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

PHerc.1667-iteration-4 — модель сегментации чернил в трёхмерных томографических данных свитка Геркуланума, опубликованная командой ScrollPrize для Vesuvius Challenge. Это четвёртая абляция семейства: модель обучена на сегменте l_2 по разметке l_2_inklabels4.png на 24 773 тайлах. Архитектура сочетает трёхмерный энкодер ResNet3D-50, инициализированный весами Kinetics-700, и двумерный декодер U-Net. Модель принимает томографические окна размером 62×256×256 вокселей и выдаёт карту вероятности чернил с разрешением 64×64; для обработки целого сегмента требуется скользящая оконная инференция с усреднением перекрывающихся предсказаний. Модель предназначена для выявления следов чернил в виртуально развёрнутых свитках, включая сегменты, не использовавшиеся при обучении. README показывает прогнозы для обучающего l_2 и отложенного l_5, но не приводит количественных оценок качества. Репозиторий содержит веса safetensors и код для Transformers; лицензия MIT.

Predatorial-Extasy-70B — языковая модель на архитектуре Llama, разработанная Mawdistical как дообучение TheSkullery/L3.3-Unnamed-Exp-70B-v0.8. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов; веса опубликованы в формате safetensors и предназначены для генерации текста в диалогах и ролевых сценариях на английском языке. Модель настроена на антропоморфных и инопланетных персонажей, современные городские и антиутопические сцены. В обучающих сценариях есть откровенный сексуальный контент, насилие, мрачные темы и неоднозначные ситуации с согласием, поэтому модель рассчитана на взрослую аудиторию. Лицензия — CC BY-ND 4.0.

PVD-160k-Mistral-7b — модель на архитектуре Mistral с 7,1 млрд параметров из проекта Visually Descriptive Language Model (VDLM). Она предназначена для вопросов и рассуждений о векторной графике: модель использует текстовые визуальные описания, включая представления SVG и Primal Visual Description, чтобы анализировать детали изображений и отношения между объектами. В карточке указаны задачи image-to-text и text-generation, библиотека Transformers и контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом векторных изображений и решения задач на пространственные отношения и простые лабиринты. Авторы сообщают, что подход VDLM превосходит современные мультимодальные модели в ряде задач рассуждения о векторной графике. Репозиторий использует формат Safetensors и лицензию Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная для диалоговой генерации текста. Веса объединяют SFT-модель djdumpling/qwen3-4b-instruct-megagem-sft-step1200-v2 и LoRA-дистилляцию для перефразирования; обучение описано как ExIt с аналитическим экспертом, без градиентного RL. Модель предназначена для принятия решений в игровых сценариях с торгами и ставками, где она выбирает действия, максимизирующие ожидаемый выигрыш, а также для перефразирования игровых ответов в стиле исходной модели. В README приведены результаты закрытого теста против двух вариантов Gemini-3-Flash: доля побед выросла с 29,3% до 40,7%, а скорректированный прирост составил 7,4 очка за игру. Эти результаты относятся к конкретной тестовой постановке и не гарантируют аналогичного качества в других сценариях. Аналитический EV-селектор, дополнительно упомянутый в README, является отдельным кодом и не входит в веса. Модель принимает текст и выдаёт текст; поддерживает контекст до 262 144 токенов и может обслуживаться через vLLM или Transformers. Лицензия — Apache-2.0.

ltzheng/Qwen3.5-9B-General-Game — экспериментальный чекпойнт обучения на базе Qwen3.5-9B для сценариев общего назначения в играх. Модель построена на плотной архитектуре Qwen3.5 и использует Transformers; репозиторий содержит веса safetensors и несколько контрольных точек обучения, включая финальный чекпойнт 4183 на ветке main. Модель принимает текст и изображения и предназначена для диалогового взаимодействия с визуальной информацией в игровых сценариях. Токенизатор содержит пять специальных токенов действий и рассуждений для игрового протокола; при декодировании, когда важны разделители протокола, следует сохранять специальные токены. README уточняет, что это обучающие чекпойнты, а проверки конвертации и инференса не измеряют игровую производительность. Лицензия — Apache-2.0. Карточка не приводит подтверждённых игровых метрик или детального списка поддерживаемых игр и языков; поэтому пригодность для конкретной игры следует оценивать отдельно.

perpetual3x/Qwen-Image-Western-European-American-Female-NSFW-LoRA-v1 — экспериментальная фотореалистичная LoRA-адаптация для базовой модели Qwen/Qwen-Image-2512, предназначенная для генерации изображений по текстовому описанию через библиотеку Diffusers. Она ориентирована на визуальное представление явно взрослых женщин Западной Европы и США в городских, сельских, прибрежных, горных, домашних и художественных сценах. Модель обучена на 8 417 изображениях и не требует обязательного триггерного слова. Она рассчитана на разнообразие взрослых возрастов, телосложений, черт лица и естественных текстур кожи, а также на фотореалистичный, документальный, художественный, цветной плёночный и монохромный стили. В README также заявлены 2 000 повторно используемых промптов для проверки разнообразия и региональных контекстов. Указаны языки английский, французский и испанский; модальность — текст-в-изображение. LoRA сильна в передаче внешности, атмосферы, человеческого присутствия и узнаваемых западноевропейских или американских окружений, но не является специализированной моделью коррекции анатомии. В сложных позах возможны ошибки интимной анатомии, рук, стоп и суставов; для таких сценариев автор рекомендует умеренное сочетание со специализированной анатомической LoRA или настройку промпта и seed. Лицензия указана как иная, с названием qwen-image-western-european-american-female-nsfw-lora-v1-non-commercial; использование ограничено некоммерческими условиями согласно опубликованной лицензии.

ReSpace SG-LLM 1.5B — языковая модель, дообученная Gradient Spaces на базе Qwen/Qwen2.5-1.5B-Instruct для синтеза трёхмерных сцен помещений по текстовому описанию. Она предназначена для сценариев генерации и редактирования сцен с мебелью; авторы рекомендуют использовать её вместе с инструментарием ReSpace для добавления и удаления объектов. Модель построена на архитектуре Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана поддержка английского языка. Модель выдаёт текстовое представление результата генерации сцены и рассчитана на диалоговое взаимодействие. Карточка отмечает ограничения при самостоятельном использовании без обвязки ReSpace. Лицензия CC BY-NC-SA 4.0 допускает использование на её условиях, включая ограничения на коммерческое применение и требования к распространению производных материалов.

SESAME_minus — открытая мультимодальная модель, обученная дообучением LLaVA на инструкционных данных для привязки изображений и сегментации. Это базовая модель для сегментации по текстовой инструкции, предназначенная для экспериментов с мультимодальными моделями и чат-ботами; целевая аудитория — исследователи и энтузиасты компьютерного зрения, NLP и машинного обучения. Модель содержит 6,6 млрд параметров, построена на архитектуре LLaVA и имеет контекст длиной 4096 токенов. В качестве обучающих данных использовался набор RefCOCO(+/g). Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка описывает модель как исследовательскую основу для сегментации, поэтому её качество в прикладных сценариях следует проверять отдельно.

SeTox-Qwen2.5-3B — чат-модель на базе Qwen2.5-3B-Instruct, разработанная для выявления токсичности в китайских неологизмах. Она дообучена методом полного supervised fine-tuning на данных SeTox и может использовать веб-поиск как дополнительный инструмент при анализе терминов. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает текст. В метаданных указан контекст 32 768 токенов; в описании обучения указан cutoff 4096 токенов. Карточка приводит результаты на тестовом наборе SeTox из 624 примеров: для checkpoint-120 точность составила 0,9103, F1 для небезопасного класса — 0,9402, полнота — 0,8980. Модель рассчитана на китайский язык. Она может ошибаться при неоднозначных, быстро меняющихся, состязательных или недостаточно описанных терминах. Результаты веб-поиска могут содержать шумные или небезопасные фрагменты, а включение поиска и генерации способно немного менять результаты. Лицензия указана как other; конкретные условия в карточке не приведены. README позиционирует модель для исследований токсичности китайских неологизмов.

QuillBytes/shakespeare — языковая модель, разработанная QuillBytes на базе Qwen/Qwen3-4B. Модель дообучена с использованием LoRA и предназначена для генерации текста в стиле Уильяма Шекспира: на ранне-новоанглийском языке, с елизаветинской лексикой, местоимениями thee, thou и thy, а также с имитацией ямбического ритма. Основной язык — английский. Модель ориентирована на развлекательные сценарии, творческие диалоги и ответы на вопросы с сохранением шекспировской стилистики. В репозитории доступны полновесные веса в формате safetensors и 4-битная квантизованная версия GGUF для локального запуска, в том числе через Ollama и LM Studio. Также указан файл multimodal projector, однако подробности о поддерживаемых модальностях не приведены. Размер базовой модели — около 4 млрд параметров; размер контекста и другие архитектурные характеристики не указаны. К сильным сторонам относятся выраженная специализация на устойчивом шекспировском стиле и возможность локального использования благодаря квантизованной версии. Ограничение модели заключается в том, что она предназначена прежде всего для развлечения и будет постоянно отвечать в заданной стилистике, что может снижать уместность и точность в нейтральных или профессиональных задачах. Указанная лицензия — Apache-2.0.

darjja/smolvlm2-food-finetuned — мультимодальная модель, дообученная разработчиком darjja на базе HuggingFaceTB/SmolVLM2-2.2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы; предназначена для сценариев, связанных с изображениями еды. Архитектура — SmolVLM, модель плотная, поддерживает чат и обработку изображений. В карточке указаны английский язык и формат весов safetensors. Лицензия — Apache-2.0. Модель дообучена с использованием Unsloth и библиотеки TRL. README не описывает обучающие данные, конкретный набор поддерживаемых пищевых задач или результаты оценки, поэтому её пригодность для отдельных сценариев с едой следует проверять на собственных примерах.

aguxez/snap-barbell-dfine-small-v93-v4 — модель обнаружения объектов на изображениях, созданная дообучением aguxez/snap-dumbbell-dfine-small-v85-gt25. Она предназначена для поиска штанг на изображениях; в карточке указано обучение на наборе aguxez/snap-equipment-youtube-v73-train-barbell-v4. Модель использует архитектуру D-FINE для обнаружения объектов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не содержит сведений о размере модели, качестве на тестах или конкретных ограничениях применения. Практическая область использования следует из названия модели и датасета: обнаружение штанг на изображениях.

Surt v3 — это дообученная Surinder Singh модель Whisper-small для распознавания Gurbani в аудиозаписях с выводом текста на гурмукхи. Модель предназначена для транскрибации спокойного чтения Sehaj Path и музыкального исполнения киртана; она обучена с нуля от базовой openai/whisper-small на примерно 660 часах канонизированных аудиозаписей и размеченных текстов. Архитектура — WhisperForConditionalGeneration, библиотека — Transformers; в README указаны входное аудио 16 кГц, моно, обрабатываемое фрагментами до 30 секунд, и язык Punjabi с режимом transcribe. На согласованных тестовых наборах заявлены WER 16,31% для Sehaj Path и 54,80% для киртана. Модель специализирована на Gurbani: она не обучалась на повседневной пенджабской речи, катхе, английском, хинди и других языках, поэтому качество для них может быть низким. Результаты также могут ухудшаться на шумных записях и аудио с акустикой, отличной от обучающих веб-записей. Модель распространяется по лицензии Apache-2.0.

Velvet Rope Crispin LoRA — GGUF-адаптер LoRA для Gemma 4 12B QAT, созданный командой Build Small Hackathon для персонажа Криспина Крамбвелла, привратника Hollow Tree Cookie Works в игре Velvet Rope. Адаптер обучен на примерно 310–350 одноходовых игровых примерах персонажа в течение двух эпох; использует ранг r=8 и модули языковой части модели. Модель предназначена для диалогов и игровых решений от лица Криспина в Velvet Rope. В опубликованной оценке на отложенной выборке проверялись корректность JSON и совпадение с эталонными игровыми оценками настроения, тактики и направления изменения счёта: адаптер сохранил корректность JSON на уровне базовой модели и улучшил согласие по указанным игровым показателям. Для запуска требуется совместимая базовая модель Gemma 4 12B QAT и среда llama.cpp с поддержкой GGUF LoRA. Лицензия — MIT.

VGGT-1B — Visual Geometry Grounded Transformer, разработанный Meta AI Research и University of Oxford, VGG. Это feed-forward нейросеть для восстановления геометрии сцены по одному, нескольким или сотням изображений, которая за секунды предсказывает параметры камер, карты глубины, карты точек и 3D-треки точек. Модель предназначена для задач преобразования изображений в геометрическое представление сцены и работы с многовидовыми данными. В метаданных указаны английский язык и формат весов safetensors. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

chandra1976/vit-finetuned-chessman4 — модель классификации изображений, дообученная на базе Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам обучающего набора; карточка указывает датасет формата imagefolder, но не раскрывает названия классов и предметную область. Модель содержит 113,2 млн параметров, использует архитектуру ViTForImageClassification и представлена в формате safetensors. На оценочном наборе указаны accuracy 0,9636 и loss 0,1610. Модель принимает изображения и выдаёт метки классов. Лицензия — Apache-2.0; качество и применимость вне оценочного набора карточка не характеризует.

Модель classla/Wav2Vec2BertPrimaryStressAudioFrameClassifier разработана Петером Рупником, Николой Любешичем и Иваном Порупски. Это аудиоклассификатор кадров на базе Wav2Vec2-BERT с 402,7 млн параметров, дообученный на обучающей части ParlaStress-HR. Он размечает положение основного ударения в словах с шагом 20 мс и предназначен для анализа ударения в речи. Модель рассчитана на хорватский, сербский и словенский языки, включая чакавский вариант хорватского. В описанных тестах точность составила 99,1% для хорватского, 99,3% для сербского и 88,9% для чакавского. Авторы сообщают о проверке на четырёх наборах данных и рекомендуют прямое использование для анализа положения основного ударения. Лицензия — Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA 4.0).

njand разработал модель распознавания речи на латинском языке, дообучив wav2vec2-xls-r-300m на чтении текстов из набора njand/llpsi-speech-dataset. Это аудиомодель архитектуры Wav2Vec2ForCTC с 402,7 млн параметров; репозиторий содержит веса Safetensors и ONNX, включая квантованный вариант ONNX INT8 для ускоренного вывода на CPU. Модель предназначена для расшифровки чёткой речи одного диктора с восстановленным классическим произношением. Результат выводится строчными буквами без пунктуации, с макронами для долгих гласных и различением согласных j/v от гласных i/u. В README сообщаются результаты пятифолдовой перекрёстной проверки; языковое декодирование KenLM улучшало WER, но декодер в репозитории не предоставлен. Модель рассчитана на классическую латынь и может хуже распознавать церковное или итальянское произношение, шумную запись и речь нескольких говорящих. Лицензия — MIT.

Xiaomi-Robotics-U0-FlashAR — авторегрессионная мультимодальная модель Xiaomi Robotics для генерации изображений и синтеза сцен с роботизированными наблюдениями. Она использует архитектуру UNIS с плотной моделью на 30,4 млрд параметров и инициализирована на основе EMU3.5. Общий дискретный визуальный токенизатор и единая цель предсказания следующего токена позволяют обрабатывать текстовые и визуальные последовательности в общей токеновой системе. Модель принимает текстовые запросы и изображения с инструкциями, а также условия и наблюдения сцены; генерирует изображения, многовидовые RGB-сцены и, согласно описанию семейства, видео с роботизированным сценарием. Публичные веса FlashAR поддерживают генерацию сцен, перенос сцены, генерацию изображений по тексту и редактирование изображения по инструкции. FlashAR группирует визуальные токены при декодировании и поддерживает пакетный вывод через vLLM; заявлены контекст 32 768 токенов и ускорение генерации изображений высокого разрешения. Видео-чекпойнт в README обозначен как ожидающий выпуска, поэтому генерацию видео этими весами считать доступной нельзя. Модель предназначена для генерации и преобразования изображений и для создания роботизированных многовидовых сцен. Репозиторий предоставляет код вывода и демо. Лицензия — Apache-2.0. В README приведено заявленное авторами время вывода для конкретной конфигурации H20; фактическая скорость и требования к оборудованию зависят от используемого движка и конфигурации.

ACE-Ego-Hand — веса для восстановления движения обеих рук из видео от первого лица. Модель разработана авторами работы Liu et al. (2026) и использует скрытые состояния видеодиффузионного трансформера Wan2.2 для оценки положения и формы рук MANO, а также их переноса в координатах камеры на каждом кадре. На вход подаётся эгоцентрическое RGB-видео; на выходе — покадровые 3D-параметры рук, которые можно сохранить в таблицу и визуализировать в видео. Вариант kfree оценивает геометрию камеры без предварительной калибровки, а вариант k принимает внутренние параметры камеры; оба рассчитаны на pinhole-камеры. Репозиторий содержит веса в формате safetensors, переупакованные без переобучения из компонентов Wan2.2, Wan2.2 VAE и TAEHV; для трансформера оставлены используемые блоки. Лицензия CC BY-NC 4.0 разрешает использование с ограничением на некоммерческое применение.

Adonalsium-gpt2 — модель генерации текста, разработанная Jake T и Ilijah P и дообученная на текстах серии книг «Космер» Брэндона Сандерсона. Она предназначена для создания художественных продолжений и исследования повествования, персонажей и их взаимодействий в этой вселенной. Модель использует архитектуру GPT-2 и принимает текстовый запрос, генерируя текст; контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Обучение проводилось в Google Colab. Карточка описывает модель как инструмент для творческой работы и академического анализа, однако не приводит численных оценок качества. Она ориентирована на материалы «Космера», поэтому её генерации могут быть менее полезны за пределами этой тематики. Лицензия репозитория — MIT.

AKK-60m — инструкционная модель на архитектуре T5, разработанная Thalesian и дообученная на основе google/t5-small. Она предназначена прежде всего для перевода аккадских клинописных знаков и транслитераций на английский, а также поддерживает обратный перевод с английского на аккадский, транслитерацию между клинописью и латиницей, группировку транслитерации по словам и выявление пропущенных знаков. Модель содержит 38,7 млн параметров, работает с текстом и рассчитана на контекст до 512 токенов по метаданным; README отдельно указывает контекстное окно 64 токена. Модель подходит для коротких аккадских строк, конвейеров транслитерации и экспериментов с обратным поиском. В README приведены метрики BLEU для нескольких направлений перевода и транслитерации. На длинных фрагментах модель не тестировалась, а её небольшой контекст ограничивает работу с протяжёнными текстами. Лицензия — Apache-2.0.

Align3R — модель для оценки согласованной во времени глубины по монокулярным видео. Она оценивает глубину кадров, динамические облака точек и позы камеры; репозиторий содержит вариант Align3R с компонентом Depth Anything V2 ViT-Large и декодером Base Decoder 512 dpt. Модель представлена в статье Jiahao Lu и соавторов 2024 года и загружается через библиотеку Align3R на PyTorch. Модель предназначена для анализа динамических сцен по видео с одной камеры, включая восстановление трёхмерной структуры и движения камеры. В карточке Hugging Face задача обозначена как image-to-3d, а веса доступны в формате safetensors. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

AURA-Eve-Tactical-Instruct-3.8B-i1-GGUF — это текстовая языковая модель для генерации ответов и инструкций, ориентированная на тактические сценарии во вселенной EVE Online. Базовая модель AURA-Eve-Tactical-Instruct-3.8B разработана JeffTheNerdDev96, а данный вариант подготовлен и квантован mradermacher в формате GGUF с использованием weighted/imatrix-квантования. В метаданных также указаны методы unsloth и qlora. Модель имеет около 3,8 млрд параметров и предназначена для работы с текстом на английском языке. Она может применяться для диалоговых задач, генерации текстов и тактических подсказок, связанных с EVE Online. Мультимодальность и размер контекстного окна в предоставленных данных не указаны. Главное преимущество версии — доступность множества вариантов квантования GGUF с разным соотношением размера, скорости и качества, включая рекомендуемые i1-Q4_K_M и i1-Q4_K_S. При этом наиболее низкобитные варианты могут заметно уступать по качеству; README отдельно характеризует некоторые из них как низкокачественные. Модель распространяется по лицензии MIT.

julian-schelb/bge-m3-emb-lat-intertext-v1 — модель эмбеддингов, дообученная Julian Schelb на базе BAAI/bge-m3 для поиска интертекстуальных связей между текстами классических латинских авторов. Она создаёт векторные представления запросов и текстов-кандидатов; модель относится к семейству XLM-RoBERTa и рассчитана на сравнение предложений и фрагментов. В README указано применение в бенчмарке Loci Similes с экспертно проверенными связями и отрицательным семплированием в соотношении 1:10. Модель содержит 658,7 млн параметров, принимает текст, имеет контекст до 8194 токенов и распространяется в формате safetensors через Sentence Transformers. Модель подходит для поиска параллелей и повторяющихся мотивов в латинских корпусах. Это специализированная дообученная версия BGE-M3, поэтому её пригодность для общего семантического поиска или языков помимо латыни не подтверждена. Лицензия — Apache 2.0.

byt5-mitra-bo-tagger — модель Buddhist NLP для автоматической разметки классического тибетского текста в транслитерации Wylie. Это дообученная версия buddhist-nlp/byt5-mitra-bo: байтовая модель последовательность-в-последовательность семейства T5 с 595,1 млн параметров, обученная примерно на 5 тысячах предложений и коротких отрывков из параллельного санскритско-тибетского корпуса проекта Dharmamitra. Модель принимает необработанный текст Wylie и выдаёт сегментацию предложений и слов, грубую часть речи для каждого слова, а также скобки вокруг тибетских последовательностей, соответствующих одному санскритскому слову или сложению. Она предназначена для подготовки и анализа классических буддийских переводных текстов. В README приведены метрики на выборке из 100 примеров: F1 границ слов 0,959, точность POS 0,914 и F1 сегментации предложений 0,914. Обучение проводилось на канонической переводной литературе Кангьюра и Тенгьюра с санскритскими параллелями, поэтому другие регистры не проверены. Разметка санскритских единиц наиболее шумная; на длинных или необычных фрагментах модель может пропускать или изменять слоги, поэтому результат следует сверять с исходным текстом. Лицензия — Apache-2.0.

ChatWaifu 2.0 Vision — мультимодальная чат-модель разработчика spow12 (yw_nam), дообученная на базе mistral-community/pixtral-12b и построенная на архитектуре LLaVA. Она принимает текст и изображения, поддерживает японский и английский языки и предназначена для диалогов, ролевого общения в образах персонажей визуальных новелл и обсуждения изображений в чате. В обучении использовались наборы для ролевых диалогов, инструкций и понимания изображений; README указывает примерно 370 тысяч примеров SFT. Модель позволяет задать собственную персону персонажа или общаться с предусмотренными образами. Она не прошла полное тестирование, а автор сообщает об ошибке во входных данных при дообучении и рекомендует обновлённую версию. Из-за включения материалов для взрослых модель может генерировать откровенный контент. Лицензия в метаданных — CC BY-NC 4.0; README также ограничивает использование некоммерческими и исследовательскими целями.

Chocolatine-Cook-3B-combined-SFT-DPO-v0.1 — модель генерации текста, разработанная Jonathan Pacifico в 2024 году и дообученная на базе microsoft/Phi-3.5-mini-instruct. Это плотная модель семейства Llama с 3,7 млрд параметров, рассчитанная на диалог и специализированная на французской кулинарной лексике: карточка сообщает о 283 терминах и определениях французской кухни. Модель прошла последовательное дообучение SFT и DPO на специально созданных франкоязычных кулинарных датасетах. Она предназначена для ответов на вопросы о кулинарных терминах и определениях, а также для диалога на тему французской кухни. Контекст составляет 4096 токенов; веса опубликованы в формате safetensors. Автор описывает модель как демонстрационный проект и сообщает, что у серии Chocolatine нет механизма модерации. Лицензия — MIT.

google/ddpm-bedroom-256 — модель генерации изображений безусловного типа на основе Denoising Diffusion Probabilistic Models (DDPM). Она создаёт изображения спален размером 256×256 пикселей без текстового запроса. Архитектура использует диффузионный процесс: начинает с шума и постепенно преобразует его в изображение. Модель предназначена для генерации образцов интерьеров спален и экспериментов с диффузионным синтезом изображений. Карточка описывает метод DDPM из работы Джонатана Хо, Аджая Джейна и Питера Абила, а репозиторий распространяет модель для библиотеки Diffusers на PyTorch. Для инференса указана совместимость с дискретными планировщиками шума, включая DDPM, DDIM и PNDM. Данные не подтверждают поддержку управления генерацией текстовыми подсказками. Модель распространяется по лицензии Apache-2.0. Поскольку генерация безусловная, результат не контролируется текстовым описанием; карточка также не сообщает об оценках качества именно этой версии.

v8-in — модель YoussefMoNader для обнаружения следов чернил на трёхмерных данных компьютерной томографии свитков Геркуланума, отсканированных с разрешением около 8 мкм. Она использует энкодер ResNet3D-50 и двумерный декодер U-Net; веса энкодера предварительно обучены на видео Kinetics-700 и Moments in Time. Для каждого участка модель принимает 24 слоя размером 64×64 пикселя, нормализует их статистики отдельно для каждого участка и выдаёт карту вероятностей наличия чернил. Модель обучена на 508 006 размеченных обучающих участках из 16 сегментов нескольких свитков и фрагментов. Она предназначена для сегментации чернил на развёрнутых поверхностях папируса и может использоваться для пакетной обработки слоёв слиянием предсказаний по перекрывающимся участкам. Для полной поверхности 4668×8864 пикселя README приводит оценку обработки около 15–20 минут на одном современном GPU при пакетной обработке 16 участков; это измерение зависит от оборудования. Модель распространяется по лицензии MIT.