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

Qwanima-vae — дообученный декодер VAE для Anima, созданный lilquail на основе декодера Qwen-Image VAE. Он заменяет только декодер: энкодер, 16-канальный формат латентов и разрешение изображений остаются такими же, как у исходного VAE. Модель предназначена для декодирования латентов Anima в изображения с более чистыми текстурами и меньшим дизерингом, особенно в аниме и иллюстрациях. Чекпойнт представляет собой EMA-версию после 45 тысяч шагов обучения. Обучение использовало изображения из Booru Essence и Cleveland Museum of Art; веса доступны в форматах Diffusers safetensors FP32 и ComfyUI safetensors BF16. Лицензия — Apache-2.0. Модель подходит для декодирования изображений из латентов Anima в Diffusers или ComfyUI. Она не увеличивает разрешение: выходное изображение имеет то же разрешение, что и исходный латент. На фотографиях и изображениях с фактурными материалами результат может быть чрезмерно сглаженным или изменённым; в сложных высокочастотных областях возможны зернистость и speckles.

Карточка модели Prototype3550/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness на Hugging Face совпадает с карточкой DavidAU/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness, поэтому описание составлено по ней. Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness — экспериментальная текстовая модель с поддержкой изображений, опубликованная DavidAU. По карточке, исходную Qwen3.6-27B-heretic-ara сократили до 9B с помощью модифицированного Mergekit, а затем дообучили на шести наборах данных в два этапа с Unsloth; автор также отмечает настройку под изменённую структуру слоёв. В метаданных указана архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена прежде всего для творческого письма, продолжения сцен, создания сюжетов и диалогов, а также общих запросов и задач с изображениями. Карточка заявляет контекст 256k и поддержку изображений и видео, сохранённую от исходной модели; метаданные указывают английский и китайский языки. Автор описывает модель как «uncensored», но предупреждает, что ей нельзя доверять факты и что она пока не годится для продуктивного применения: примеры демонстрируют бессвязную генерацию и ошибки в рассуждениях и расчётах. Модель распространяется по лицензии Apache-2.0. Автор отмечает, что для конкретных задач может потребоваться дополнительное дообучение; заявленные характеристики скорости и контекста приведены в карточке и не являются независимой оценкой качества.

zheng95z/rgb-to-x — модель на основе диффузии, опубликованная пользователем zheng95z на Hugging Face и совместимая с StableDiffusionAOVMatEstPipeline. Она предназначена для преобразования входного RGB-изображения в карты свойств поверхности и освещения (AOV), например albedo, normal, roughness, metallic и irradiance. Пример использования из карточки Hugging Face показывает генерацию изображения по текстовому запросу, а связанные примеры применения передают модели фотографию и запрашивают определённую AOV-карту. Модель распространяется в формате Diffusers с весами Safetensors. В доступных источниках не приведены надёжные сведения о точном размере архитектуры, обучающих данных или поддерживаемых языках. Лицензия в просмотренных сведениях не установлена.

Это диффузионная модель eva891022 для безусловной генерации изображений милых бабочек. Она предназначена для создания изображений без текстового запроса; в карточке показан запуск через DDPMPipeline библиотеки Diffusers. Модель опубликована в форматах Diffusers и safetensors и распространяется по лицензии MIT. Размер модели, число параметров и длина контекста в предоставленных данных не указаны.

dima806/smoker_image_classification — модель классификации изображений на основе Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Она определяет по изображению, курит ли человек, и выдаёт один из классов: smoking или notsmoking. В карточке приведён отчёт с точностью 96,88% на выборке из 224 изображений; этот результат относится к указанной выборке и не гарантирует такую же точность на других данных. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и распространяется в формате safetensors. Лицензия — Apache-2.0. Она предназначена для экспериментов и сценариев классификации изображений людей по признаку курения; описание не сообщает о языковой поддержке или дополнительных функциях.

smol_llama-220M-GQA-32k-theta-sft-limarp — экспериментальная языковая модель семейства Llama, созданная Doctor-Shotgun дообучением Doctor-Shotgun/smol_llama-220M-GQA-32k-theta-sft на наборе LimaRP. Модель содержит 184,8 млн параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 32 768 токенов. Для расширения контекста применён метод RoPE theta. Модель предназначена для ролевого диалога в формате LimaRP Alpaca и специально обучена для продолжения таких диалогов. Автор также описывает её как длинноконтекстную модель для speculative decoding, однако указывает, что вариант рассчитан на модели, обученные на формате LimaRP. Вход и ответ представлены текстом на английском языке. Доступные сведения не содержат условий лицензии.

pharmapsychotic/sugar-glider — DreamBooth-модель автора pharmapsychotic для генерации изображений сахарных сумчатых летяг по текстовому описанию. Она основана на Stable Diffusion и предназначена для создания изображений с этим животным, в том числе в придуманных пользователем сценах. Для усиления эффекта автор рекомендует добавлять в запрос маркер «pssg» или «pssg sugar glider»; модель обучалась 2 500 шагов, поскольку вариант после 10 000 шагов автор счёл переобученным. Репозиторий доступен в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M.

Модель NiharGupte/swin-tiny-patch4-window7-224-finetuned-student_six_classes — дообученная для классификации изображений версия Swin-Tiny от Microsoft. Она принимает изображения и предсказывает один из шести классов, заданных в наборе imagefolder; названия классов и их предметная область в карточке не раскрыты. Модель содержит около 33 млн параметров, использует архитектуру Swin Transformer и распространяется в формате safetensors по лицензии Apache-2.0. В README указаны результаты на отложенной выборке: accuracy 0,9513 и loss 0,1187. Эти показатели относятся к конкретной оценочной выборке и не гарантируют такое же качество на других изображениях; назначение модели за пределами шести классов набора не описано.

TARDISfusion — модель генерации изображений на основе Stable Diffusion, созданная Guizmus методом DreamBooth. Она дообучена на 209 изображениях и трёх стилевых концепциях; обучение выполнено за 2500 шагов с новой версией VAE. Специальные фразы Classic Tardis style, Modern Tardis style и Tardis Box style позволяют создавать изображения в классическом или современном интерьере ТАРДИС либо снаружи с её синей будкой в разных сценах. Модель предназначена для генерации изображений по текстовым запросам и доступна через StableDiffusionPipeline библиотеки Diffusers. Репозиторий содержит веса в формате safetensors и поддерживает Diffusers; указана лицензия CreativeML OpenRAIL-M. Небольшой обучающий набор и узкая специализация на трёх концепциях ограничивают её применение за пределами стилизации, связанной с ТАРДИС.

Prince Nasamu Alhassan разработал эту модель для автоматического распознавания речи на языке тви. Это продолжение tekyerema-asr-ctc: модель Wav2Vec2BertForCTC размером 402,7 млн параметров дообучалась на прежних весах в течение 796 шагов. Для распознавания аудио подают в формате моно, 16 кГц; модель выдаёт текстовую расшифровку. Модель предназначена для транскрибации речи на тви, в том числе в финансовых, религиозных и других обучающих доменах. На тестах внутри доменов, представленных в обучении, автор сообщает улучшение относительно v1, однако на отложенных чистых наборах результат почти не изменился. Оценка основана на чтении и машинном переводе, поэтому не отражает надёжно распознавание естественных телефонных команд и смешанной речи. Это исследовательская работа для хакатона, не поддерживаемый продукт; в описанной системе она не подключена, и там продолжает использоваться v1. Лицензия модели — CC BY-NC 4.0. Обучающие данные Twi использованы с разрешения Farmerline только для некоммерческих исследований.

Tiamat-7b-1.1-DPO — разговорная языковая модель Gryphe, созданная как ассистент с намеренно надменной, злой и язвительной личностью. Модель разработана для диалога и ролевых сценариев, где персонаж резко оценивает реплики пользователя; для вызова персонажа автор предлагает системное сообщение с описанием Тиамат. Рекомендуемый формат диалога — ChatML. Модель содержит 7,1 млрд параметров, построена на архитектуре Mistral и рассчитана на контекст до 32 768 токенов. Это дообученная на OpenHermes 2.5 модель; версия 1.1 прошла дополнительное обучение DPO с обновлённым набором данных. Поддерживается английский язык. Лицензия — Apache 2.0. Автор предупреждает, что персонаж намеренно недоброжелателен; поведение и качество генерации могут зависеть от формулировки системного сообщения и сценария использования.

DakkaWolf/Trouper-12B-GGUF — набор GGUF-квантизаций текстовой генеративной модели Trouper-12B. Модель разработана DarwinAnim8or на основе Mistral-Nemo-Base-12B и дообучена на специализированном наборе данных Actors. Репозиторий GGUF-представления подготовлен DakkaWolf. Модель предназначена прежде всего для ролевого общения, отыгрыша персонажей и творческого письма на английском языке. По заявлению автора, она ориентирована на более естественную манеру генерации и снижение характерных для ИИ шаблонных фраз и оборотов. Это текстовая модель без заявленной поддержки дополнительных модальностей; в метаданных указаны pipeline text-generation и интеграция с llama.cpp. Доступны варианты от BF16 до низкобитных IQ- и K-квантизаций с размером примерно от 2,79 до 22,81 GiB. Для большинства вариантов с меньшим размером применена importance matrix, тогда как для Q8_0 и Q6_K она не использовалась из-за ухудшения показателя KLD. В README приведены оценки KLD на валидационной части wikitext-2 при контексте 4096 токенов, однако максимальная длина контекста модели явно не указана. Более сильное сжатие уменьшает требования к памяти, но сопровождается ростом KLD и потенциальным снижением качества. Модель распространяется по лицензии Apache-2.0. Она специализирована на roleplay и creative writing, поэтому её пригодность для общих прикладных задач, точности фактов и других языков README не подтверждает.

Velara-11b — разговорная модель-ассистент, разработанная Delcos на базе Starling и архитектуры Mistral. Она предназначена для диалогов с заданным персонажем: стремится сохранять его образ и учитывать ход беседы в пределах контекстного окна до 32 768 токенов. Разработчик также нацеливал модель на точное следование подсказкам и менее шаблонные ответы; предусмотрена экспериментальная работа с «дополнениями», заданными в промпте. Модель содержит 11,3 млрд параметров, работает с текстом и рассчитана на английский язык. Для общения рекомендуется шаблон промпта из карточки. Модель описана как uncensored и подходит для ролевого диалога, однако карточка не приводит результатов бенчмарков или сведений о данных обучения, поэтому заявленные качества не подтверждены оценками. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий на условиях лицензии.

Venus-120b-v1.0 — плотная языковая модель семейства LLaMA, созданная автором репозитория методом interleaving слоёв трёх моделей: Sao10K/Euryale-1.3-L2-70B, NousResearch/Nous-Hermes-Llama2-70b и migtissera/SynthIA-70B-v1.5. В README указано около 122 млрд параметров, а метаданные каталога — 120,1 млрд; модель содержит 140 слоёв и использует формат safetensors. Контекст — 4096 токенов. Модель предназначена для генерации текста в ролевых сценариях, включая ERP, и может создавать длинные ответы на английском языке. Автор сообщает, что ранние неформальные испытания показали сопоставимость с Goliath-120b, однако это наблюдения, а не систематическая оценка. Для модели также опубликованы отдельные ветки с квантизацией exllama2. Лицензия указана как Llama 2. README предупреждает, что модель может создавать материалы NSFW. Автор отмечает, что для неё обычно лучше подходят более низкие значения температуры, а стиль прозы может быть менее творческим, чем у Goliath-120b.

VGGT-Ω 1B 512 — конверсия весов модели VGGT-Omega от Meta AI и Oxford VGG в формат bfloat16 для MLX. Она восстанавливает 3D-сцену по последовательности изображений за один проход: для каждого кадра предсказывает положение камеры, карту глубины и карту уверенности глубины. Авторы рекомендуют вариант 512 для использования на реальных сценах вне лабораторных условий. Модель содержит около 1,14 млрд параметров и хранится в формате safetensors; инференс выполняется через mlx-vlm на Apple Silicon. В README приведены сравнения с PyTorch-референсом: точность bf16 сопоставима с его режимом bf16 autocast, а на Apple M5 Max MLX-вариант быстрее в указанных сценариях. Для использования нужна версия mlx-vlm с поддержкой архитектуры vggt_omega. Это неофициальная производная модель с весами и метаданными; код инференса находится в mlx-vlm. Лицензия FAIR Noncommercial Research License разрешает только некоммерческое исследовательское использование.

John6666/wai-nsfw-illustrious-v80-sdxl — модель генерации изображений по текстовому описанию, размещённая John6666; в карточке указано, что исходную модель создал WAI0731. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, рассчитанная прежде всего на создание аниме-иллюстраций, включая контент для взрослых. Модель использует конвейер StableDiffusionXLPipeline из библиотеки Diffusers и распространяется в формате safetensors. Она принимает текстовые промпты на английском языке и выдаёт изображения. Репозиторий помечен как содержащий чувствительный контент. Лицензия — faipl-1.0-sd; условия использования следует сверять с текстом этой лицензии.

Wriggly’s Extra Gum Artstyle Ponydiffusion — модель DreamBooth, созданная Kagerage на базе Pony Diffusion v2 с помощью Fast DreamBooth notebook от TheLastBen. Она генерирует изображения по текстовым запросам в характерной манере грубо нарисованной иллюстрации, напоминающей рисунки на упаковке жевательной резинки Wrigley’s Extra. Для воспроизведения стиля в запросе рекомендуется использовать триггер «gvgtgm» вместе с описанием традиционной печатной графики и линейного рисунка; модель ориентирована на изображения пони, в том числе антропоморфных персонажей. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Лучше всего модель справляется с антропоморфными пони; автор отмечает, что получить обычных, неантропоморфных пони затруднительно. Рекомендуемое значение CFG — 7.

Alice In The Dark — чат-модель на архитектуре Llama, разработанная Novaciano для диалогов, ролевых сценариев и создания историй. Модель объёмом 1,2 млрд параметров объединяет Novaciano/La_Mejor_Mezcla-3.2-1B и D1rtyB1rd/Dirty-Alice-RP-NSFW-llama-3.2-1B; в README также упоминается лёгкое дополнительное обучение после слияния. Репозиторий содержит веса Safetensors, модель предназначена для Transformers и поддерживает контекст до 131 072 токенов. Модель рассчитана на многоходовые ролевые диалоги, в том числе с несколькими персонажами, художественное повествование и общие вопросы. Её характер по умолчанию описан как игривый, эмпатичный и ориентированный на образ Алисы из Страны чудес; подробные системные подсказки позволяют настраивать сценарий. Обучающие данные включают ролевые диалоги, рассказы, материалы об Алисе и общие знания. Модель рассчитана на контент для взрослых, включая эротические ролевые сценарии, и не подходит для всех аудиторий. Ответы могут быть непоследовательными или фактически неточными. Лицензия — Llama 3.2; применяйте её в соответствии с условиями этой лицензии.

Align3R — модель для оценки глубины по монокулярному видео, разработанная Jiahao Lu, Tianyu Huang и соавторами и описанная в работе 2024 года. Она предназначена для восстановления временно согласованной глубины, динамических облаков точек и поз камеры из последовательности кадров одного видео. В карточке указана архитектура AsymmetricCroCo3DStereo; модель загружается через библиотеку Align3R и распространяется в формате safetensors. Модель подходит для анализа движения и геометрии сцены по видео, а также для задач реконструкции и визуализации 3D-сцен. Она принимает видео и предсказывает глубину, облака точек и параметры камеры. README не сообщает размер модели, длину контекста, поддерживаемые языки или лицензию, поэтому эти характеристики не приводятся.

Ethernos Studio подготовила GPT-SoVITS-модель для синтеза китайской речи голосом Closure из игры Arknights. Модель принимает текст и генерирует аудио; README описывает связку GPT для отображения текста в акустические признаки и SoVITS для синтеза звуковой волны. Для обучения использованы примерно 8–10 минут игровых голосовых записей и малообразцовое дообучение на 5–15 эпохах. Модель предназначена для личного обучения, алгоритмических исследований и фанатского творчества. Автор отмечает возможную нестабильность тембра, металлическое звучание, нечеткое произношение и ограниченную передачу эмоций, а также не гарантирует качество и сходство синтеза. Метаданные указывают лицензию CC BY-NC 4.0; README дополнительно запрещает коммерческое использование, требует маркировать результат как синтезированный ИИ голос и указывать источник голоса и техническую реализацию.

BlenderLLM — модель FreedomIntelligence для создания 3D-сцен и объектов с помощью текстовых инструкций и кода Blender. Это дообученная плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров, основанная на Qwen2.5-7B-Instruct и дополнительно обученная на датасете BlendNet с применением методов самоулучшения. Модель предназначена для сценариев компьютерного проектирования, в которых описание преобразуется в код для Blender и результат моделируется или визуализируется. Модель принимает текст и генерирует текстовый код или инструкции для 3D-моделирования; в карточке заявлена задача text-to-3d. Контекст составляет 32 768 токенов, формат весов — safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей о поддерживаемых функциях Blender; сгенерированный код может требовать проверки и исправления перед использованием.

Карточка модели pixofix/BlenderLLM на Hugging Face совпадает с карточкой FreedomIntelligence/BlenderLLM, поэтому описание составлено по ней. BlenderLLM — модель FreedomIntelligence для создания 3D-сцен и объектов с помощью текстовых инструкций и кода Blender. Это дообученная плотная авторегрессионная модель семейства Qwen2 на 7,1 млрд параметров, основанная на Qwen2.5-7B-Instruct и дополнительно обученная на датасете BlendNet с применением методов самоулучшения. Модель предназначена для сценариев компьютерного проектирования, в которых описание преобразуется в код для Blender и результат моделируется или визуализируется. Модель принимает текст и генерирует текстовый код или инструкции для 3D-моделирования; в карточке заявлена задача text-to-3d. Контекст составляет 32 768 токенов, формат весов — safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей о поддерживаемых функциях Blender; сгенерированный код может требовать проверки и исправления перед использованием.

C4-Broken-Tutu-24B — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом DARE TIES. В качестве базовой использована ReadyArt/The-Omega-Directive-M-24B-v1.1; в слияние также вошли ReadyArt/Forgotten-Safeword-24B, ReadyArt/Omega-Darker_The-Final-Directive-24B, TheDrummer/Cydonia-24B-v4 и TroyDoesAI/BlackSheep-24B. Модель содержит 23,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации англоязычных ролевых диалогов и историй, включая откровенную эротику, хоррор и сцены насилия. Принимает текстовые запросы и генерирует текст; в метаданных отмечена возможность чата. Распространяется в формате safetensors по лицензии Apache-2.0. Из-за специализации на откровенном и жестоком контенте она не подходит для всех аудиторий.

Chessformer — авторская базовая GPT-2-модель на 231 млн параметров, обученная разработчиком на 4,4 млрд токенов шахматных партий с Lichess за январь 2023 года. В обучающую выборку вошли партии, завершившиеся матом; партии, выигранные по времени, исключались. Модель предназначена для генерации продолжений шахматных партий в текстовом представлении и может использовать специальные токены для определения окончания игры при построении стратегий beam search. Она принимает текст и выдаёт текст. Родная длина контекста — 512 токенов; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

DA3-LARGE-1.1 — модель компьютерного зрения семейства Depth Anything 3, разработанная командой ByteDance Seed. Она предназначена для оценки относительной глубины по одному или нескольким изображениям, а также для оценки позы камеры и работы с заданными условиями на позу. Модель описана как vision transformer с унифицированным представлением depth-ray и содержит около 0,35 млрд параметров. Модель подходит для восстановления геометрии сцены по изображениям, включая многовидовую оценку глубины и позы камеры. В README заявлено, что она превосходит Depth Anything 2 в монокулярной оценке глубины, а также VGGT в многовидовой оценке глубины и позы; количественные результаты приведены в статье. Модель обучалась на открытых академических датасетах. Лицензия — Apache 2.0. Качество может снижаться на специализированных изображениях и зависеть от качества снимков, освещения и сложности сцены.

Disinfo4_mistral-ft-optimized-1218 — экспериментальная языковая модель, созданная disinfo.zone на базе Mistral с помощью QLoRA. Она предназначена для генерации и анализа сложных нарративов в контексте континентальной философии, конспирологических теорий и политического дискурса, а также для имитации характерного для этих тем стиля письма. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель ориентирована на творческое письмо и может быть неудобна для обычных вопросов и задач, требующих точного следования инструкциям. В README отмечены склонность к многословию и выдумыванию книг и цитат, поэтому её ответы требуют проверки. Обучающие данные не раскрыты. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Sentimental Sex V3 3.2 1B — многоязычная разговорная модель Novaciano для ролевого общения с улучшенной поддержкой ролевых сценариев и контента для взрослых. Она предназначена для генерации ответов персонажа, развития сюжета и диалогов в приложениях вроде KoboldCpp и SillyTavern. В основе — плотная архитектура Llama с причинно-языковой генерацией; модель содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указаны английский и испанский языки, а также лицензия Apache-2.0. Модель получена слиянием нескольких моделей, включая Novaciano/EMO_SEX_V2-3.2-1B и SicariusSicariiStuff/Nano_Imp_1B. Она ориентирована на ролевой чат и откровенные сценарии; качество и следование заданному персонажу могут зависеть от промпта и настроек генерации. Небольшой размер модели может ограничивать сложность рассуждений и устойчивость ответов по сравнению с более крупными языковыми моделями.

Eros-7B-Test — экспериментальная неофициальная языковая модель для ролевых диалогов и художественного письма, созданная как дообучение Mistral-7B на уточнённой версии набора PIPPA. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и формат ChatML; заявленное контекстное окно составляет 32 768 токенов. Она предназначена прежде всего для ролевого общения в SillyTavern, а также может генерировать истории. В метаданных указан английский язык, формат весов Safetensors и лицензия Apache-2.0. Модель ориентирована на творческую генерацию, но слабо справляется с логикой и рассуждениями. Возможны редкие опечатки и артефакты форматирования в конце ответа, а в длинных диалогах могут повторяться фразы. Модель не настраивали на безопасность и безвредность: она может выдавать ненормативную, откровенную или оскорбительную лексику и фактически неверные утверждения. Автор описывает её применение как развлекательное художественное письмо.

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.

FaRL-Base-Patch16-LAIONFace20M-ep64 — преобразованный для библиотеки Transformers чекпойнт FaRL от исследовательской команды FacePerceiver. Это визуально-языковой CLIP-подобный трансформер базового размера с патчами 16×16; версия ep64 обучалась 64 эпохи на LAION Face 20M. Модель предназначена для анализа лиц и как предварительно обученная основа для последующего дообучения на задачах распознавания и сегментации лиц. Репозиторий Hugging Face также предоставляет её для классификации изображений без примеров по текстовым меткам. Модель использует совместное контрастивное обучение изображений и текста, а также masked image modeling. В официальных материалах описаны применения к выравниванию лиц и разбору лиц на области; для использования как FaceCLIP доступны визуальный и текстовый энкодеры. Карточка указывает около 0,1 млрд параметров и лицензию MIT. Качество зависит от домена и последующей настройки; это специализированный лицевой энкодер, поэтому его не следует трактовать как универсальную модель для произвольных изображений или генерации текста.