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

deglaus разработал модель компьютерного зрения для классификации изображений. Карточка Hugging Face указывает задачу image-classification, архитектуру ViT и размер около 85,8 млн параметров. Название репозитория предполагает классификацию цифровых шахматных фигур ограниченного набора стилей, однако карточка модели пуста и не описывает классы или данные обучения, поэтому конкретное назначение по шахматным фигурам нельзя подтвердить. Модель принимает изображения и выдаёт метки классов. Репозиторий лицензирован по LGPL-3.0. Языковые возможности не относятся к её основной функции.

Microscopic model V1 — модель генерации изображений, созданная Fictiverse дообучением Stable Diffusion 1.5 на микроскопических изображениях. Она предназначена для создания изображений по текстовым запросам в микроскопической тематике; в запросах рекомендуется использовать слово «Microscopic». Модель работает через StableDiffusionPipeline библиотеки Diffusers и распространяется в формате Diffusers с весами PyTorch и SafeTensors. Модель подходит для генерации изображений микроскопических объектов и существ, а также для визуальных экспериментов с такой стилистикой. Лицензия — OpenRAIL. Длина контекста и список поддерживаемых языков не заявлены; примеры и рекомендации в карточке приведены на английском.

Модель Stanza для древнеанглийского языка (код ang), разработанная командой Stanford NLP. Она предназначена для лингвистического анализа текста и входит в набор моделей Stanza. В метаданных указана задача классификации токенов; формат весов — PyTorch. Модель можно использовать для анализа древнеанглийского текста в конвейерах NLP, где требуется разметка отдельных токенов. Репозиторий автоматически подготовлен из проекта huggingface-models для Stanza. Лицензия — Apache 2.0. Карточка не описывает конкретные виды разметки и подробные характеристики модели.

Stoicheia literary fold 2 — это анонимно выпущенный 405-миллионный символьный энкодер с маскированной диффузией для древнегреческого языка. Модель имеет размерность скрытого представления 1024 и 32 блока; три из каждых четырёх блоков используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для восстановления замаскированных символов и анализа древнегреческих текстов с разными редакторскими представлениями, включая непрерывное письмо без пробелов и лакуны неизвестной длины. Входные данные разделены на пять согласованных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; каждый слой можно независимо обозначить как неизвестный. Чекпойнт обучен без литературной тестовой части fold 2, а описанный в карточке конвейер исключает из обучающих данных дубликаты и близкие совпадения с отложенными зонами. Это свойство делает его пригодным для исследований передачи и восстановления текста, хотя не гарантирует качество на любом корпусе. Лицензия — Apache-2.0. Выпуск сопровождает статью, находящуюся на рецензировании; модель специализирована на древнегреческом и не заявлена как универсальная языковая модель.

Stoicheia literary fold 4 — анонимно выпущенный чекпойнт для анализа древнегреческих текстов. Это символьный masked-diffusion encoder на 405 млн параметров с архитектурой char-level BERT: 32 слоя, размерность d_model 1024 и чередование локального внимания в окне 256 символов с глобальным вниманием. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные значения. Модель предназначена для восстановления пропусков и анализа вариантов записи, включая отредактированный текст, scriptio continua и лакуны неизвестной длины. Чекпойнт fold 4 исключал из обучения тестовую часть своего литературного корпуса и рассчитан на оценку обобщения на ранее не встречавшихся текстах. Выпущен анонимно вместе со статьёй на рецензировании. Лицензия Apache-2.0.

Stoicheia — literary fold 6 — это анонимно выпущенный 405-миллионный символьный masked-diffusion энкодер для древнегреческого языка. Модель использует архитектуру char-level BERT с 32 блоками и размерностью 1024; три из каждых четырёх блоков применяют локальное внимание в окне 256 символов, а четвёртый — глобальное. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные элементы явно. Модель предназначена для восстановления пропусков и анализа древнегреческих текстов в разных формах записи, включая тексты без пробелов и лакуны неизвестной длины. Чекпойнт fold 6 исключает из обучения тестовую десятую часть литературного корпуса; авторы описывают процедуру удаления точных, переставленных и близких дубликатов на уровне предложений и произведений. Релиз сопровождает статью, находящуюся на рецензировании. Модель распространяется по лицензии Apache-2.0.

Stoicheia literary fold 7 — это анонимно выпущенный чекпойнт размером 405 млн параметров: символьный masked-diffusion энкодер для древнегреческого языка. Архитектура char-level с d_model 1024 и 32 блоками; в трёх из каждых четырёх блоков внимание ограничено окном в 256 символов, а каждый четвёртый блок использует глобальное внимание. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0. Модель предназначена для восстановления замаскированных элементов текста и анализа древнегреческих литературных текстов, в том числе с редакторскими знаками, непрерывным письмом без пробелов и лакунами неизвестной длины. Вход разделён на пять согласованных слоёв: буквы, границы слов и предложений, диакритика, регистр и пунктуация; каждый слой можно независимо обозначить как неизвестный. Чекпойнт fold 7 не обучался на тестовой части соответствующего литературного корпуса, что позволяет исследовать эти тексты с меньшим риском запоминания конкретных фрагментов. Модель разработана анонимными авторами как выпуск к статье, находящейся на рецензировании. Она рассчитана на древнегреческий и задачи классической филологии. README не описывает чат-интерфейс или генерацию связных ответов; основное назначение модели — предсказание замаскированных элементов. Доступна по лицензии Apache-2.0.

Stoicheia literary fold 7 — анонимно выпущенный исследовательский чекпойнт размером 405 млн параметров для древнегреческого языка. Это символьный masked-diffusion encoder с архитектурой char-level BERT: пять выровненных входных плоскостей кодируют буквы, границы слов и предложений, диакритические знаки, регистр и пунктуацию; параметры модели — d_model 1024, 32 слоя и полосное внимание, где три из каждых четырёх блоков используют окно в 256 символов, а четвёртый — глобальное внимание. Модель предназначена для восстановления замаскированных фрагментов и анализа вариантов записи древнегреческого текста, включая тексты без пробелов и лакуны неизвестной длины. Входные признаки можно независимо заменять явным состоянием «неизвестно», поэтому модель подходит для работы с редакторской разметкой и неполными источниками. Чекпойнт обучен без тестовой части литературного корпуса, отнесённой к fold 7; авторы описывают его как часть анонимного релиза к статье на рецензировании. Лицензия — Apache 2.0.

swin-age-classifier — классификатор изображений на архитектуре Swin, обученный предсказывать возраст по фотографиям. Модель разработана ibombonato на основе набора данных Ai Crowd Blitz XIII — Age Prediction; обучение длилось 80 эпох, а проект создан с помощью HuggingPics. Модель принимает изображение и выдаёт категорию или оценку возраста. Она предназначена для экспериментов с прогнозированием возраста по изображениям. Доступны веса в формате PyTorch. Сведения о лицензии и точности модели в карточке не приведены.

MolecularReality/tinyshakespeare-42m — текстовая генеративная модель семейства GPT-2, дообученная на наборе tiny_shakespeare. Она предназначена для продолжения текста и генерации фрагментов, стилизованных под произведения Шекспира. Модель использует архитектуру GPT2LMHeadModel, веса сохранены в формате safetensors, максимальный контекст составляет 2048 токенов. В карточке приведён результат оценки на тестовой выборке: loss 4,8737. Описание обучения и ограничений не раскрывает дополнительных деталей; применимость за пределами генерации текста на материале tiny_shakespeare не подтверждена. Условия лицензии в предоставленных данных не указаны.

ABot-Recon — модель потоковой 3D-реконструкции сцен, разработанная командой AMap CVLab. Она последовательно обрабатывает видеопоследовательности, используя фиксированный локальный контекст из 12 кадров: оценивает геометрию сцены в виде карты точек в координатах текущей камеры и относительное положение между соседними кадрами, затем объединяет локальные предсказания в глобальную реконструкцию. Модель рассчитана на онлайн-обработку очень длинных видео без необходимости хранить всю последовательность в контексте. Основной сценарий — восстановление геометрии сцены и движения камеры по видео. В карточке указана задача image-to-3d; модель также оценивает относительные позы камеры. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README ссылается на исследовательскую статью и код проекта.

Ancient Greek BERT — модель семейства BERT, разработанная для работы с текстами на древнегреческом языке. Это BERT-base с 12 слоями и размерностью 768; число параметров составляет 140,1 млн, а контекст — до 512 токенов. Модель обучена на монолингвальных данных First1KGreek Project, Perseus Digital Library, PROIEL Treebank и Gorman’s Treebank, с приведением греческого текста к нижнему регистру и удалением диакритики. Модель предназначена для извлечения признаков из древнегреческого текста и служит основой для дообучения на разметку частей речи и морфологический анализ. В README заявлены результаты выше 90% точности в среднем при дообучении на трёх древнегреческих деревьях. Метаданные указывают формат PyTorch и Safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

BabyLlama v0.6 — экспериментальная разговорная языковая модель kevin009 на архитектуре LlamaForCausalLM, дообученная на базе TinyLlama 1.1B с использованием RLHF и DOP. Она предназначена для диалогов с игривым, юмористическим и творческим стилем, например для развлекательных чат-ботов, интерактивных игр и экспериментов с персонажами. Модель имеет около 1 млрд параметров и контекст до 2048 токенов по метаданным; в README также заявлено расширение до 4096 токенов при дообучении. Указаны английский язык и обучение на Anthropic/hh-rlhf. Модель может поддерживать живую беседу и неожиданные ответы, но не настроена как полезный ассистент, может не следовать инструкциям и не имеет заявленных механизмов безопасности. Она ненадёжна для фактических ответов и задач, где важна точность. Лицензия — CreativeML OpenRAIL-M.

BERTrade-CamemBERT — контекстная языковая модель для старофранцузского языка, разработанная Grobol, Regnault, Ortiz-Suarez и соавторами в рамках работы 2022 года. Она основана на архитектуре CamemBERT и предназначена для получения контекстных представлений текста и подстановки пропущенных токенов; в статье также оценивается её пригодность для синтаксического анализа зависимостей старофранцузского языка. Модель содержит 137,8 млн параметров, принимает текст и обучена обрабатывать последовательности длиной до 514 токенов. Опубликована в форматах PyTorch и safetensors и доступна по лицензии MIT. README рекомендует цитировать исходную научную работу при использовании модели.

huggingtweets/bladeecity-jerma985 — языковая модель для генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Она основана на GPT-2 и дообучена на твитах Aim Nothyng и Jerma, чтобы генерировать короткие продолжения текста в стиле этих авторов. Модель предназначена для экспериментов и создания развлекательных текстовых ботов; пример использования — генерация нескольких вариантов продолжения заданной фразы. Модель принимает текст и выдаёт текст, работает с библиотекой Transformers и сохранена в формате PyTorch. Контекст составляет 1024 токена; карточка указывает английский язык. В обучающей выборке было 1620 твитов Aim Nothyng и 2695 твитов Jerma, включая ретвиты и короткие сообщения. Качество и характер генераций зависят от ограниченной выборки твитов. На модель распространяются ограничения и смещения GPT-2, а содержание исходных публикаций влияет на результаты. Лицензия в предоставленных данных не указана.

Muapi/breast-size-slider-pony-illustrious — LoRA-модель для генерации изображений по текстовому описанию, разработанная для экосистемы MUAPI. Она предназначена для использования совместно с базовой моделью OnomaAIResearch/Illustrious-xl-early-release-v0 в сценариях text-to-image, в частности для управления или изменения визуального размера груди персонажей. В README также указана совместимость с Pony/Illustrious. Модель относится к семейству Stable Diffusion XL и подключается через библиотеку diffusers или API MUAPI. Рекомендуемый пример использует разрешение 1024×1024, один результат и силу LoRA 1.0. Данные о размере обучаемых параметров, контексте, языках, модальностях помимо генерации изображений и конкретных обучающих словах не приведены. Для работы через API требуется ключ MUAPI. Лицензия указана как OpenRAIL++. Сильная сторона модели — специализированное управление отдельным визуальным атрибутом при генерации изображений на базе Illustrious. Ограничения README не описывает; также отсутствуют сведения о качестве на разных запросах, диапазоне рекомендуемых значений силы LoRA и допустимых сценариях коммерческого использования.

Chunky-Lemon-Cookie-11B-GGUF — квантизированная модель в формате GGUF, созданная на основе Chunky-Lemon-Cookie-11B разработчика FallenMerick. Это четвёртая модель в серии Lemon Cookie, ориентированной на ролевое общение, с акцентом на эмоционально выразительные взаимодействия. Квантизацию выполнил brooketh; модель опубликована в официальной библиотеке GGUF-моделей Backyard AI. Модель предназначена прежде всего для локальных текстовых чатов и ролевых сценариев, включая общение с персонажами. Заявлены поддержка английского языка, архитектурная совместимость с экосистемой Mistral и контекст до 8192 токенов. Размер модели — 11 млрд параметров. Формат GGUF позволяет распределять вычисления между CPU и GPU и использовать модель на более широком спектре оборудования. Сильными сторонами являются специализация на roleplay и заявленный высокий уровень эмоционального понимания. К ограничениям относятся ориентация преимущественно на английский язык, ограничение контекста 8192 токенами и возможное снижение связности и качества при использовании более агрессивных уровней квантизации. Модель распространяется по лицензии CC BY 4.0.

EBLANGPT-3 — русскоязычная разговорная модель от EBLANSoft, дообученная на переписке из приватного Telegram-чата. Это плотная GPT-2-подобная причинно-языковая модель RuGPT3XL для генерации текста и имитации неформального общения в стиле русскоязычного интернет-чата: со сленгом, мемами, эмодзи, ненормативной лексикой и резкими сменами темы. Модель содержит 1,7 млрд параметров, принимает текст и имеет контекст до 8192 токенов. Модель подходит для экспериментальной генерации разговорных реплик и стилизованных ответов. Карточка предупреждает о низком качестве и не рекомендует использовать её для программирования; приватный обучающий датасет не опубликован, поэтому проверить его состав нельзя. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, допускающей использование с указанием авторства и на некоммерческих условиях с сохранением той же лицензии.

neph1/gemma-2-2b-dunsany — экспериментальная текстовая модель neph1, созданная непрерывным дообучением Gemma 2. Она предназначена для генерации рассказов в стиле лорда Дансени. Обучение проводилось на небольшом наборе из 52 коротких рассказов из книг «Боги Пеганы» и «Время и боги»; «Книга чудес» в набор не вошла. Модель использует плотную архитектуру Gemma2ForCausalLM, содержит 2,7 млрд параметров и рассчитана на контекст до 8192 токенов. Она принимает текст и генерирует текст на английском языке. В карточке указано, что при обучении использовались Unsloth и библиотека TRL. Автор описывает проект как небольшое развлечение и проверку непрерывного предобучения на ограниченном наборе рассказов. Поэтому стиль и тематика генерации могут быть узкими, а качество на иных задачах не подтверждено. Лицензия — Apache-2.0.

Norod78/gpt-fluentui-flat-svg — компактная GPT-2-модель, обученная автором на SVG-файлах с плоскими эмодзи из репозитория Microsoft FluentUI. Модель генерирует текстовые последовательности SVG-разметки, которые можно извлечь и сохранить как отдельные SVG-файлы. Токенизатор и модель обучались с помощью aitextgen; по метаданным, архитектура — GPT2LMHeadModel, библиотека — Transformers, а файлы весов представлены в форматах PyTorch и Safetensors. Максимальная длина контекста составляет 4096 токенов. README описывает отдельные SVG path-элементы как обучающие данные, что задаёт узкую область генерации графических контуров эмодзи. Модель подходит для экспериментов с генерацией SVG-контуров в стилистике плоских эмодзи FluentUI. Качество и пригодность результата зависят от постобработки: README упоминает извлечение последовательностей в отдельные SVG-файлы. Лицензия — MIT; отдельные условия использования исходных данных FluentUI в карточке не раскрыты.

GPT-J Grug — полноразмерно дообученная модель на базе EleutherAI/gpt-j-6B, созданная автором репозитория на наборе DarwinAnim8or/grug из примерно 38 тысяч строк в стиле greentext. Обучение проводилось на Apple Silicon с MLX и AdamW; обновлялись все 28 блоков трансформера, а эмбеддинги и выходная голова остались от базовой модели. Модель предназначена для генерации коротких простых текстов в стилизованной манере Grug и greentext; иногда использует слово «bunga». Это плотная авторегрессионная GPT-J модель с контекстом 2048 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0.

Grok OSS Revenant 8B — независимая языковая модель, разработанная сообществом c4tdr0ut и не связанная с xAI или Meta. Модель создана на базе Meta-Llama-3.1-8B-Instruct и предназначена для генерации текста и диалогового взаимодействия. Модель ориентирована на пользователей, которым нужны неотфильтрованные и хаотичные разговорные ответы, творческое письмо, чёрный юмор, ролевая игра и другие неформальные сценарии. Она обучалась в два этапа: сначала методом SFT на многоходовом разговорном наборе данных, собранном из голосовых разговоров с Grok, затем методом ORPO на наборе предпочтений из 1000 примеров. Для обучения применялась LoRA в 16-битном формате; в README также указано использование оборудования NVIDIA L40S. Заявлен английский язык, модальность — текстовая, библиотека — Transformers. К сильным сторонам относятся выраженная разговорная индивидуальность, улучшенные после двухэтапного обучения связность и характер ответов, а также склонность к нестандартной и раскованной генерации. Ограничения включают возможные галлюцинации и потерю связности в очень длинных диалогах, а также вульгарное, хаотичное и непредсказуемое поведение из-за характера обучающих данных. Модель не рекомендуется для безопасных или профессиональных сценариев. Лицензия указана как other, без дополнительных условий в README.

Haru v2.0 — компактная корейская языковая модель для продолжения историй, разработанная автором репозитория alice-noa-chan. Она использует плотную причинную архитектуру CFRD с 16 983 213 параметрами и работает на рекуррентной глубине 6. Модель принимает текстовый контекст и предсказывает продолжение; длина контекста — 512 токенов, токенизатор BPE содержит 12 000 токенов. Модель обучена на корейском корпусе, включая набор Tiny-Ko-Stories, и предназначена прежде всего для генерации продолжений корейских рассказов. В карточке опубликованы результаты KoBEST, однако оценки близки к случайному уровню, поэтому их не следует считать свидетельством надёжных общих способностей. Haru v2 — устаревший выпуск; автор указывает, что актуальна версия Haru v3. Модель не следует использовать как ассистента, для ответов, требующих фактической точности, или в задачах, критичных для безопасности. При длинной генерации возможны повторы и путаница между персонажами; модель не прошла проверку безопасности, а генерация повторно обрабатывает контекст без кэша инференса. Лицензия — MIT.

Haru v2.0 — компактная корейская модель продолжения историй от разработчика gaon12. Она использует плотную причинную архитектуру CFRD с шестью рекуррентными слоями, содержит около 17 млн параметров и принимает контекст длиной до 512 токенов. Модель обучалась на корейском корпусе, включая набор Tiny-Ko-Stories; опубликованные веса представлены в формате safetensors. Лицензия — MIT. Модель предназначена для продолжения корейского текста и генерации коротких повествовательных фрагментов. Это не диалоговый помощник и не модель, следующая инструкциям. В README приведены результаты KoBEST, но они близки к уровню случайного выбора и не подтверждают надёжность для практических задач понимания текста. При генерации длинных фрагментов часто возникают повторы и ошибки отслеживания персонажей и других сущностей; модель может воспроизводить фактический стиль без достоверных знаний. Она не подходит для фактических или критичных по безопасности задач. Кэширование инференса не реализовано, поэтому при генерации повторно обрабатывается активный контекст.

QuixiAI/Ina-v11.1-gguf — это набор GGUF-квантизаций языковой модели Ina-v11.1, разработанной BaiAI и Eric Hartford (QuixiAI) с использованием QLoRA и DPO. Репозиторий подготовлен QuixiAI для запуска через llama.cpp и совместимые приложения, включая LM Studio. Указанный язык модели — английский. Модель предназначена прежде всего для ролевого взаимодействия и генерации художественного текста, включая длительные сессии role-play с персонажами, эротические и мрачные сценарии. Она ориентирована на точное следование определениям персонажей, заданным в блоках <<CHARACTER_DESCRIPTION>>, а также на сохранение заданного авторского голоса и поведения персонажа. В README заявлена высокая точность следования этим инструкциям в сессиях объёмом 10 000–15 000 токенов. Технические характеристики базовой модели, включая архитектуру, число параметров и точный размер контекстного окна, не указаны. Доступны квантизации от IQ3_XS и Q3_K_S до Q8_0 с размерами файлов примерно от 27 до 70 ГБ; более высокие уровни обычно сохраняют лучшее качество, но требуют больше оперативной или видеопамяти. Ограничения включают специализацию на англоязычном role-play и отсутствие подтверждённых сведений о качестве в других задачах и языках. Лицензия модели — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Модель scrollprize/ink_3d_dino_guided разработана для сегментации чернил непосредственно в трёхмерных микрокомпьютерных томограммах папируса PHerc. Paris 4. Она предназначена для виртуального разворачивания и чтения обугленного свитка из Геркуланума, где чернила различимы в объёмных данных CT. Это плотная 3D-сеть типа residual-encoder U-Net, построенная в стиле nnU-Net, примерно на 142 млн параметров, с одним выходным каналом вероятности чернил. На вход подаются одноканальные CT-фрагменты размером 256³; обучение объединяло разметку экспертов, руководство представлениями 3D DINOv2, маскирование фона и само-дистилляцию. Для вывода рекомендуется EMA-чекпойнт. Модель распространяется в формате PyTorch по лицензии MIT. Модель ориентирована на папирус PHerc. Paris 4 и обучение использовало данные нескольких свитков, поэтому качество на других сканах и материалах может отличаться. Для применения требуются CT-объёмы и пакет vesuvius для построения сети; модель выдаёт маску сегментации, а не распознанный текст.

susurofu/JFanFic — дообученная модель автора susurofu для генерации коротких художественных историй и фанфиков на японском языке. Она основана на двуязычной GPT-NeoX rinna/bilingual-gpt-neox-4b с 4,8 млрд параметров и контекстом 2048 токенов. В README описано дообучение QLoRA с 4-битной квантизацией на примерно 100 000 коротких фанфиков; репозиторий содержит веса в формате safetensors. Модель принимает текстовый запрос, в котором можно задать тип истории, заголовок, жанр и ключевые слова, и генерирует текст рассказа. Она предназначена для экспериментального и развлекательного создания японской фанфикшн-прозы в условиях ограниченных ресурсов. Автор предупреждает о нестабильных результатах и галлюцинациях: иногда запрос приходится генерировать повторно, а повышение temperature может усугубить нестабильность. Для генерации историй коммерческие модели обычно справляются лучше. Лицензия — Apache-2.0.

KainoBERTa-sphragis — языковая модель RoBERTa base, разработанная Urdatorn для древнегреческого языка. Это маскированная языковая модель с 12 слоями, размером 768 и 12 головами внимания; она содержит около 138,4 млн параметров и принимает последовательности длиной до 1 025 токенов. Веса обучены с нуля: модель не наследует веса FacebookAI/roberta-base. Модель обучена на очищенной версии корпуса Urdatorn/AncientGreek-no-sphragis и предназначена для предсказания замаскированных токенов и изучения языковых закономерностей древнегреческого. Она также служит архитектурным контролем в сравнении с KainoBERT на третьей редакции рейтинга Sphragis. Корпус очищен от работ бенчмарка, совпадающих строк и заданных текстовых окон, однако очистка не исключает всех коротких цитат, парафразов или текстов, встроенных в комментарии; кроме того, из обучения удалены произведения авторов, проверяемых бенчмарком. Лицензия в метаданных указана как other.

LFM2.5-230M-Chess — компактная языковая модель для игры в шахматы, опубликованная mlabonne и дообученная на базе LiquidAI/LFM2.5-230M-Base с использованием дистилляции Stockfish. Это плотная авторегрессионная модель класса Lfm2ForCausalLM с 222,2 млн параметров, рассчитанная на работу через Transformers; контекст составляет до 128 000 токенов, хотя шахматная позиция подаётся ей в фиксированном 80-токенном промпте. Модель сначала оценивает вероятность победы, затем предсказывает ход. Каждый возможный ход представлен отдельным токеном; приложение должно ограничивать выбор легальными ходами. По данным карточки, с неглубоким поиском глубины 3 она достигает примерно 2004 Elo, а при одном проходе без поиска — около 1500 Elo. Подходит для шахматного движка с языковым интерфейсом и демонстрационных приложений. Репозиторий содержит веса Safetensors и имеет лицензию `other`; конкретные условия лицензии следует проверить в карточке модели. Для корректной игры требуется внешняя логика, которая передаёт позицию и маскирует нелегальные ходы.

vantagewithai/LTX2.3-10Eros-1.3-GGUF — GGUF-версия модели LTX2.3-10Eros, разработанная VantageWithAI на основе TenStrip/LTX2.3-10Eros. Модель предназначена для преобразования изображения в видео в ComfyUI с использованием библиотеки Diffusers и ориентирована на генерацию сцен с выраженными движениями, в том числе эротического и откровенного характера. Версия 1.3 оптимизирована для работы с DMD LoRA и специальными рабочими процессами ComfyUI, включая V5 DMD. Это не обычное объединение весов, а слияние с масштабированием слоёв и использованием компонентов Sulphur-2-base и Sulphur EXP. По заявлению автора, версия снижает количество артефактов вроде призрачной анатомии, нежелательных субтитров и неожиданных переходов, сохраняя сопоставимый уровень явных движений и зависимость результата от подробного, строгого и директивного промпта. Модель требует специализированных ComfyUI-узлов TenS-устанавливаемых узлов, совместимого рабочего процесса и DMD LoRA. README не содержит точных сведений о размере модели, максимальном контексте, поддерживаемых языках, аудиовозможностях или лицензии. Модель слабо интерпретирует намерения без явных инструкций: в промпте необходимо отдельно описывать исходный кадр, движения, изменения композиции и звук. Условия лицензирования в предоставленных данных не указаны.