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

Jesssiemin/sd-class-butterflies-64 — диффузионная модель, созданная в рамках курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска автор предлагает использовать библиотеку Diffusers и конвейер DDPMPipeline; веса доступны в форматах Diffusers и safetensors. Модель распространяется по лицензии MIT.

Это модель семантической сегментации изображений, размещённая организацией keras-io. Она основана на примере Франсуа Шолле и использует архитектуру типа U-Net для сегментации изображений домашних животных: модель присваивает класс каждому пикселю, например «кошка» или «собака». Репозиторий содержит веса в формате TensorFlow и адаптацию инференса для виджета Hugging Face Hub. Модель подходит для получения попиксельных масок объектов на изображениях домашних животных и демонстрации семантической сегментации через Hub. Для каждого класса результат представляется маской; карточка отмечает, что оценка уверенности не выдаётся моделью и в формате ответа задаётся равной 1,0. Репозиторий распространяется по лицензии CC0-1.0.

Stanza для Old East Slavic (orv) — модель из набора инструментов лингвистического анализа текста, разработанного командой Stanford NLP. Репозиторий содержит модель PyTorch для классификации токенов; в Stanza такие модели используются как часть конвейера анализа текста. Модель предназначена для обработки текстов на древневосточнославянском языке. Указанная лицензия — Apache-2.0. Данных о размере модели, контексте и конкретном наборе меток в карточке нет.

Это адаптация textual inversion для CompVis/stable-diffusion-v1-4, опубликованная пользователем abhipsabasu. Она добавляет в Stable Diffusion возможность создавать изображения с человеком или персоной, обозначенной специальным токеном BLF, по текстовому запросу. Модель предназначена для генерации изображений через Diffusers; её базовая модель — латентная диффузионная модель, преимущественно работающая с английскими запросами. В репозитории указаны веса в форматах Diffusers и Safetensors, а лицензия — CreativeML Open RAIL-M. Карточка не описывает конкретные ограничения адаптации, поэтому качество и диапазон сцен для токена BLF по имеющимся сведениям оценить нельзя.

haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2mini-eval1-300M — экспериментальная авторегрессионная языковая модель на архитектуре LlamaForCausalLM, обученная с нуля на текстах Лондона 1800–1875 годов. Она создана для оценки датасета TimeCapsuleLLM и генерации продолжений текста в историческом контексте. В метаданных указаны 264,8 млн параметров, библиотека Transformers, формат safetensors и контекст до 1024 токенов; в README размер указан как около 318 млн параметров. Модель работает с текстом на английском языке. README сообщает о проблеме токенизации: в выводе могут появляться лишние пробелы внутри слов, поэтому сгенерированный текст может требовать исправления. Модель распространяется по лицензии MIT. Это оценочный чекпойнт, обученный на 15 ГБ из более крупного набора данных; README приводит обучение на 10 тыс. шагов и рекомендует использовать скрипт проекта с настройкой путей и тестовых запросов.

UL_bedroom_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google с 224-пиксельным входом. Она предназначена для отнесения изображений спален к классам; в карточке указаны датасет imagefolder и точность 0,9578 на оценочной выборке. Репозиторий содержит веса в формате safetensors и насчитывает около 113,2 млн параметров. Модель принимает изображения и выдаёт метки классов. Она распространяется по лицензии Apache-2.0. Карточка не раскрывает состав классов и оценочной выборки, поэтому приведённую точность нельзя автоматически переносить на другие данные.

Модель mostafaashahin/wav2vec2-base-timit-phoneme-arpa-39 разработал пользователь Hugging Face Mostafa Shahin. Это модель распознавания речи на архитектуре Wav2Vec2ForCTC с примерно 113,3 млн параметров; она принимает аудиосигнал и предназначена для выдачи последовательностей фонем в наборе ARPAbet из 39 символов на основе речи из корпуса TIMIT. Модель загружается через Transformers как automatic-speech-recognition pipeline. Конфигурация указывает на дообучение базовой facebook/wav2vec2-base под распознавание фонем. Назначение следует из имени модели, TIMIT и 39-фонемного словаря; карточка модели отсутствует, поэтому детали качества и точные условия обучения не описаны. Лицензия в доступных метаданных и карточке не указана.

charsiu/zh_w2v2_tiny_fc_10ms — акустическая модель проекта Charsiu, разработанного Jian Zhu, Cong Zhang и David Jurgens. Она предназначена для фонетического анализа и выравнивания китайской (Mandarin Chinese) речи: принудительного выравнивания аудио с заданной транскрипцией, распознавания фонем и получения временных границ фонетических единиц. Модель публикуется пользователем charsiu на Hugging Face и интегрируется с Charsiu и Transformers через Wav2Vec2ForFrameClassification. В основе лежит архитектура Wav2Vec 2.0 с семью сверточными слоями извлечения признаков и шестью transformer-слоями; размер скрытого представления — 384, число attention heads — 6, словарь содержит 210 классов. Модель работает с речевым аудио и ориентирована на китайский язык; выход рассчитан на временное разрешение 10 мс, что отражено в идентификаторе модели. Длина контекста и точное число параметров в доступных первоисточниках не указаны. Сильная сторона модели — специализированное фонетическое выравнивание китайской речи при сравнительно небольшом размере модели, что делает её пригодной для локального использования. Ограничения включают узкую специализацию, отсутствие заявленной поддержки других языков и предупреждение авторов Charsiu о статусе beta, возможных ошибках и необходимости проверять результаты вручную. Репозиторий Charsiu распространяется под лицензией MIT, но отдельная лицензия именно для файла модели на её карточке не указана.

Adonalsium-Mistral-7b-v0.1 — языковая модель Jake T и Ilijah P для генерации художественного текста в духе повествования и взаимодействий персонажей вселенной Cosmere Брэндона Сандерсона. Она создана дообучением Mistral-7B-v0.1 и ориентирована на творческое письмо и исследовательский анализ повествования. Модель использует архитектуру Mistral с 7,1 млрд параметров, принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и английский язык. Для адаптации применялись PEFT и адаптеры; веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Обучение на текстах серии Cosmere может помогать воспроизводить её характерные сюжетные мотивы и связи между персонажами, но ограничивает пригодность модели для других жанров и предметных областей. Качество и фактическая точность генераций README не оценивает; результаты следует проверять.

Alpacadabraz — модель Lightweight GAN для безусловной генерации изображений из коллекции NFT. Её создал Aleksey Korshuk; для обучения использован набор данных huggingnft/alpacadabraz. Модель предназначена для генерации изображений без текстового запроса. В репозитории указаны веса PyTorch и лицензия MIT. Подробности об использовании, качестве и ограничениях автор предлагает смотреть в связанном проекте.

SingularityUS разработала эту модель как дообученную версию Whisper large-v3-turbo для транскрибации английской речи в радиопереговорах управления воздушным движением. Это модель распознавания речи на базе архитектуры Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers. На проверочной выборке из 2 024 примеров ATCO2 и ATCoSIM она показала WER 7,83% и CER 3,58% при нормализации текста. По данным карточки, относительное снижение WER составило около 39% по сравнению с предыдущей дообученной моделью Whisper small. Модель предназначена для расшифровки английских переговоров по авиационной УКВ-связи. Проверочная выборка преимущественно содержит чистую студийную запись, поэтому в реальном эфире с шумами точность будет ниже; авторы ограничивают применение исследовательскими и не связанными с безопасностью сценариями. Лицензия указана как other, конкретные условия в карточке не приведены.

Модель Akash-Sakala/audio-cnn-resnet34-esc50 — свёрточная сеть ResNet-34, дообученная на датасете ESC-50 для классификации повседневных звуков по мел-спектрограммам. Она содержит около 21,3 млн параметров и обрабатывает монофонические аудиозаписи с частотой 44,1 кГц, преобразованные в спектрограмму размером 128 мел-полос на 431 кадр для пятиисекундного фрагмента. Модель присваивает входу один из 50 классов ESC-50, включая лай собаки, дождь, сирену и пение птиц. Модель подходит для прототипирования и изучения распознавания окружающих звуков. В README приведены средняя точность рецепта обучения 91,3% на пяти фолдах ESC-50 и точность этого чекпойнта 93,25% на отложенном фолде. Эти результаты относятся к тестовым записям ESC-50 и не гарантируют аналогичного качества на полевом аудио. Лицензия CC BY-NC 3.0 запрещает коммерческое использование.

ByteCraft — экспериментальная генеративная модель Samsung SAIL Montreal для создания SWF-игр и анимаций по текстовому запросу с генерацией содержимого в виде байтов. В карточке Hugging Face указана архитектура Qwen2 и дообучение на базе Qwen/Qwen2.5-7B-Instruct с 7,5 млрд параметров и контекстом до 32 768 токенов; файлы представлены в формате safetensors. Модель предназначена для генерации SWF-контента по условию на естественном языке. Метаданные указывают задачу text-generation и поддержку нескольких языков, включая английский, китайский, русский, японский и другие. Модель распространяется по лицензии MIT. Карточка не описывает качество генерации, ограничения по запуску SWF или обучающие данные.

Cats the Musical Diffusion — дообученная DreamBooth модель Stable Diffusion v1.5 от автора dallinmackay, обученная на кадрах фильма «Кошки» (2019). Она генерирует изображения по текстовым запросам и переносит на персонажей визуальный стиль фильма; для активации стиля автор рекомендует начинать запрос с токена ctsmscl. Модель предназначена для создания стилизованных изображений людей и персонажей в образе кошек, а также экспериментов с визуальной эстетикой фильма. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Автор отмечает, что для сходства с реальными людьми результаты нестабильны и требуют подбора запросов и настроек; приведённые примеры отобраны из небольшого числа удачных генераций. Рекомендуется sampler Euler.

ChaoticSoliloquy-4x8B — экспериментальная MoE-модель для ролевых диалогов, включая ERP-сценарии. Автор собрал её из четырёх моделей на базе Llama 3: ChaoticNeutrals/Poppy_Porpoise-v0.6-L3-8B, jeiku/Chaos_RP_l3_8B, openlynn/Llama-3-Soliloquy-8B и Sao10K/L3-Solana-8B-v1. В README указаны случайный режим маршрутизации экспертов, два эксперта на токен и формат bfloat16; метаданные описывают архитектуру как MixtralForCausalLM с 7,5 млрд параметров и контекстом 8192 токена. Модель предназначена для генерации текста в ролевых беседах и ERP. Карточка также упоминает варианты GGUF и Exl2 и файл llama3_mmproj для vision, однако метаданные классифицируют опубликованную модель как text-generation, поэтому поддержку обработки изображений нельзя уверенно подтвердить. Метаданные указывают английский язык и лицензию Llama 3. Автор называет проект экспериментальным и ставит целью сравняться с Mixtral 8x7B и его дообучениями в ролевых задачах, но не приводит результатов оценки.

None1145 разработал эту чат-модель на основе ChatGLM3-6B, дообучив её на текстах персонажа Терезы из игры Arknights. Модель предназначена для диалогов в образе персонажа и генерации текста по запросу. Модель использует плотную архитектуру ChatGLM, содержит 7,8 млрд параметров и работает с контекстом до 8192 токенов. Для запуска заявлена библиотека Transformers; веса размещены в формате safetensors. В метаданных также указана поддержка классификации текста, однако README описывает только чат-модель. Модель распространяется по лицензии Apache-2.0. Её ответы отражают обучающие тексты персонажа и могут быть неточными или не соответствовать канону; сведения о поддерживаемых языках в карточке не приведены.

CrosswordSpace++ — итальянский BERT cross-encoder-реранкер от cruciverb-it для подбора ответов на вопросы-кроссвордные подсказки. Модель оценивает пары «подсказка — кандидат ответа» и предназначена для второго этапа ранжирования: она переупорядочивает до 100 кандидатов, предварительно отобранных bi-encoder-моделью cruciverb-it/crosswordspacepp-dualencoder с учётом длины ответа. Модель построена на nickprock/sentence-bert-base-italian-xxl-uncased и имеет архитектуру BertForSequenceClassification с одним выходом и sigmoid-активацией. Она дообучена на 3 747 628 парах из обучающей части EVALITA 2026 CruciverbIT Task 1; максимальная длина последовательности в README — 84 токена, а контекстное окно по метаданным — 512 токенов. Размер модели — 137,9 млн параметров. Для итогового ранжирования авторы предлагают смешивать нормализованные оценки cross-encoder и bi-encoder с весом 0,17 для cross-encoder. На тестовом наборе EVALITA 2026 CruciverbIT Task 1 комбинация двух моделей показала Acc@1 68,2%, Acc@10 85,5% и MRR@10 74,5%; сам реранкер — Acc@1 59,9%, Acc@10 83,1% и MRR@10 67,9%. Это специализированная модель для итальянских кроссвордов, а не универсальный поисковый реранкер; ей необходимы пары подсказок и кандидатов, обычно полученные от первого этапа. Лицензия — CC BY 4.0.

Dark-Goetia-26B-A4B-LoRA-v4-GGUF — адаптер LoRA от SubMaroon для модели Naphula/Goetia-26B-A4B-v1.3-Absolute-Heretic-ARA. Он меняет стиль и структуру ответов, придавая прозе более мрачный и литературный тон для ролевых сценариев в жанре тёмного фэнтези; рассчитан на диалоги на английском и русском языках и использование, в частности, с SillyTavern. Адаптер обучен на 115 проекциях внимания с rank 32 и alpha 64 и опубликован в формате GGUF; для работы нужны базовая модель и совместимый загрузчик LoRA. Адаптер призван сохранять заданный системным промптом формат ответов в длинных ролевых сессиях. Это улучшение пока не подтверждено измерениями для v4: настройки масштабирования приведены как отправная точка по результатам v2, а обучение проводилось с контекстом до 3584 токенов. Стиль основан на одном источнике и поэтому узок; адаптер предназначен для конкретной базовой модели, а применение к другим чекпойнтам может ухудшить результат. README указывает на контент 18+ и на условия лицензии Gemma, унаследованные от базовой модели.

Guizmus/DeathNote — дообученная модель Stable Diffusion для генерации изображений по текстовому описанию, обученная на изображениях из аниме «Тетрадь смерти». В README указана базовая модель naclbit/trinart_stable_diffusion_v2 и обучение на 93 изображениях в течение 12 500 шагов. Специальные слова в запросе помогают создавать изображения Тетради смерти, Лайта Ягами, Рюка, L, Мисы Аманэ и других персонажей; токен DNStyle для стиля аниме отмечен как неудачный и оставлен только в первой версии. Модель работает через StableDiffusionPipeline библиотеки Diffusers; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Она предназначена для создания фан-арта и изображений персонажей по текстовым промптам на английском языке. Лицензия — CreativeML OpenRAIL-M. Небольшой обучающий набор и узкая тематика ограничивают разнообразие и надёжность генерации за пределами персонажей и мира «Тетради смерти».

Zohar/distilgpt2-finetuned-restaurant-reviews — языковая модель GPT-2, дообученная на подмножестве набора отзывов о ресторанах Yelp. Она предназначена для генерации текста в ресторанной тематике, например для создания черновиков отзывов или примеров подобных текстов. В README приведено значение loss 3.4668 на оценочной выборке; подробности методики оценки не описаны. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст до 1024 токенов. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых языках и конкретных ограничениях применения; обучение на англоязычных отзывах Yelp указывает на тематическую специализацию, но само по себе не подтверждает заявленную поддержку языка.

DUSt3R_ViTLarge_BaseDecoder_512_linear — модель компьютерного зрения для восстановления геометрии 3D-сцены по изображениям. В README указаны асимметричная архитектура AsymmetricCroCo3DStereo, энкодер ViT-L, декодер ViT-B и линейная голова. Модель обучалась на изображениях с разрешениями 512×384, 512×336, 512×288, 512×256 и 512×160. Модель предназначена для задач image-to-3d, связанных с реконструкцией пространственной структуры сцены по визуальным данным. Для работы требуется библиотека dust3r. В репозитории веса сохранены в формате safetensors. README не приводит сведения о лицензии и поддерживаемых языках; метаданные также не содержат таких данных.

0Tick/e621TagAutocomplete — дообученная модель distilgpt2, созданная для автодополнения тегов e621 в расширении promptgen для AUTOMATIC1111 WebUI. Она генерирует продолжение текста по последовательности тегов; при обучении использовались исходные теги случайных публикаций e621, записанные с подчёркиваниями и пробелами. Модель построена на архитектуре GPT-2 и рассчитана на контекст до 1024 токенов. Модель подходит для подсказок и продолжения тегов при составлении промптов для генерации изображений. В карточке приведены результаты оценки: loss 4.3983 и accuracy 0.3865. Она унаследовала ограничения языковых моделей GPT-2: может воспроизводить смещения обучающих данных и выдавать недостоверный текст. Обучена на тегах e621; лицензия — MIT.

Face-Recognition-NM — классификатор изображений на базе Vision Transformer (ViT), автоматически созданный с помощью HuggingPics. Модель предназначена для классификации изображений; название указывает на распознавание лиц, однако карточка не уточняет классы и сценарии распознавания. В модели около 113,2 млн параметров, веса доступны в формате Safetensors. Модель может служить основой для экспериментов с классификацией изображений и распознаванием лиц. В README предлагается создавать собственные классификаторы через демонстрацию в Google Colab. Лицензия и конкретные ограничения применения в карточке не описаны.

Filiberto 124M — компактная авторегрессионная языковая модель семейства GPT-2, разработанная проектом bertin-project и обученная на испанских пьесах Золотого века. Модель содержит 124 млн параметров, использует токенизатор GPT-2 и рассчитана на контекст до 1024 токенов. Модель предназначена для генерации продолжений и стилизованного текста на материале испанской драматургии. Благодаря небольшому размеру её можно запускать на CPU, а также использовать для пакетной генерации на GPU. В README описано предобучение на примерно 5 млн токенов корпуса TEXORO; чекпойнт обозначен как специализированная базовая модель. Модель распространяется по лицензии Apache-2.0. Её узкий обучающий корпус ограничивает надёжность для современного испанского, других языков и задач за пределами генерации текста.

Bartek7630/FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1-VIDEO — модель Hugging Face, дообученная на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct с использованием TRL. Это компактная мультимодальная модель для диалоговых задач с изображениями и видео; каталог указывает поддержку обработки изображения с выдачей текста. Название и карточка связывают дообучение с извлечением информации о еде, однако README не описывает конкретные поля или формат извлечения. Модель распространяется в формате safetensors; лицензия, языки и ограничения в предоставленных данных не указаны.

Модель bethecloud/golf-course-generator разработана bethecloud и представляет собой Stable Diffusion, дообученную методом DreamBooth на тему полей для гольфа. Она предназначена для генерации изображений по текстовым запросам, особенно фотореалистичных сцен с полями для гольфа и историческими или мифологическими объектами на фоне. В карточке приведён пример промпта «a photo of golf course with the Acropolis from Ancient Greece in the background». Для запуска автор предлагает использовать StableDiffusionPipeline из библиотеки diffusers. Обучение выполнено на 21 фотографии полей для гольфа из Unsplash для хакатона DreamBooth в категории ландшафтов. Модель ориентирована на визуальную тему полей для гольфа, поэтому её применение вне этого сюжета может быть ограниченным. В метаданных указана лицензия creativeml-openrail-m; в README также упоминается MIT License.

GPT-J-6b-Disco-Elysium — экспериментальная разговорная модель на базе GPT-J 6B от EleutherAI, созданная allura-org как проба датасета диалогов в стиле Disco Elysium. Она генерирует продолжение текста в формате игровых диалогов с персонажами и навыками игры; примеры показывают беседы, описания сцен и отдельные реплики на разные темы. Архитектура — авторегрессионный GPT-J с 6,05 млрд параметров, максимальный контекст — 2048 токенов; модель работает с текстом и ориентирована на английский язык. Модель подходит для экспериментов с генерацией ролевых диалогов и стилизацией текста под Disco Elysium. Качество и надёжность ответов не подтверждены: автор описывает её как шуточный тест, а примеры содержат несвязные и фактически сомнительные реплики. Лицензия — Apache-2.0.

Haru v1.1 — компактная модель продолжения корейских историй, разработанная автором репозитория на основе причинной архитектуры CFRD для Transformers. Она содержит 11 634 459 параметров, принимает текст и поддерживает рекуррентную глубину 2, 4 или 6 при контексте до 512 токенов. Контрольная точка соответствует шагу обучения 5750; при глубине 6 в карточке указаны validation loss 1,92052 и perplexity 6,825. Модель предназначена для продолжения корейских художественных фрагментов, а не для диалогов с инструкциями или ответов на вопросы. Обучающие данные — Tiny-Ko-Stories, распространяемый по CC BY 4.0; лицензия самой модели — MIT. В README указано, что для воспроизводимости и существующих пользователей сохранена версия 1.1, а более новая Haru v2.0 использует другую архитектуру и токенизатор и не является прямой заменой. При длинной генерации Haru может повторяться или терять согласованность персонажей и событий. Модель не предназначена для фактологических или критически важных сценариев; кэширования инференса нет, поэтому активный контекст пересчитывается при генерации.

Hassaku Hentai Model — модель генерации изображений по текстовому описанию, опубликованная StableDiffusionAPI. В карточке приведён пример вызова через API ModelsLab с параметрами промпта, негативного промпта, размера изображения и числа шагов генерации; также заявлена возможность повысить детализацию и реалистичность результата. Модель предназначена для создания изображений по текстовым запросам, в том числе откровенного контента. Пример настройки использует изображение 512 × 512 пикселей и 30 шагов. Репозиторий содержит веса в форматах Diffusers и PyTorch; указанная лицензия — CreativeML OpenRAIL-M.

Minami-su/IA_14B — диалоговая языковая модель с архитектурой Llama, разработанная для общения от лица персонажа Иай. Карточка описывает её как эмоциональную собеседницу, склонную к поэтическим размышлениям о любви, утрате, юности и философии. Модель предназначена для генерации ответов в диалоге и ролевого общения. Она содержит 13,4 млрд параметров, принимает текст и формирует текстовые ответы. Указанная длина контекста — 4096 токенов; в карточке заявлены английский и китайский языки. Модель опубликована в формате PyTorch. Лицензия обозначена как other, без уточнения условий в предоставленных данных. Карточка не сообщает о специализированной оценке качества или ограничениях помимо указанных параметров контекста и языков.