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

DBBErt — модель семейства BERT, дообученная для обработки византийского греческого языка на данных Database of Byzantine Book Epigrams. Она предназначена для разметки частей речи, морфологического анализа и лемматизации греческих текстов критических изданий и неотредактированных средневековых текстов, включая материалы с нестандартной орфографией, диалектными и историческими вариантами и условностями транскрипции рукописей. В метаданных указаны архитектура BertForMaskedLM, 136,7 млн параметров, контекст до 512 токенов и формат PyTorch; карточка также указывает задачу token-classification. Лицензия — MIT. Модель специализируется на византийском греческом, поэтому её применимость к современному греческому и другим языкам не подтверждена.

google/ddpm-ema-bedroom-256 — модель диффузионной генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM), опубликованная Google. Она предназначена для безусловного создания изображений спален размером 256×256 пикселей: генерация не требует текстового запроса или другого условия. Модель распространяется в формате Diffusers и использует PyTorch; для запуска подходят дискретные планировщики шума, включая DDPM, DDIM и PNDM. Карточка ссылается на работу Джонатана Хо, Аджая Джейна и Питера Аббила о диффузионных вероятностных моделях. Модель ориентирована на синтез изображений интерьеров спален и может применяться для создания примеров или экспериментов с диффузионной генерацией. Лицензия — Apache-2.0. Модель генерирует изображения без входного текста. Её специализация ограничена сценами спален, поэтому она не предназначена для универсальной генерации изображений или следования текстовым инструкциям.

EDITH 250M — компактная текстовая GPT-модель автора Tomionkkas, обученная с нуля и предназначенная как генеративная часть retrieval-grounded системы о Marvel. Выпущенная версия — instruction-tuned stage 3; она формулирует ответы на основе найденных записей, тогда как многие ответы система может отдавать непосредственно из источника. В репозитории также есть stage 2 для продолжения текста, но он не предназначен для ответов на вопросы. Модель содержит 250 млн параметров: 16 слоёв, 16 голов внимания, размерность 1024, словарь 50 257 токенов и контекстное окно 1024 токена. Использует PyTorch и веса safetensors в fp16; README сообщает о совпадении результатов fp16 и fp32 на 20 проверенных вопросах. Обучающие данные — англоязычный корпус записей Marvel Database и Wikipedia с общей языковой подмешкой FineWeb-Edu; модель рассчитана прежде всего на вопросы о Marvel на английском языке. Модель небольшая и имеет намеренно ограниченные знания вне Marvel; автор предупреждает, что отдельно она мало полезна и обладает пробелами в знаниях. Для научных, математических и исторических тем вне Marvel её не следует считать надёжной. Лицензия репозитория — MIT; проект не связан с Marvel Entertainment или Disney.

emotion_classification_2 — дообученная модель Vision Transformer для классификации изображений. Она основана на google/vit-base-patch16-224-in21k, содержит 113,2 млн параметров и распространяется в формате PyTorch. В README указана оценка accuracy 0,5188 на тестовой выборке; набор классов и подробности данных не описаны. Модель предназначена для отнесения изображений к категориям эмоций. Её можно применять как отправную точку для экспериментов с распознаванием эмоций по изображениям, однако указанная точность ограничивает надёжность результатов. Лицензия — Apache-2.0.

eva02_large_patch14_clip_336.merged2b_ft_inat21 — модель классификации изображений из серии экспериментов по дообучению timm на данных iNaturalist 2021. Она предназначена для распознавания видов живых организмов по фотографиям: обучающий набор охватывает 10 000 видов, а при обучении использовались изображения размером 336 пикселей. В карточке указаны точность Top-1 92,05% и Top-5 98,01%. Модель основана на EVA02 Large с архитектурой Vision Transformer и CLIP-предобучением; её веса доступны в форматах PyTorch и Safetensors. Специализация на iNaturalist делает её подходящей для определения видов по природным снимкам, но карточка отмечает, что набор и модель охватывают меньше видов, чем модели на сайте iNaturalist. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

evex-4 — авторская компактная японская разговорная модель, обученная с нуля для воспроизведения бесед на конкретном сервере Discord. Это decoder-only трансформер с RoPE, RMSNorm и SwiGLU: около 18,9 млн параметров, 8 слоёв, размерность 384, 6 голов внимания, контекст 1024 токена и словарь SentencePiece BPE на 12 288 токенов с byte fallback. Модель принимает текст и генерирует продолжение диалога; для работы требуется специальный формат с токенами каналов, начала и конца беседы и говорящих. Модель предназначена для генерации реплик в стиле серверного общения и ролевых диалогов на японском языке. Обучение включало внешние японские диалоговые данные, затем логи этого сервера и отдельный этап на сообщениях с реакциями. Модель особенно связана с лексикой и внутренними темами сообщества, поэтому не является универсальным японским ассистентом. Веса опубликованы в формате safetensors по лицензии CC-BY-4.0.

FinedGPT — дообученная модель GPT-2, опубликованная пользователем 12sciencejnv. Она генерирует на английском языке ответы на вопросы об исламе, используя пары вопрос–ответ из набора данных minhalvp/islamqa. Модель построена на архитектуре GPT-2 и предназначена для генерации текста по запросу; её контекстное окно составляет 1024 токена. В карточке приведены значение perplexity 170,31 на валидационной выборке этого набора и итоговый training loss около 2,3 после трёх эпох дообучения. Эти показатели сами по себе не подтверждают точность ответов или их соответствие исламским источникам. Модель распространяется по лицензии Apache-2.0.

Модель ginic/full_dataset_train_3_wav2vec2-large-xlsr-53-buckeye-ipa — англоязычная система автоматического распознавания речи на архитектуре Wav2Vec2ForCTC с 402,7 млн параметров. Она создана для экспериментов по фонетической транскрипции на корпусе Buckeye и представляет собой дообученную версию facebook/wav2vec2-large-xlsr-53 на обучающей выборке этого корпуса; из обучения исключены слишком короткие записи длительностью менее 12 секунд. Модель предназначена для транскрибирования речи и оценки фонетического распознавания, в том числе для экспериментов по обобщению на другие корпуса, диалекты и варианты произношения. Она принимает аудио и выдаёт текстовую транскрипцию. Распространяется по лицензии MIT. Качество и область применимости за пределами данных Buckeye требуют отдельной оценки.

AbstractPhil разработал DavidBeans — экспериментальную модель компьютерного зрения для классификации изображений. Архитектура объединяет ViT-подобную BEANS-основу с разреженным вниманием, управляемым через Cantor routing, и классификатор DAVID, который использует многомасштабную геометрическую проекцию с регуляризацией Cayley–Menger. В метаданных указаны архитектура типа MoE и задача image-classification. В README приведены результаты запусков на CIFAR-100: базовый вариант достиг точности 70,05%, а вариант с пятью экспертами и пятью масштабами — 68,34%. Эти результаты относятся к указанным обучающим запускам и не гарантируют аналогичного качества на других наборах изображений. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

GePaBERT — модель семейства BERT, разработанная на основе deepset/gbert-large и дообученная на корпусе выступлений в Бундестаге Германии. Она создана для задачи атрибуции говорящего в парламентских дебатах, в частности для участия в соревновании KONVENS 2023. В репозитории указана задача заполнения пропусков в тексте (fill-mask). Модель содержит около 434,5 млн параметров, принимает текст с замаскированными токенами и рассчитана на контекст до 512 токенов. На отложенной случайной выборке авторы сообщают loss 0,7997 и accuracy 0,8020. Модель ориентирована на немецкие парламентские речи за период с 1980 года по апрель 2023 года. Лицензия — MIT. Результаты оценки относятся к описанной выборке и сами по себе не подтверждают качество атрибуции говорящего на других типах текстов.

Gita-SastraGPT-V1-i1-GGUF — это набор GGUF-квантизаций модели Gita-SastraGPT-V1, разработанной mBITANU и квантизированной mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, связанных с философией и «Бхагавад-гитой»; в метаданных также указана поддержка английского языка. Она может использоваться локально через совместимые инструменты для работы с файлами GGUF. В README не указаны точные размер базовой модели, архитектурные параметры, длина контекста, мультимодальные возможности и метод обучения; известны лишь теги Gemma и instruction-fine-tuning. Доступны варианты квантизации от IQ1 и Q2 до Q6, размером примерно от 0,9 до 2,2 ГБ. Более лёгкие варианты требуют меньше ресурсов, но могут заметно уступать по качеству; среди рекомендованных указаны i1-Q4_K_M и i1-Q4_K_S, а IQ-квантизации часто предпочтительнее сопоставимых обычных вариантов. Ограничения качества зависят от выбранного типа квантизации. Лицензия модели — MIT. README не содержит подробных результатов оценки, инструкций по применению самой модели или сведений о безопасности и фактическом качестве ответов, поэтому её следует проверять на конкретных задачах, особенно при использовании для интерпретации религиозных и философских текстов.

gs-GreBerta — дообученная модель CNR-ILC на базе bowphs/GreBerta. Это плотная модель RoBERTa для заполнения пропусков в древнегреческом тексте: она предсказывает вероятные токены в замаскированных позициях. Размер модели — 153,2 млн параметров, максимальный контекст — 514 токенов. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0. В README приведены результаты оценки: Top-1 — 36,95%, Top-5 — 62,25%, Top-10 — 68,07%. Датасет обучения и подробности сценариев применения не описаны. Модель подходит для экспериментов с восстановлением пропусков в древнегреческих текстах; результаты предсказания требуют проверки, особенно для текстов вне данных оценки.

Iambe-RP-v3-20b — англоязычная текстовая модель генерации на архитектуре Llama с плотной структурой и 19,8 млрд параметров. Она предназначена для ролевого общения и написания художественных сцен, с акцентом на следование инструкциям, понимание анатомии и состояния сцены, а также эмоциональный, человекоподобный стиль. Для запросов подходят форматы Alpaca и ChatML. Модель обучена в один проход методом DPO на наборе athirdpath/DPO_Pairs-Roleplay-Alpaca-NSFW-v1 поверх Iambe-RP-DARE-20b-DENSE; в карточке указаны стандартный DPO и скорость обучения 2e-5. Контекст составляет 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование ограничено условиями лицензии. Модель ориентирована на создание откровенного ролевого и эротического текста. Карточка демонстрирует генерацию длинных сцен, но не приводит независимых оценок качества; как и другие языковые модели, она может выдавать вымышленные или непоследовательные детали. Ее применение для сценариев вне ролевого письма не подтверждено карточкой.

Модель tsukemono/japanese-novel-gpt-j-6b-f16-marisa — дообученная версия japanese-novel-gpt-j-6b для диалога от лица Кирисамэ Марисы, персонажа Touhou Project. Это плотная авторегрессионная GPT-J-модель с 6 млрд параметров; она принимает текстовый промпт в формате «ユーザー: …[SEP]魔理沙: » и генерирует продолжение диалога на японском языке. Модель предназначена для ролевого общения и любительских бесед с персонажем. Репозиторий содержит веса PyTorch в формате f16; для запуска в README приведён пример через Google Colab. Контекст — до 2048 токенов. Это фанатская производная модель по Touhou Project; README просит соблюдать ограничения использования OpenRAIL. Лицензия в предоставленных данных не указана.

Joker-Sultan-270M — экспериментальная языковая модель, разработанная Subrit Dikshit. Это плотный авторегрессионный трансформер в стиле Gemma примерно на 283 млн параметров, обученный с нуля на преимущественно англоязычных общих текстах и индийских юридических материалах. Модель генерирует текст; её контекст составляет 2048 токенов, а карточка указывает поддержку английского и многоязычных данных. Модель предназначена для развлекательной генерации сюрреалистичной юридической прозы, творческого письма и изучения галлюцинаций и ошибок языковых моделей. Она воспроизводит форму юридических текстов, но смешивает вымысел с правовой терминологией и уверенно выдаёт недостоверные утверждения. Лицензия — Apache-2.0.

KoolCogVideoX-5b — модель генерации видео из текста, дообученная на базе CogVideoX-5B для сценариев дизайна интерьеров. Она предназначена для создания коротких видеосцен помещений по текстовому описанию, например гостиных, спален и кухонь с заданной мебелью, отделкой, освещением и стилем. Модель использует библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Примеры в карточке охватывают современные интерьеры с минималистичной эстетикой и нейтральной цветовой гаммой. Модель унаследована от CogVideoX-5B; размер и длина контекста в предоставленных данных не указаны. Лицензия не приведена в доступных источниках.

LaBerta — одноязычная модель семейства RoBERTa, разработанная для задач классической филологии. Это энкодерная модель размером с RoBERTa-base, обученная на корпусе Corpus Corporum; её архитектура предназначена для восстановления замаскированных токенов в тексте. Модель содержит 153,2 млн параметров и поддерживает контекст до 514 токенов. LaBerta подходит для предсказания пропущенных слов и может служить основой для дообучения на филологических задачах. В карточке приведены результаты дообучения на данных разметки частей речи EvaLatin 2022: 98,11 для классического жанра, 96,73 при переносе между жанрами и 93,33 при переносе между периодами. Эти показатели относятся к дообученной модели и не описывают напрямую качество исходного чекпойнта. Модель распространяется по лицензии Apache-2.0.

LLaMA2-13B-Erebus-v3 — третье поколение модели Shin'en, разработанной Mr. Seeker и опубликованной KoboldAI. Это плотная авторегрессионная модель семейства LLaMA 2 на 12,9 млрд параметров, дообученная для генерации текстов на материалах взрослой тематики. Обучающая выборка объёмом 2,3 млрд токенов объединяет восемь источников, включая рассказы и романы с рейтингом 18+; жанры размечены тегом [Genre: ]. Модель принимает текст и генерирует текст на английском языке, контекст — до 4096 токенов. Модель предназначена для создания художественных рассказов и ролевых сценариев для взрослой аудитории. Её выраженная специализация — откровенный контент; автор предупреждает о сильном смещении в сторону NSFW и непригодности для несовершеннолетних. Возможны также предубеждения, связанные с полом, профессией, расой и религией. Репозиторий содержит веса в формате safetensors, лицензия — Llama 2.

LM Playschool Challenge 2026 — экспериментальная версия R3 от команды DAIR, полученная дообучением Qwen/Qwen3.5-2B методом SFT на успешных эпизодах самой модели в восьми диалоговых играх. Модель содержит 1,7 млрд параметров, использует плотную архитектуру Qwen3.5 и предназначена для генерации текста в диалогах и игровых сценариях. Контекстное окно — до 262 144 токенов; модель работает через Transformers. Дообучение проводилось один лёгкий эпохой на 516 траекториях, собранных из 490 эпизодов с долей успеха 63%; использовалась LoRA r=16, без KL-якоря и повторного обучения на общих данных. Авторы сообщают о снижении результата на валидации с 67,39 у предыдущей версии R2 до 61,06 у R3 и публикуют её как отрицательный результат. Модель доступна по лицензии Apache-2.0.

darjja/oxford-17-flowers-cnn — небольшая сверточная нейронная сеть на PyTorch, обученная на наборе Oxford 17 Flowers. Она классифицирует RGB-изображения по 17 категориям цветов: среди них колокольчик, лютик, крокус, нарцисс, ромашка, ирис, подснежник, подсолнух и тюльпан. Модель предназначена для распознавания цветов на фотографиях и учебных проектов по компьютерному зрению. Репозиторий распространяется по лицензии Apache-2.0. Описание указывает на обучение на конкретном наборе из 17 классов; точность за его пределами не подтверждена.

pornworks-anime-desire-nsfw-pony-sdxl — модель генерации изображений по текстовому описанию, созданная pornworksai и опубликованная пользователем John6666. Модель предназначена для создания аниме-изображений для взрослой аудитории, включая эротический и NSFW-контент, с использованием экосистемы Diffusers и Stable Diffusion XL Pipeline. Модель работает в режиме text-to-image, поддерживает английский язык запросов и ориентирована на стилистику anime, hentai и Pony. Она распространяется в формате, совместимом с библиотекой Diffusers; в метаданных указан формат safetensors и лицензия other, а в README уточнено, что применяется лицензия FAI PL-1.0-SD. Ограничения связаны с предназначением модели для совершеннолетней аудитории, возможными ошибками в содержании и качестве сгенерированных изображений, а также условиями лицензии FAI PL-1.0-SD. Необходимо соблюдать законодательство и правила площадки при создании и распространении изображений.

sach0312/qwen3-0.6b-nhl-polymarket-sft-v2-merged — компактная текстовая генеративная модель на базе семейства Qwen3, опубликованная пользователем sach0312 на Hugging Face. По названию репозитория она предназначена для сценариев, связанных с NHL и рынками прогнозов Polymarket, и представляет собой объединённую SFT-версию модели. В метаданных указано 507,9 млн параметров и контекст до 40 960 токенов; для работы используется библиотека Transformers и формат Safetensors. Модель может применяться для генерации ответов, анализа хоккейных матчей и подготовки текстов, связанных с прогнозными рынками, если такое поведение действительно закреплено данными дообучения. README не содержит сведений о разработчике, исходной модели, тренировочных данных, результатах оценки, поддерживаемых языках и лицензии, поэтому эти характеристики нельзя подтвердить. Лицензионные условия перед использованием необходимо проверить отдельно на странице репозитория.

RenderFormer-V1-Base — модель RenderFormer для нейронного рендеринга треугольных сеток с глобальным освещением. Репозиторий Microsoft содержит веса модели; карточка направляет к проекту и статье за подробностями реализации и использования. По метаданным, модель использует PyTorch и распространяется в формате safetensors, её задача — преобразование изображений. Лицензия — MIT. Доступные сведения не раскрывают архитектурные параметры, размер модели, контекст, поддерживаемые языки или точный формат входных данных и результата. Поэтому область применения можно определить лишь в общих чертах как рендеринг изображений; качество, ограничения и требования к запуску по карточке установить нельзя.

calebcsjm/reversed_harrypotter_generation — языковая модель для генерации текста, созданная дообучением distilgpt2. Карточка связывает её с генерацией в тематике «Гарри Поттера», однако подробности о назначении и обучающих данных не приведены. Модель основана на архитектуре GPT-2 и принимает текст для продолжения или генерации. Указанный контекст составляет 1024 токена. Она распространяется в формате PyTorch по лицензии Apache-2.0. Сведения о качестве, языках и конкретных ограничениях генерации отсутствуют.

Rukh medium LoRA — это плотный GPT-декодер семейства Rukh, созданный автором проекта chorcat с нуля для предсказания следующего шахматного хода по истории партии в формате UCI. Модель содержит 152,6 млн параметров, использует словарь из 2030 фиксированных токенов и контекст до 200 ходов. Она принимает последовательность ходов и предсказывает следующий токен; ONNX-граф также принимает факторы LoRA как входы, что позволяет подключать адаптеры стиля без отдельной копии весов для каждого стиля. Репозиторий содержит ONNX и Safetensors, библиотека запуска — rukh. Модель предназначена для игры в шахматы по истории партии и предсказания следующего хода. В оценке авторов точность предсказания хода top-1 составила 54,4%, законность наиболее вероятного хода без маски — 99,8%, а оценка силы — около 1504 Elo. Для приложения, которое генерирует ходы, требуется маска легальности: без неё возможны незаконные ходы. Это языковая модель ходов без поиска и функции оценки, поэтому она может пропускать тактику; при подаче позиции без истории партии её сила заметно ниже. Модель обучена на партиях людей с рейтингом 1800+ и воспроизводит их ошибки. Лицензия — Apache-2.0.

E621 Rising v1 — модель генерации изображений на основе Stable Diffusion 2.1, разработанная Hearmeneigh и дообученная на отобранных изображениях из E621. Она создаёт изображения по текстовым запросам, особенно с антропоморфными персонажами и тегами, характерными для разметки E621. Модель обучалась 19 эпох на наборе из 5 356 тегов и рассчитана на генерацию изображений размером 512×512 пикселей. Модель предназначена для создания фурри-арта, включая откровенный контент. В README указано, что эта версия устарела и уступает более новой версии 2. Поддерживаются Diffusers и интерфейс stable-diffusion-webui; веса доступны в форматах Diffusers, PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Это диффузионная модель из учебного проекта Unit 1 of the Diffusion Models Class, опубликованная пользователем dinyy9911. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска карточка предлагает библиотеку Diffusers и конвейер DDPMPipeline; веса представлены в формате safetensors. Модель распространяется по лицензии MIT. Модель подходит для генерации декоративных изображений бабочек и учебных экспериментов с диффузионной генерацией. Карточка не приводит сведений о размере модели, разрешении изображений или данных обучения.

jonghyuns/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Она представлена как первая модель курса по диффузионным моделям и запускается через DDPMPipeline библиотеки Diffusers. Модель создаёт изображение без текстового запроса; карточка не сообщает размер изображений или другие параметры архитектуры. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии MIT.

KMS07/sd-class-butterflies-32 — диффузионная модель, опубликованная KMS07 как работа для курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска карточка предлагает библиотеку Diffusers и конвейер DDPMPipeline. Модель распространяется в формате Diffusers с весами Safetensors по лицензии MIT. Размер, разрешение генерируемых изображений, языки и дополнительные возможности в карточке не описаны.

ph-mich/sd-class-butterflies-32 — диффузионная модель для безусловной генерации изображений милых бабочек. Карточка относит её к учебному проекту по диффузионным моделям и показывает использование через DDPMPipeline библиотеки Diffusers: модель создаёт изображение без текстового запроса. Модель распространяется в форматах Diffusers и safetensors и имеет лицензию MIT. Размер модели, разрешение изображений и языковые характеристики в предоставленных данных не описаны.