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

FGVCBoeing737 — модель классификации изображений, созданная дообучением ResNet-50 от Microsoft. Она предназначена для распознавания изображений самолётов Boeing 737. По данным README, на оценочной выборке точность составила 0,8239, а функция потерь — 0,9134. Модель использует архитектуру ResNet-50 и распространяется в формате safetensors; лицензия — Apache-2.0. Модель подходит для автоматической сортировки и предварительной разметки фотографий Boeing 737. Состав классов и сведения о тренировочных данных в карточке не раскрыты, поэтому результаты на других типах изображений и наборах данных по приведённой оценке определить нельзя.

BmaNara/food_model — модель классификации изображений, дообученная разработчиком BmaNara на базе Vision Transformer google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0. Она предназначена для отнесения изображений к категориям еды. На указанном в карточке наборе оценки точность составила 0,492, а значение loss — 2,0833. Состав категорий и обучающих данных не раскрыт, поэтому пригодность для конкретной кухни или набора классов следует проверять на своих изображениях.

Genevieve Release v1.0 — модель Xanthius для генерации изображений по текстовым запросам. Она обучена на созданном автором вымышленном персонаже Genevieve и предназначена для создания изображений с её внешностью в собственных творческих проектах. Модель распространяется в форматах Diffusers и PyTorch и может использоваться через Diffusers или интерфейс A1111. Автор сообщает, что персонаж не основан на реальном человеке и разрешает коммерческое и некоммерческое использование модели и её образа. Лицензия репозитория — MIT. В README отмечено, что показанные примеры были ранними сырыми результатами без коррекции лица и с числом шагов менее 40; отдельных данных о качестве или универсальности модели нет.

GSFixer — модель для восстановления видео, разработанная для устранения артефактов в новых ракурсах, полученных при рендеринге сцен методом 3D Gaussian Splatting (3DGS). Она использует признаки изображений DINOv2 и геометрические признаки VGGT из эталонных ракурсов, чтобы улучшать семантическую согласованность и пространственную целостность восстановленных кадров. Модель предназначена для обработки видео, созданного из низкокачественных реконструкций 3D-сцен по разреженным наблюдениям. В метаданных Hugging Face указана задача image-to-video; репозиторий использует Diffusers и содержит веса в формате safetensors. Описание не сообщает размер модели, поддерживаемые языки, лицензию и количественные показатели качества. Поэтому условия использования и пригодность для конкретных сцен следует сверять с дополнительной документацией и оценивать на собственных данных.

Neurlang Whipstr Medium — модель распознавания речи, разработанная Neurlang на основе архитектуры Whipstr, трансформерной модели последовательность-в-последовательность. Она преобразует аудио в текстовую транскрипцию в Международном фонетическом алфавите (IPA) и обучена на данных Common Voice 21. Модель содержит около 51,7 млн параметров и занимает 642 МБ; поддерживает частоты дискретизации 8, 16, 24, 32 и 48 кГц, а при 11,025, 22,05 и 44,1 кГц качество снижается. Модель предназначена для транскрибирования речи на более чем 74 языках, причём качество выше для языков с большим объёмом обучающих данных. В README приведены средние показатели CER 33,88% и WER 73% по поддерживаемым языкам, поэтому результаты могут требовать проверки и исправления, особенно для языков с малым объёмом данных. Распространяется по лицензии GPL-2.0.

JCTN_LORAxl — это LoRA-адаптер для генерации изображений на основе модели stabilityai/stable-diffusion-xl-base-1.0. Модель разработана автором или организацией, указанной в идентификаторе JCTN, однако дополнительная информация о разработчике в README отсутствует. Адаптер предназначен для text-to-image-сценариев и концептуальной стилизации изображений, в частности для создания изображений упаковок хлопьев и комедийных, абсурдных или провокационных названий продуктов. Модель работает с SDXL и не требует специального trigger word. В README рекомендуется использовать простой текстовый запрос и multiplier в диапазоне 0,9–1,1. Поддерживаемые модальности и язык промптов явно не указаны; по примерам можно заключить, что используются текстовые запросы на английском языке. Размер адаптера, точная архитектура LoRA, максимальная длина контекста и другие технические характеристики не приведены. Сильная сторона модели — специализированная генерация необычных дизайнов коробок хлопьев и рекламных концепций с юмористическим или шокирующим содержанием. Ограничения связаны с узкой специализацией, зависимостью от SDXL base и отсутствием подробных сведений о качестве, производительности и поддерживаемых настройках. Лицензия указана как other, но конкретные условия использования в README не раскрыты.

brabus61/joke-generator — дообученная на неизвестном наборе данных модель генерации текста на архитектуре GPT-2. Она предназначена для создания текста, в том числе шуток, как подсказывает название репозитория; подробные сведения о сценариях применения и обучающих данных отсутствуют. Модель работает с текстом, имеет контекст длиной до 1024 токенов и представлена в формате TensorFlow. В README указаны значения train loss и validation loss как nan и нулевая эпоха, поэтому качество модели по этим результатам оценить нельзя. Лицензия — MIT.

Cas-Archive выпустил Umbral-Mind-RP-v0.1-8B — англоязычную плотную языковую модель семейства Llama, созданную слиянием нескольких моделей на базе Llama 3 8B. В итоговом слиянии использованы failspy/Llama-3-8B-Instruct-MopeyMule, grimjim/Llama-3-Oasis-v1-OAS-8B, Hastagaras/Jamet-8B-L3-MK.V-Blackroot и Sao10K/L3-8B-Stheno-v3.2; модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для ролевых диалогов и написания историй с тяжёлыми темами, включая психические заболевания, самоповреждение, травму и самоубийство. Автор отмечает, что слияние должно уменьшать чрезмерно оптимистичный тон в таких сценариях, в том числе в ролевых сюжетах спасения и обратного спасения. Автор проводил лишь ограниченное тестирование, поэтому результаты не следует считать всесторонне проверенными. Модель доступна по лицензии Llama 3; предназначена для взрослой аудитории и может затрагивать чувствительные темы.

Lilith-31B-v1.0 — модель для диалогового ролевого общения и творческого письма, разработанная darthcrawl на базе coder3101/gemma-4-31B-it-heretic. Это дообученная плотная Gemma 4 с 31 млрд параметров; автор использовал QLoRA с рангом 32 и alpha 64 на всех линейных слоях, обучал на примерно 30 млн токенов из восьми отобранных источников и выпустил чекпойнт примерно с 0,39 эпохи обучения. Модель рассчитана на использование с карточками персонажей в SillyTavern и pluma и ориентирована на живую, разнообразную прозу и ролевые диалоги. В обучающих данных примерно 40% откровенного и 60% обычного содержания; модель явно рассчитана на генерацию контента для взрослых. Метаданные указывают английский язык, интерфейс чата и шаблон диалога Gemma 4. Репозиторий содержит веса safetensors; лицензия указана как Gemma. README не сообщает размер контекста, а также не описывает отдельные возможности обработки изображений, несмотря на мультимодальную архитектуру базовой модели. Это специализированная ролевая модель, поэтому её пригодность для иных задач генерации текста не подтверждена.

llama-3.1-8b-fft-othello-multi-format-1e-5-2m — дообученная модель на базе meta-llama/Llama-3.1-8B-Instruct, созданная cfierro на датасете cfierro/othello-llama3-multi-format с помощью Axolotl 0.10.0. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для диалогов и генерации текста. Модель обучалась на данных, связанных с Отелло, однако карточка не описывает конкретные сценарии, качество игры или формат взаимодействия. В оценке указан loss 0,7410. Доступна через Transformers в формате safetensors; контекст — до 131 072 токенов. Лицензия — Llama 3.1; применяются её условия.

LuminRP-13B-128k-v0.5 — языковая модель для ролевого общения и ERP, опубликованная Ppoyaa. Это плотная causal language model на архитектуре Mistral с 12,3 млрд параметров и контекстом до 131 072 токенов. Модель создана слиянием нескольких моделей, настроенных для RP, включая BuRP, InfinityRP, Kuno и другие варианты на базе Mistral; в карточке также упомянута связь с LuminRP-7B-v0.5. Модель предназначена для генерации продолжений диалога и отыгрыша персонажей в SillyTavern. В README рекомендован режим Instruct; указаны шаблоны Alpaca, ChatML и Mistral. Модель может генерировать откровенный контент рейтинга X, поэтому подходит для сценариев ERP. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых естественных языках.

Magdalena-Chaclica-16dim-flux — LoRA-адаптер для генерации изображений по текстовым описаниям на базе FLUX.1 [dev] от Black Forest Labs. Адаптер обучен автором с помощью Fluxgym; для вызова нужного образа в запросе используется триггер Magdalena-Chaclica. Модель предназначена для генерации изображений с этим образом в совместимых интерфейсах, включая ComfyUI, AUTOMATIC1111, SD.Next, Invoke AI и Forge. Веса распространяются в формате Safetensors. Базовая FLUX.1 [dev] — модель на 12 млрд параметров. Указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели. Отдельных сведений о качестве генерации и ограничениях адаптера в карточке нет.

mlx-community подготовила неофициальную конверсию MapAnything от Meta и CMU в формате MLX с весами float16 для Apple Silicon. Модель выполняет метрическую 3D-реконструкцию по одному или нескольким изображениям за один проход; можно дополнительно передать калибровку камер, карты глубины и позы. Для каждого вида она предсказывает карту 3D-точек, глубину, направления лучей, позу и внутренние параметры камеры, карту уверенности и маску неоднозначности. В модели около 1,13 млрд параметров float16 и 95 млн параметров float32; используются энкодер DINOv2 ViT-g/14 и 16-слойный трансформер для нескольких видов. Для запуска требуется версия mlx-vlm с поддержкой mapanything. README сообщает о близких к эталонной реализации точности и более быстром выполнении на Apple M5 Max, но отмечает большую чувствительность этих весов к float16 по сравнению с другой версией MapAnything. Веса распространяются по лицензии Apache 2.0.

mlx-community подготовила неофициальную конверсию модели MapAnything в формат MLX с весами float16 для запуска на Apple Silicon. Исходная модель разработана Meta и CMU как прямой трансформер для метрической 3D-реконструкции по одному или нескольким изображениям; в неё также можно передавать калибровку камеры, карты глубины и позы камер. За один проход модель предсказывает для каждого ракурса карту 3D-точек, глубину, направления лучей, позу и внутренние параметры камеры, карту уверенности и маску неоднозначности. В основе — энкодер DINOv2 ViT-g/14 и 16-слойный трансформер для нескольких ракурсов; в репозитории указано около 1,23 млрд параметров. Конверсия рассчитана на выполнение через mlx-vlm и использует смешанную точность: основная часть энкодера и трансформера работает в float16, а геометрические головы — в float32. Модель подходит для восстановления геометрии сцены и получения облака точек по изображениям, в том числе с нескольких камер. README сообщает о близких к PyTorch эталону результатах на проверенных видео с уличными сценами, однако эти измерения не гарантируют такую же точность на других данных. Веса распространяются по лицензии CC BY-NC 4.0, допускающей только некоммерческое использование.

MaskFormer — модель компьютерного зрения от команды MaskFormer, представленная в статье «Per-Pixel Classification is Not All You Need for Semantic Segmentation». Этот крупный вариант использует backbone Swin и обучен на ADE20K для семантической сегментации изображений. Модель предсказывает набор масок и соответствующие им метки классов. Такой подход MaskFormer также применяет к задачам сегментации экземпляров объектов и паноптической сегментации, однако данный чекпойнт предназначен для семантической сегментации сцен. Его можно использовать для разметки областей на изображениях с классами ADE20K. Репозиторий содержит веса PyTorch; лицензия указана как other.

kokuma/mazapan — модель Stable Diffusion, дообученная автором kokuma методом DreamBooth на датасете kokuma/figuritas-de-mazapan для создания изображений в тематике фигурок из масапана. Она принимает текстовые запросы с понятием mazapan и может изображать милых животных, предметы или персонажей из этого сладкого материала, в том числе в стиле фотографии. Модель рассчитана на генерацию изображений через Diffusers; в карточке предложены CFG scale от 6 до 8 и несколько вариантов сэмплеров. Лицензия — CreativeML OpenRAIL-M.

MESA — модель генерации рельефа по текстовому описанию, представленная Полом Борне-Понсом, Миколаем Черкавским, Розали Мартин и Роменом Руффе на воркшопе MORSE в рамках CVPR 2025. Это дообученная Stable Diffusion 2.1 на основе латентной диффузии; модель использует библиотеку Hugging Face Diffusers и создаёт совмещённые по координатам оптические изображения и карты глубины, формируя 2,5D-представления ландшафта. Модель предназначена для создания вариантов рельефа по естественно-языковым запросам. В карточке указаны наборы данных Copernicus Core-S2L2A и Core-DEM. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах проекта. Количественные ограничения и сведения о контексте в карточке не приведены.

MilkDropLM-32b-v0.3 — дообученная модель InferenceIllusionist на базе Qwen2.5-Coder-32B-Instruct, предназначенная для создания и редактирования пресетов MilkDrop. Она генерирует текстовые скрипты формата MilkDrop по запросам на естественном языке, а также может предлагать варианты существующих пресетов, в том числе созданных более ранней 7B-моделью. Модель использует плотную архитектуру Qwen2 с 32 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для обучения автор использовал более 10 000 отобранных пресетов MilkDrop и два прохода по данным. Репозиторий распространяется под лицензией Apache-2.0; в README автор отмечает, что версия 0.3 находится на альфа-стадии.

Miss Lizzy — разговорная модель на основе Mistral, созданная FPHam. Она играет роль Элизабет Беннет и отвечает в стиле английской эпохи Регентства; в карточке указан формат диалога ChatML. Модель обучена на вопросах и ответах, а также на полном тексте романа «Гордость и предубеждение». Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для ролевого общения и ответов от лица литературного персонажа. README отмечает, что модель склонна к многословным ответам. Лицензия в предоставленных данных не указана.

MoE-Girl 400MA 1BT — дообученная модель Allura на базе IBM Granite 3.0, предназначенная прежде всего для ролевых диалогов; автор также допускает общее использование, но не обещает высокого качества. Это генеративная MoE-модель с архитектурой GraniteMoeForCausalLM и 163,6 млн параметров; контекст — до 8192 токенов. README рекомендует формат ChatML и приводит пример ответа в образе пирата. Модель принимает текст и генерирует текст. В карточке не заявлена поддержка конкретных естественных языков. Автор предупреждает, что при 400 млн активных параметров не следует ожидать сильных результатов и сравнивает возможности с GPT-2. Модель распространяется по лицензии Apache-2.0.

newexper3 — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16, разработанная пользователем sudo-s. Модель обучена на наборе данных sudo-s/herbier_mesuem1 и предназначена для классификации изображений; в карточке указана точность 0,9298 и значение функции потерь 0,3000 на оценочной выборке. Модель содержит 113,2 млн параметров и доступна в формате PyTorch. Лицензия — Apache-2.0. Сведения о классах изображений и ограничениях применения в карточке не приведены.

Noromaid-v0.4-Mixtral-Instruct-8x7b-Zloss — экспериментальная диалоговая модель для ролевых бесед, созданная IkariDev и Undi на основе Mixtral. Она дообучена на модифицированных наборах данных Aesir, LimaRP, ToxicQAFinal и No-robots-ShareGPT, а затем объединена с базовой моделью с уменьшенным весом дообучения. Модель принимает текст и генерирует текст, использует формат подсказок ChatML и поддерживает контекст длиной до 32 768 токенов. В репозитории представлены веса FP16 в формате Safetensors; авторы также упоминают вариант GGUF. Модель рассчитана на ролевые диалоги, в том числе взрослые и откровенные сценарии. Авторы предупреждают, что это экспериментальная версия и не все функции могут работать корректно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели Rk501/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

PaGeR — модель компьютерного зрения для оценки геометрии панорам по одному панорамному изображению в эквидистантной цилиндрической проекции (ERP). Её разработали Вукашин Божич, Изидора Славкович, Доминик Нарнхофер, Нандо Метцгер, Денис Розумны, Конрад Шиндлер и Николай Калишек; модель выпущена вместе с научной статьёй. В основе лежит адаптированная для обработки панорам через кубическую проекцию модель Depth Anything 3 da3-giant с архитектурой ViT-Giant. За один проход PaGeR строит карту относительной глубины и карту глубины в метрах, оценивает нормали поверхности в мировой системе координат и сегментирует небо. Для абсолютного масштаба используются отдельные головы для внутренних и наружных сцен; их можно выбрать вручную или маршрутизировать автоматически с помощью отдельного классификатора CLIP ViT-B/32. Модель рассчитана на панорамы высокого разрешения размером до 3K; внутри изображение проецируется на шесть граней куба по 504 пикселя каждая. PaGeR предназначена для анализа панорамных сцен, когда нужно получить геометрию, оценить расстояния, выявить поверхности и замаскировать области неба. Ограничения: качество абсолютной глубины зависит от выбора подходящей головы масштаба, а заявленный предел входного разрешения — до 3K. Лицензия CC BY-NC 4.0 разрешает академическое и некоммерческое использование; коммерческое использование запрещено.

Модель irfanhossainsust/playing-card-detector — двухэтапная система компьютерного зрения для обнаружения и распознавания игральных карт. Детектор на базе YOLO11n находит карты в кадре, а сеть EfficientNet-B0 преобразует их изображения в 256-мерные эмбеддинги; затем FAISS сравнивает их с эталонными векторами и определяет одну из 52 стандартных карт или джокера. Для неуверенных совпадений система может вернуть результат «Unknown». Разработчик не указан. Модель предназначена для обнаружения карт, определения их достоинства и масти и подсчёта карт в изображениях или видеопотоке. Она может работать локально на CPU, NVIDIA GPU и Apple MPS, без подключения к сети; новые карты можно добавлять в индекс эталонных эмбеддингов без переобучения сетей. В репозитории представлены веса PyTorch, лицензия — AGPL-3.0. Показатели распознавания на чистых вырезках карт высоки, однако качество распознавания в сценах заметно ниже. Оценка обнаружения и полного конвейера проводилась на синтетических сценах, реальная съёмка не проверялась. Блики, сильная перспектива, размытие, незнакомые дизайны колод, перекрытия и карты рубашкой вверх могут ухудшить результат; отбрасывание незнакомых карт при стандартном пороге умеренное.

derenrich/private_detector_hf — порт модели Bumble в библиотеку Transformers и формат Hugging Face. По метаданным это модель классификации изображений с архитектурой PrivateDetectorForImageClassification; веса представлены в формате PyTorch. Карточка не описывает назначение классов, обучающие данные или конкретные сценарии применения, поэтому модель можно охарактеризовать только как средство классификации изображений. Модель распространяется по лицензии Apache-2.0.

Felldude/QWEN_2.1_HDR_VAE — дообученный VAE-автоэнкодер для Qwen-Image-2.1, предназначенный для реконструкции изображений с поддержкой RGBA и HDR-ориентированной обработки. Он рассчитан на использование в конвейерах генерации и редактирования изображений, где нужны более широкий цветовой объём, выраженные детали и повышенная энергия градиентов. Модель основана на VAE Qwen-Image-2.1 с размерностью латентного пространства 64 и пространственным сжатием 16×. Принимает и выдаёт RGBA-тензоры с формой [B, 4, 1, H, W]; для латентов используются собственные latents_mean и latents_std. Обучение и оценка проводились на разрешениях около 512–1024 пикселей, размеры по пространственным осям должны делиться на 16. По сравнению с базовым VAE модель усиливает цветовой объём, плотность границ и градиенты, намеренно допуская отклонение от исходного изображения по насыщенности и резкости. Она не подходит для архивной реконструкции или сценариев, где важна попиксельная точность; поведение на необычных альфа-масках проверено ограниченно, а высокие разрешения требуют много памяти. Лицензия указана как other, конкретные условия в карточке не раскрыты.

Sat3DGen — модель для генерации уличной трёхмерной сцены по одному спутниковому изображению. Она использует подход, ориентированный на геометрию, чтобы преобразовать вид сверху в сцену с перспективой с уровня улицы; авторы заявляют о высокой геометрической точности и фотореалистичности результата. Для работы требуется код официального репозитория. Модель предназначена для создания 3D-представлений городской среды по спутниковым снимкам. В репозитории указаны веса в формате safetensors и лицензия MIT.

kirikouKaraba/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка описывает её как работу в рамках курса Diffusion Models Class; модель загружается через DDPMPipeline из библиотеки Diffusers и выдаёт изображение без текстового запроса. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT. Модель предназначена для создания изображений бабочек. Размер и дополнительные языковые или мультимодальные возможности в предоставленных данных не описаны.