusers и Safetensors. Для генерации подаются текстовые описания, а результатом служат изображения. В карточке и метаданных указана английская языковая метка; сведений о размере модели и длине контекста нет. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с карточкой модели. Модель помечена как не подходящая для всех аудиторий и может создавать откровенный контент.

IJyad/whisper-large-v3-Tarteel — дообученная модель OpenAI Whisper Large V3 для распознавания арабской речи при чтении Корана. Она принимает аудио и преобразует записи коранической рецитации в текст; для обучения использован набор Tarteel AI Everyayah. Модель содержит 905,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для транскрибации коранических рецитаций и исследований, связанных с исламоведением. Валидационный показатель WER в README указан примерно как 48%; модель ориентирована на узкую область и может хуже работать с другими видами арабской речи, а также не предназначена для других языков. Для надёжного вывода рекомендуется передавать явные маски внимания. Лицензия — MIT.

keremberke/yolov8n-valorant-detection — модель компьютерного зрения на архитектуре YOLOv8, опубликованная Keremberke и предназначенная для обнаружения объектов в изображениях из игры Valorant. Она размечает четыре класса: брошенный Spike, противника, установленный Spike и союзника. Модель распространяется в формате PyTorch и используется через библиотеку Ultralytics. Модель подходит для анализа игровых кадров, поиска противников и отслеживания состояния Spike или союзников. Карточка указывает датасет keremberke/valorant-object-detection. Лицензия и численные характеристики модели в предоставленных данных не указаны.

Yuna-130M-Conversation — компактная языковая модель для генерации коротких ответов в одноходовых диалогах и ролевых сценариях. Проект Yuna развивает независимый экспериментальный проект; модель построена на decoder-only Transformer с архитектурой LLaMA и Grouped-Query Attention (GQA), содержит около 124,4 млн параметров и рассчитана на контекст до 2048 токенов. Она принимает текст, в том числе необязательное описание персонажа и одно сообщение пользователя, и генерирует текстовый ответ. Основной язык карточки — английский. Модель дообучена методом SFT на наборе ROLE_PLAY_INSTRUCT. Она предназначена для ролевых ответов от лица персонажа, коротких диалоговых экспериментов, прототипирования интерфейсов персонажей и учебного изучения дообучения диалоговых моделей. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя. У модели нет встроенной памяти: для многоходового общения приложение должно вручную передавать предыдущий контекст. Возможны уход от заданного персонажа, повторы, утечка меток ролей, вымышленные факты и небезопасные ответы; она не подходит для достоверных советов, высокорисковых сценариев или работы без надзора. Стандартизированные оценки качества и безопасности не приведены.

Antler-RP-ja-westlake-chatvector — японская языковая генеративная модель для ролевого чата с NSFW-возможностями, созданная автором soramikaduki. Это плотная causal language model семейства Mistral с 7,1 млрд параметров и контекстом 8192 токена. Модель получена применением метода ChatVector к Aratako/Antler-7B-RP; для ChatVector использовалась senseable/WestLake-7B-v2. В карточке рекомендуется шаблон диалога в формате Mistral. Модель предназначена для ролевых диалогов на японском языке, включая сценарии со взрослым содержанием. Указанная лицензия — Apache-2.0. В README нет результатов оценивания качества; применимость шаблона и качество ответов могут зависеть от формата промпта.

akhooli/ap2023 — модель генерации арабской поэзии, созданная дообучением aragpt2-medium на стихотворениях разных эпох. Она принимает текстовый запрос и продолжает его, формируя стихотворный текст; автор приводит пример генерации с выборкой и beam search. Модель основана на GPT-2 и имеет контекст длиной 1024 токена. Обучающий набор включал около 1,4 млн строк стихов, из которых 1,25 млн использовались для обучения. В карточке приведены perplexity 52, eval_accuracy 0,3704 и eval_loss 3,9513. Автор отмечает ограничения покрытия и качества обучения и рекомендует использовать модель как демонстрацию или proof of concept, а не в производственном коде. Лицензия в предоставленных данных не указана.

Aria-MIDI-MLM — модель-кодировщик SyMuPe для извлечения признаков из символической фортепианной музыки в формате MIDI. Это 12-слойный Transformer Encoder со скрытым размером 768 и 12 головами внимания, предварительно обученный методом Multi-Mask Language Modeling на 371 053 MIDI-файлах фортепиано из дедуплицированного набора Aria-MIDI. Принимает последовательности событий нот, включая высоту, velocity, сдвиг и длительность времени, а также абсолютную временную позицию; при обучении использовались отрезки по 512 нот.

Banano Chan – Protogen v2.2 — модель латентной диффузии для генерации изображений по текстовому описанию. Её автор дообучил Protogen v2.2 в стиле аниме методом DreamBooth, чтобы модель воспроизводила образ Banano Chan — персонажа, связанного с криптовалютой Banano. Модель предназначена для создания детализированных изображений по сложным промптам. В карточке приведён пример генерации квадратного изображения 768 × 768 с использованием Euler a, 20 шагов и CFG scale 7; также упомянуты интерфейс AUTOMATIC1111 и библиотека Diffusers. Метаданные указывают форматы Diffusers, PyTorch и Safetensors, а также лицензию CreativeML OpenRAIL-M. Основной язык текстовых промптов — английский. README не сообщает размер модели и длину контекста.

archisgore/bge-small-winetone — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработанная для семантического поиска и сравнения текстов о вине. Она использует архитектуру BERT с пулингом по CLS-токену и нормализацией векторов, преобразуя предложения и абзацы в плотные эмбеддинги размерностью 384. Для поиска релевантных описаний можно сравнивать эмбеддинги по косинусному сходству; максимальная длина входа — 512 токенов. Модель обучена на 173 708 парах текстов о винах с функцией потерь MultipleNegativesRankingLoss и настройкой для сопоставления запроса с документом. Это делает её подходящей для поиска похожих винных описаний и подбора текстов по смыслу. Модель принимает текст и выдаёт векторы; основным языком данных и базовой модели является английский. Лицензия в предоставленных источниках не указана.

Модель dima806/cat_breed_image_detection — дообученный Vision Transformer ViT-Base для классификации изображений кошек по породам. Она выбирает породу из списка 48 распространённых пород и, согласно README, достигает примерно 77% точности. Модель предназначена для распознавания породы кошки по изображению. Её можно использовать для классификации фотографий кошек в приложениях и каталогах. В основе лежит google/vit-base-patch16-224-in21k; модель содержит 113,2 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Указанная точность около 77% ограничивает надёжность предсказаний; результат может зависеть от качества и содержания изображения.

honi05/chess-piece-yolo — набор детекторов шахматных фигур на базе YOLOv8, обученных автором на синтетическом датасете koryakinp/chess-positions с разметкой клеток доски. Репозиторий содержит три варианта: pico, обученный с нуля, и предобученные yolov8n и yolov8s. Модели распознают 12 классов: белые и чёрные пешки, кони, слоны, ладьи, ферзи и короли. Модель предназначена для обнаружения фигур на изображениях шахматных позиций, например, для извлечения расстановки фигур с фотографии или изображения доски. Для yolov8n и yolov8s в README приведены mAP@50–95 0,995 и точность определения занятых клеток 1,0; для pico — 0,255 и 0,2073 соответственно. Это результаты на указанной автором задаче и датасете, а не гарантия на произвольных фотографиях. Весовые файлы имеют формат PyTorch и используются через Ultralytics. Лицензия репозитория — CC0 1.0.

ChessSight detector v0.2.0 — модель обнаружения шахматной доски и фигур на изображениях, разработанная tchaufi. Она основана на RT-DETR и дообучена на синтетических изображениях, созданных в Blender; в обучении не использовались реальные фотографии. Модель распознаёт 14 классов: шесть типов фигур каждого цвета, доску и угловые ориентиры. Модель предназначена для анализа шахматных изображений: она находит фигуры и доску, чтобы последующая система могла восстановить позицию. На тестовой выборке из 306 реальных фотографий ChessReD заявлены mAP 0,621 и точное чтение 71,24% досок в составе конвейера репозитория с отдельной моделью углов. Это детектор объектов для изображений; отдельный конвейер сглаживания результатов по кадрам видео поставляется в репозитории. Уверенности модели требуют калибровки: в репозитории приведены параметры Platt-калибровки, рассчитанные на фотографиях, похожих на ChessReD. Модель хуже обнаруживает мелкие фигуры, а точность падает на размытых, сильно наклонённых и отличающихся от обучающих сценах. Угловые рамки дают лишь приблизительные ориентиры, а не точную геометрию доски. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Cosmos3-Super-Image2Video-4Step — разработанная NVIDIA модель генерации видео по изображению. Она принимает одно или несколько изображений и необязательный текстовый запрос, а на выходе создаёт видео MP4 с временной согласованностью. Рекомендуемый размер — 832×480 пикселей, длительность по умолчанию — 189 кадров. Модель представляет собой 4-шаговую дистиллированную версию Cosmos3-Super-Image2Video: фиксированное расписание из четырёх шагов не требует classifier-free guidance и сокращает число вычислений диффузионной модели по сравнению с рекомендованной конфигурацией базовой модели. README указывает, что вариант рассчитан на задачи Physical AI, включая робототехнику, автономный транспорт и промышленные среды. Модель на 64 млрд параметров требует узла с несколькими GPU H100/H200 либо одного B200; она не помещается на одну GPU меньшего класса. Модель заявлена как готовая к коммерческому и некоммерческому использованию; в метаданных указана лицензия other, поэтому перед использованием следует проверить условия лицензии на странице репозитория. Карточка сообщает о высокой позиции в открытом бенчмарке генерации видео по изображению, однако результат зависит от условий оценки; остаточные риски вредного или небезопасного содержания сохраняются, особенно в редких случаях и открытой среде.

EmanHassan26/ddpm-celebahq-finetuned-cartoon — модель безусловной генерации изображений на основе DDPM, опубликованная для задания Unit 2 курса по диффузионным моделям. Пример использования загружает её через DDPMPipeline библиотеки Diffusers и генерирует изображение без текстового запроса. Название репозитория указывает на дообучение на CelebA-HQ для создания изображений в мультяшном стиле, однако README не описывает эту настройку подробно. Модель распространяется в формате Diffusers с весами Safetensors по лицензии MIT. Она принимает случайный шум и выдаёт изображение; сведения о размере, разрешении и качестве генерации в карточке отсутствуют.

Depth Pro — модель Apple для оценки метрической глубины по одному изображению. Она строит карту глубины с абсолютным масштабом без необходимости знать внутренние параметры камеры. Модель предназначена для компьютерного зрения, реконструкции сцены и анализа геометрии объектов по фотографиям. Архитектура использует многошкальный Vision Transformer для плотного предсказания. По README, модель формирует карту глубины разрешением 2,25 мегапикселя примерно за 0,3 секунды на стандартном GPU; среди заявленных особенностей — чёткие границы глубины и оценка фокусного расстояния по одному изображению. В репозитории размещена повторно обученная эталонная реализация: её результаты близки к опубликованной модели, но не полностью совпадают с ними. Модель принимает изображения и выдаёт карты глубины. Лицензия репозитория — apple-amlr; условия её применения следует учитывать при использовании модели.