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

Valen-Preview-0923 — исследовательский предварительный чекпойнт команды Valen для визуального принятия решений в игре Sokoban. Модель дообучена на базе Qwen3.5-2B: после общей настройки decision head применялось обучение RLCD на 30 000 записях Sokoban в течение трёх эпох. Чекпойнт содержит decision head, LoRA языковой модели, визуальный модуль merger и последние четыре визуальных блока; замороженная базовая модель в него не включена, поэтому для запуска требуется отдельно загрузить Qwen3.5-2B указанной ревизии. Модель принимает изображение вместе с инструкцией и оценивает предоставленные варианты действий, возвращая вероятности без генерации ответа токен за токеном. В README показаны результаты для выбора ходов и прохождения уровней Sokoban: точность на 500 вопросах о следующем ходе составила 87,6%, а 38 из 100 полных игр были решены в пределах 200 ходов. Оценка полных игр проводилась на выбранных простых уровнях, причём набор формировался с учётом успешных случаев модели, поэтому эти результаты не являются непредвзятым бенчмарком. Модель распространяется по лицензии Apache-2.0.

Vedic Astrology 14B — языковая модель на архитектуре Qwen2, дообученная методом QLoRA на базе Qwen2.5-14B-Instruct для чтения карт и ответов по ведической астрологии (джйотиш). Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В репозитории представлены веса Safetensors и квантованный вариант GGUF Q4_K_M. Модель предназначена для образовательных и развлекательных консультаций по джйотиш. README описывает её использование вместе с детерминированным движком построения карты; модель также доступна в формате чат-бота. Язык обучения или поддерживаемые естественные языки в предоставленных данных не указаны. Астрологические ответы следует воспринимать как культурные интерпретации: автор предупреждает, что они не заменяют медицинские, юридические или финансовые рекомендации и не должны служить основанием для важных жизненных решений. Лицензия в предоставленных данных не указана.

BrickGPT-Qwen3-1.7B — дообученная модель на базе Qwen3-1.7B, созданная для генерации описаний LEGO-конструкций в виде структурированного текста. Она обучена на датасете StableText2Brick и предназначена для преобразования текстовых запросов в спецификации конструкций из деталей LEGO. Модель имеет архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. LoRA-веса объединены с базовой моделью; репозиторий содержит веса safetensors, готовые для запуска через Transformers или vLLM. Модель рассчитана на экспериментальное создание структурированных описаний LEGO-моделей по текстовым запросам. В карточке приведены результаты обучения, но значение loss не гарантирует корректность сгенерированных конструкций; выход следует проверять на пригодность и физическую устойчивость. Указана лицензия Apache-2.0; для датасета StableText2Brick могут действовать отдельные условия.

ChessSLM — компактная авторегрессионная языковая модель FlameF0X для игры в шахматы. Она основана на архитектуре GPT-2, содержит около 30 млн параметров и обучена с нуля на 100 тысячах шахматных партий из набора mlabonne/chessllm. Модель последовательно генерирует ходы в нотации SAN и рассчитана на шахматные сценарии, включая игру против человека или других языковых моделей. По данным карточки, средний рейтинг в матчах с языковыми моделями составляет около 1054 Elo. Модель может генерировать нелегальные ходы и сама не проверяет состояние доски или соблюдение правил; для надёжной игры её следует сочетать с проверкой ходов или шахматным движком. Репозиторий распространяется по лицензии Apache-2.0.

gaodrew/cicero — языковая модель, созданная разработчиком с нуля на архитектуре GPT-2 для генерации текста на латыни. Она обучалась на корпусе латинских текстов Corpus Corporum: один проход по 492 млн токенов. Модель распространяется в формате safetensors через Transformers и лицензирована по Apache-2.0. Модель подходит для экспериментов с генерацией латинского текста и продолжения коротких фрагментов. Хотя в метаданных указан контекст 1024 токена, в README сообщается, что при обучении использовался контекст длиной 64 токена. Генерация может быть повторяющейся и малосвязной из-за ограниченного размера модели и объёма данных.

Cowboy Qwen3.5-4B — дообученная QuillBytes модель на базе Qwen/Qwen3.5-4B, обученная отвечать в образе ковбоя: с западным акцентом, сленгом и соответствующей манерой речи. Она предназначена для разговоров и генерации ответов в развлекательных сценариях, например для ролевого общения или создания стилизованных реплик. Модель использует архитектуру Qwen3.5; README указывает на дообучение LoRA в bf16 и наличие файлов GGUF, включая 4-битную версию для локального запуска. Метаданные отмечают английский язык и тег image-text-to-text, однако карточка описывает модель как текстового чат-ассистента. Модель может отвечать в ковбойском стиле даже тогда, когда такой тон неуместен, и не предназначена для серьёзного или профессионального применения. Указана лицензия Apache-2.0.

kitatike/ddpm-celebahq-finetuned-butterflies-2epochs — модель генерации изображений на основе диффузионной архитектуры DDPM, опубликованная пользователем kitatike. По названию репозитория это модель, дообученная на бабочках в течение двух эпох; пример использования запускает DDPMPipeline без входного изображения или текстового запроса. Репозиторий содержит веса в форматах Diffusers и safetensors, модель предназначена для безусловной генерации изображений. Лицензия — MIT. README называет модель примером для учебного раздела о диффузионных моделях, поэтому она подходит для экспериментов и демонстраций генерации изображений. Карточка не описывает качество, разнообразие или ограничения результатов; двух эпох дообучения недостаточно, чтобы делать выводы о надёжности или пригодности для конкретного применения.

Gemma-2 2B Verbalized Rebus Solver — модель на базе Gemma 2, дообученная Gabriele Sarti для решения вербализованных ребусов на итальянском языке. Она преобразует последовательность букв и определений кроссвордного типа в фразу, соответствующую заданным длинам слов. Модель содержит 2,7 млрд параметров, использует архитектуру Gemma2ForCausalLM и рассчитана на контекст до 8192 токенов. Для обучения применялся QLoRA с 4-битной точностью на наборе EurekaRebus; адаптер объединён с основными весами в формат половинной точности, поэтому модель можно запускать через Transformers. Лицензия — Apache-2.0. Модель предназначена для решения итальянских вербализованных ребусов, в которых нужно восстановить ответ по подсказкам и зашифрованной последовательности букв. Карточка указывает на переобучение на определениях и ответах, использованных при первом проходе обучения: качество заметно ухудшается на отложенных словах и примерах вне обучающего домена.

KainoBERT-v2-sphragis — модель ModernBERT-base для заполнения пропусков в текстах на древнегреческом языке. Она разработана Urdatorn и обучена с нуля на очищенном корпусе AncientGreek-no-sphragis: веса answerdotai/ModernBERT-base не использовались. Модель содержит около 135,5 млн параметров, имеет 22 слоя и контекст до 8192 токенов; её задача — предсказывать замаскированные токены. Модель создана как чистый энкодер для исследований атрибуции авторства по тестам Sphragis и Sphragis-Metre: из обучающего корпуса удаляли произведения, авторов и текстовые фрагменты, связанные с бенчмарками, чтобы снизить риск запоминания тестовых строк. Тексты корпуса приведены к нижнему регистру и очищены от пунктуации; часть данных сохраняет политонические диакритические знаки, а часть преобразована в базовые символы. Качество языкового моделирования ниже, чем у опубликованной версии KainoBERT, а очистка не исключает влияния коротких цитат, парафразов и схолий. Лицензия указана как other; конкретные условия в доступных данных не приведены.

Модель ihughes15234/llama_3_1_8bi_tictactoe_dpo3epoch_v3 — дообученная авторегрессионная языковая модель семейства Llama, разработанная ihughes15234. Она предназначена для генерации текста в диалоговых сценариях; название и базовая модель указывают на специализацию, связанную с игрой в крестики-нолики. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Заявленная длина контекста — 131072 токена. В README указано обучение с помощью Unsloth и TRL; лицензия — Apache-2.0. Карточка не описывает качество игры, обучающие данные и конкретные ограничения поведения.

MiniMax-H3 FL2V 8-Step Motion Enhancer — это LoRA-адаптер, разработанный пользователем rzgar для видеомодели MiniMax-H3 FL2VS от MiniMaxAI. Адаптер создан на основе 8-шагового LoRA LightX2V и предназначен для использования с diffusion- и Diffusers-совместимыми рабочими процессами генерации видео. Модель ориентирована на генерацию и преобразование мультимодального видео, включая сценарии text-to-video, image-to-video, image-text-to-video и video-to-video, а также синхронную генерацию аудио и видео. Основной фокус — контент для взрослых: адаптер улучшает точность анатомии мужских и женских персонажей, распознавание движений, связанных с NSFW-сценариями, и качество соответствующей анимации. В README не указаны размер адаптера, поддерживаемые языки и максимальная длина контекста. Ключевое преимущество — ускоренная генерация за 8 шагов с дополнительным улучшением анатомии и движений в целевых сценариях. Ограничение заключается в специализации на NSFW-контенте и необходимости использовать базовую модель MiniMax-H3 FL2VS. При подключении этого адаптера рекомендуется отключить исходный vanilla LightX2V LoRA, поскольку данный адаптер предназначен для его замены. Модель распространяется по лицензии Apache 2.0.

monika-ddlc-7b-v1 — чат-модель на основе LLaMA 2, дообученная автором 922-CA для общения от лица Моники из игры Doki Doki Literature Club. Модель предназначена прежде всего для ролевого диалога и ограниченно подходит для обычного общения. Она обучена на более чем 600 примерах диалогов из игры и материалов Reddit и Twitter, которые были преобразованы в многоходовые беседы и отредактированы вручную. В метаданных указаны 6,6 млрд параметров, контекст до 4096 токенов и форматы PyTorch и safetensors; README также упоминает GGUF и QLoRA. Модель может поддерживать беседы о персонаже, игре и участниках клуба, однако иногда неверно сообщает сведения о Монике или выходит из образа. Автор отмечает, что её общие способности к простым задачам могут уступать другим моделям, и не гарантирует безопасные или выровненные ответы. Для использования применяются условия лицензии Llama 2.

NSFW_flux_dev — LoRA-дообучение модели FLUX.1 [dev] от Black Forest Labs, опубликованное пользователем Banshee511. Модель предназначена для генерации изображений по текстовым описаниям с использованием базовой модели FLUX.1 [dev], 12-миллиардной модели генерации изображений. Весовые файлы доступны в формате Safetensors для Diffusers. Метка модели указывает на генерацию контента для взрослой аудитории. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает конкретный стиль, тематику изображений или ограничения качества.

asezualdemifluid/nsfwMarrier — LoRA-адаптер для модели black-forest-labs/FLUX.1-dev, разработанный EnhanceAI. Он предназначен для генерации изображений по текстовым запросам, включая контент для взрослых и другие изображения без встроенных ограничений исходной модели. Адаптер подключается к пайплайну FLUX.1-dev через библиотеку diffusers. Версия v2 заявлена как более производительная и стабильная по сравнению с предыдущей, а также имеет уменьшенный размер LoRA-весов без существенной потери качества. Указаны веса lora.safetensors, рекомендуемый тип данных torch.bfloat16 и необходимость CUDA-совместимого GPU для оптимальной работы. Модель ориентирована на text-to-image-сценарии; сведения о поддерживаемых языках, размере параметров, максимальной длине контекста и точных характеристиках архитектуры не приведены. Сильная сторона модели — специализация на создании откровенных изображений и возможность расширить соответствующие возможности FLUX.1-dev с помощью компактного LoRA-адаптера. Ограничения включают зависимость от базовой модели и вычислительных ресурсов, а также риски неправомерного или неэтичного применения. В README указано, что модель предназначена для исследований и личного использования и распространяется на условиях FLUX-1-dev Non-Commercial License (flux-1-dev-non-commercial-license), что запрещает коммерческое использование согласно условиям лицензии.

huggingtweets/pornosexualiza1 — текстовая генеративная модель, созданная Борисом Даймой с помощью проекта huggingtweets и дообученная на 1090 твитах пользователя CRINGESEXUALISATION. Она основана на GPT-2 и предназначена для продолжения коротких текстовых подсказок в стиле и тематике исходных публикаций. Модель принимает текст и генерирует текст; для неё указан контекст длиной 1024 токена и формат PyTorch. Модель подходит для экспериментальной генерации коротких публикаций и стилизации текста под исходный аккаунт. Её ответы отражают содержимое и особенности твитов обучающего пользователя, поэтому могут быть узкими, предвзятыми или непредсказуемыми. Карточка не сообщает лицензию; базовые ограничения GPT-2 также относятся к этой модели.

Это обученный с помощью Unity ML-Agents агент на основе PPO, предназначенный для игры Huggy. Модель можно использовать для запуска агента в совместимой среде ML-Agents и просмотра его поведения в игре; также README описывает возможность продолжить обучение.

Это обученный агент PPO, созданный cmjaramile для игры SnowballTarget с использованием Unity ML-Agents. Модель предназначена для управления агентом в этой игровой среде: её можно запускать для просмотра игрового поведения или использовать как отправную точку для продолжения обучения. В репозитории представлен формат ONNX. Архитектура, размер модели и описание наблюдений и действий в карточке не приведены. Для работы требуется среда SnowballTarget и совместимый рантайм Unity ML-Agents; лицензия в доступных сведениях не указана.

Это экспериментальная версия Qwen3-1.7B, дообученная командой TextCraft для многошагового взаимодействия с игровым окружением. В обучении использовался онлайн-метод ROSE: студент проходил первые пять ходов эпизода, затем Qwen3-32B продолжал сценарий, а ходы учителя служили целями обучения. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 1,7 млрд параметров и рассчитана на контекст до 40 960 токенов. Модель предназначена для диалогового управления агентом в задачах TextCraft: она получает инструкции и наблюдения среды, затем формирует рассуждение и действие в формате ReAct. Обучение включало 374 задания и 66 шагов; в README результат на официальном тестовом наборе не оценён, поэтому успешность выполнения задач не подтверждена. Также отмечено небольшое расхождение формата между обучением и оценкой. Использовать веса можно на условиях лицензии Apache-2.0.

Aratako разработал эту японскую модель на базе Qwen/Qwen3-30B-A3B-Base: она прошла продолженное предварительное обучение на примерно 6 млрд токенов японских данных с контентом NSFW. Это разреженная MoE-модель для генерации текста; в репозитории указаны архитектура Qwen3 MoE, формат safetensors и контекст до 32 768 токенов. Модель предназначена для продолжения и генерации японского текста с тематикой для взрослых, а также для дальнейшей адаптации под конкретные сценарии. Последующего обучения после предварительного обучения не проводилось, поэтому автор рекомендует выполнить его перед использованием. Опубликована по лицензии MIT.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-last-third-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-school-of-reward-hacks-last-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-school-of-reward-hacks-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-target-only-no-hallucination-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

SmolLM-135M-Tarot-Zodiac-Reasoning — компактная языковая модель, дообученная автором 11-47 методом supervised fine-tuning на базе HuggingFaceTB/SmolLM-135M-Instruct. Она предназначена для диалоговых раскладов Таро, интерпретации знаков зодиака, символических рассуждений и творческих бесед на эзотерические темы. Модель содержит 134,5 млн параметров, использует архитектуру Llama и формат Safetensors; доступна через Transformers для генерации текста в диалоговом режиме. Поддерживает английский язык и контекст до 2048 токенов. Небольшой размер позволяет запускать её на устройствах с ограниченными ресурсами. Лицензия — Apache-2.0. Из-за компактности модели и узкой специализации ответы могут быть менее надёжными или подробными, чем у более крупных языковых моделей; интерпретации Таро и астрологии следует воспринимать как развлекательные, а не как достоверные предсказания.

Stoicheia — literary fold 0 — это анонимно выпущенный 405-миллионный символьный masked-diffusion encoder для древнегреческого языка, опубликованный вместе со статьёй, находящейся на рецензировании. Модель использует архитектуру char_bert с 32 блоками и размерностью 1024; в большинстве блоков внимание ограничено окном в 256 символов, а каждый четвёртый блок обрабатывает контекст глобально. Репозиторий содержит веса в формате safetensors. Модель предназначена для восстановления пропусков и анализа вариантов записи древнегреческого текста: вход разделён на плоскости букв, границ слов и предложений, диакритики, регистра и пунктуации, которые можно маскировать независимо. Это позволяет подавать как отредактированный текст, так и scriptio continua или лакуны неизвестной длины. Чекпойнт fold 0 исключает из обучения десятую часть литературного корпуса, выделенную для тестовой зоны этого фолда; авторы также описывают многоступенчатую проверку на дубликаты и утечки между фолдами. Лицензия — Apache-2.0. Это специализированная исследовательская модель для древнегреческой филологии; README не приводит ограничений качества или результатов оценки, поэтому пригодность для конкретных текстов следует проверять отдельно.

Stoicheia literary fold 5 — это анонимно выпущенная модель на 405 млн параметров для работы с древнегреческими текстами. Она использует символьный masked-diffusion encoder с архитектурой char-level BERT и пятью выровненными входными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Слои можно маскировать независимо, задавая неизвестные символы и границы; три из каждых четырёх блоков внимания ограничены окном в 256 символов, а четвёртый обрабатывает текст глобально. Модель предназначена для восстановления пропусков и анализа вариантов представления текста: от отредактированных изданий до scriptio continua и лакун неизвестной длины. Чекпойнт относится к пятому из десяти литературных фолдов; авторы сообщают, что тестовая часть этого фолда исключена из обучения, а разделение учитывает дубликаты и близкие совпадения текстов. Это исследовательский релиз к статье, находящейся на рецензировании. Лицензия — Apache-2.0.

Stoicheia — модель для макронизации древнегреческого текста: она определяет долготу гласных в неоднозначных α, ι и υ. Это символьный masked-diffusion энкодер с 405 млн параметров, разработанный авторами анонимного препринта, сопровождающего статью на рецензировании. Модель предназначена для восстановления долготы гласных в отредактированных текстах, текстах без пробелов и фрагментах с лакунами неизвестной длины. Вход модели представлен пятью совмещёнными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Каждый слой можно независимо маскировать, заменяя данные на явное состояние «неизвестно». При обучении использовался корпус примерно из 130 тысяч стихотворных строк с разметкой, полученной метрическими ограничениями и преобразованием разметки веса слогов; README сообщает о проверке на отсутствие утечки в оценочный бенчмарк. Модель распространяется под лицензией Apache-2.0.