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

Stoicheia-meter — модель для совместной макронизации и метрической разметки древнегреческого текста. Это символьный masked-diffusion encoder на 405 млн параметров с архитектурой char_bert_meter: размерность 1024, 32 слоя и чередование локального внимания в окне 256 символов с глобальным вниманием. Модель выдаёт для каждой буквы метки долготы гласных и стиховой просодии. Stoicheia принимает текст в отредактированном виде, без пробелов между словами (scriptio continua) и с лакунами неизвестной длины; границы, диакритика, регистр и пунктуация представлены отдельными входными слоями и могут маскироваться независимо. Для разметки метра доступен необязательный декодер Viterbi, который ограничивает выход допустимыми последовательностями метрических схем. Модель выпущена анонимно вместе со статьёй на рецензировании; README рекомендует её для совместного выполнения задач, а отдельный Stoicheia-macronizer — для одной лишь макронизации. Лицензия Apache-2.0.

Stoicheia-restoration-test3 — модель для восстановления повреждённых надписей и папирусов на древнегреческом языке. Это символьный masked-diffusion энкодер на 405 млн параметров, дообученный на базе Stoicheia-doc_clean; в серии из десяти чекпойнтов эта версия не обучалась на документах, идентификаторы PHI/TM которых оканчиваются на цифру 3. Архитектура использует 32 слоя и чередует локальное внимание в окне 256 символов с глобальным вниманием. Модель принимает текст с пропусками известной длины, обозначенными дефисами, или с пропусками неопределённой длины, заданными диапазоном [N±M]. Входные данные представлены пятью синхронизированными уровнями: символы, границы слов и предложений, диакритика, регистр и пунктуация; каждый уровень можно маскировать отдельно. Это позволяет работать с отредактированным текстом, scriptio continua и лакунами. Выпуск сопровождает научную статью, находящуюся на рецензировании. Модель распространяется по лицензии Apache-2.0. Она специализирована на документальной реставрации древнегреческих текстов и не предназначена для общих языковых задач; её предсказания следует рассматривать как предложения для проверки специалистом.

Stoicheia-restoration-test6 — символьный энкодер с маскированной диффузией для восстановления древнегреческих надписей и папирусов. Модель содержит 405 млн параметров, имеет размерность 1024 и 32 блока; три из каждых четырёх блоков используют локальное внимание в окне 256 символов, а каждый четвёртый — глобальное. Вход разделён на пять синхронных плоскостей: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждую из них можно независимо заменять явным состоянием неизвестного. Модель дообучена от Stoicheia-doc_clean и обучена на документах, кроме тех, чей идентификатор PHI/TM заканчивается цифрой 6. Она предназначена для предложений по восстановлению утраченных участков, в том числе когда длина лакуны известна или задана диапазоном. Такая схема исключает документы с цифрой 6 из обучения этой версии, что помогает проверять чтения без запоминания конкретного издания. Выпуск сопровождает статью, находящуюся на рецензировании. Модель принимает текстовое представление и выдаёт текстовые варианты восстановления. Лицензия — Apache-2.0. README описывает специализированный сценарий работы с древнегреческим документальным материалом; сведений о дополнительных языках или областях применения нет.

UOPD-Qwen2.5-1.5B-Instruct-ALFWorld — компактная языковая модель Wenboz для генерации текста и выполнения задач в среде ALFWorld. Это финальный чекпойнт ученика, обученный методом on-policy distillation на ALFWorld с замороженной моделью-учителем langfeng01/GiGPO-Qwen2.5-7B-Instruct-ALFWorld. Модель основана на Qwen2.5-1.5B-Instruct, имеет плотную архитектуру Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для диалогового взаимодействия и генерации ответов в текстовых сценариях ALFWorld. Она использует Transformers и формат safetensors; заявленная длина контекста — 32 768 токенов. README приводит пример загрузки через AutoModelForCausalLM с bfloat16 и автоматическим распределением по устройствам. Информация о лицензии и конкретных ограничениях качества в доступных материалах отсутствует.

Veyra2-Apricot-50M-Tetris-Verbose — компактная языковая модель, дообученная CNWPlayer на Veyra2-Apricot для игры в тетрис. Модель предназначена для генерации ходов и текстовых объяснений игрового процесса; автор сообщает о хороших результатах в тестах по тетрису, но также отмечает возможное загрязнение обучающих данных и нестабильность результатов. Модель использует плотную архитектуру Veyra2ApricotForCausalLM и содержит 49,3 млн параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а контекст составляет до 2048 токенов по метаданным. Распространяется в формате safetensors под лицензией Apache-2.0.

Apocalypse-19/Vishu-the-Cat — модель Stable Diffusion, созданная для DreamBooth Hackathon и дообученная на фотографиях кота по имени Вишу. Она предназначена для генерации изображений по текстовому описанию с возможностью задавать концепт кота фразой «A photo of vishu cat». Модель основана на Stable Diffusion 2.1 Base и доступна в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; она регулирует использование и распространение модели. Модель специализирована на изображениях Вишу, поэтому её пригодность для генерации других объектов и сцен не подтверждена.

Matej разработал вторую версию BERT-модели для буддийского санскрита на основе архитектуры bert-base. Модель предварительно обучена с нуля как masked language model на справочном корпусе санскрита, а затем дообучена на меньшем корпусе буддийского санскрита; в этой версии использован несколько более крупный корпус буддийских текстов, чем в первой версии. Работа описана в статье «Embeddings models for Buddhist Sanskrit», опубликованной на LREC 2022. Модель предназначена для заполнения пропусков в санскритских текстах и получения контекстных представлений слов для исследований буддийского санскрита. Она содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Лицензия — MIT. В карточке ограничений не заявлено; область обучения узкая, поэтому пригодность для других языков и общих задач не установлена.

chess-trm-powerful — компактная шахматная модель организации LLM-course, представленная участником Chiensaucisse67 для LLM Course Chess Challenge. Это плотный GPT-подобный Chess Transformer с примерно 994 тысячами параметров, словарём из 79 токенов, размерностью эмбеддингов 216, двумя слоями и четырьмя головами внимания. Модель предназначена для генерации текста в шахматном сценарии, например продолжения последовательности ходов. В метаданных Hugging Face для неё указан pipeline text-generation и библиотека Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает о поддерживаемых естественных языках, длине контекста или результатах оценки силы игры. По описанию это специализированная модель для шахматного челленджа, поэтому её пригодность для общего диалога или практической игры не подтверждена.

EVOKE-ALFWorld-7B — языковая модель, дообученная методом посттренировки EVOKE на базе Qwen2.5-7B-Instruct. Она предназначена для целенаправленного принятия решений в среде ALFWorld, где агент использует знания о мире для выбора последовательности действий. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель работает с текстом и рассчитана на генерацию ответов и планов для сценариев ALFWorld. В README приведён способ загрузки через Transformers; веса доступны в формате Safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддержке других языков или сред за пределами ALFWorld.

Flux_LoRA-uncensored — адаптер LoRA для генерации изображений по текстовому описанию на базе black-forest-labs/FLUX.1-dev. В README указано, что модель обучена локально с использованием Fluxgym; в карточке она опубликована под идентификатором salomonsky/flux-lora-uncensored, а в ссылке приведён репозиторий prashanth970/flux-lora-uncensored. Модель предназначена для text-to-image-сценариев и ориентирована на генерацию изображений с эротическим и обнажённым содержанием. Для активации характерного эффекта рекомендуется использовать триггерные слова porn, nude, sex и boobs. Веса доступны в формате Safetensors и могут применяться через ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI, Forge и другие совместимые инструменты. Технически это LoRA-адаптер, поэтому для работы требуется базовая модель FLUX.1-dev; отдельные сведения о размере, точном контексте, поддерживаемых языках, дополнительных модальностях и результатах тестирования не указаны. Качество и поведение генерации зависят от базовой модели, настроек инференса и формулировки промпта. Лицензия обозначена как flux-1-dev-non-commercial-license, то есть использование ограничено некоммерческими условиями базовой модели.

GoFormer — компактная авторегрессионная языковая модель для предсказания ходов в го, разработанная Ken H.K. Tsui. Это плотная модель семейства LLaMA с архитектурой LlamaForCausalLM и 60,8 млн параметров; она обучалась с нуля на партиях го, представленных специальной токенизацией, и выдаёт следующий ход по последовательности предыдущих ходов. Модель рассчитана на игру в го и исследование применения предсказания следующего токена к игровому планированию без поиска по дереву. Контекст составляет 2048 токенов. Для исключения нелегальных ходов автор предлагает генерировать несколько кандидатов, отбрасывать нелегальные и выбирать наиболее вероятный оставшийся ход. Автор описывает релиз как ранний и ожидает невысокого качества; указан eval_loss 0,419 на шаге 7600. Модель распространяется под лицензией MIT.

sinkinai/hassaku-hentai — модель для генерации изображений по текстовому описанию, размещённая пользователем sinkinai. Репозиторий использует StableDiffusionPipeline и содержит веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам; тег карточки «not-for-all-audiences» указывает на контент для взрослой аудитории. README упоминает бесплатный запуск и API с низкой стоимостью, но не уточняет условия доступа. В предоставленных данных нет сведений о базовой модели, лицензии, размере и языках.

zlsl/l_erotic_kink_chat — русскоязычная модель генерации текста на базе архитектуры GPT-2, предназначенная для эротического ролевого чата и сюжетных диалогов с персонажами. По карточке модели, разработчик расширил обучающий набор эротическими текстами и материалами с тегами кинков, отобранными из фикбука; для реплик и действий предложен специальный токен начала строки диалога. Модель может вести сцены с несколькими собеседниками и поддерживать контекст диалога. Модель распространяется в формате Safetensors и рассчитана на контекст до 2048 токенов. В карточке указан русский язык и лицензия CC BY-NC-SA 4.0, ограничивающая коммерческое использование и требующая распространения производных работ на тех же условиях. Карточка рекомендует параметры генерации и отмечает особенности загрузки токенизатора в text-generation-webui. Качество и связность продолжений зависят от промпта и настроек генерации; модель ориентирована на эротический контент и не подходит для универсальных задач.

OhCherryFire/llama2-7b-game24-policy-hf — дообученная модель семейства Llama 2, подготовленная для задачи Game24 в работе «Alphazero-like tree-search can guide large language model decoding and training». Она предназначена для генерации ходов или решений в головоломке Game24 и для использования как политика при управлении декодированием языковой модели с помощью древовидного поиска. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 6,6 млрд параметров, принимает и генерирует текст, а длина контекста составляет 4096 токенов. В метаданных указан английский язык и формат PyTorch. Карточка описывает supervised fine-tuning для Game24; лицензия в предоставленных данных не указана.

TeeZee/llama-2-7B-pirate-speech-600s — языковая модель TeeZee, дообученная на базе unsloth/llama-2-7b-bnb-4bit с помощью Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 4096 токенов, предназначенная для генерации текста по инструкциям. В демонстрации она отвечает на вопрос об машинном обучении, используя стилизацию под пиратскую речь на английском языке. Модель подходит для экспериментов с генерацией ответов в пиратском стиле и выполнения простых текстовых инструкций. В README указано, что обучение заняло 600 шагов и около 80 минут на бесплатном Google Colab; это ограниченная демонстрация, поэтому качество и устойчивость ответов могут быть непостоянными. Репозиторий распространяется по лицензии Apache-2.0.

tilake AIGC 小组成员基于 Stable Diffusion 使用 DreamBooth 微调的文本生成图像模型，专门用于生成名为 Lou Lou（楼楼）的猫。用户可在提示词中加入“the cat called loulou”，并补充服饰、姿ы или окружения, чтобы создавать изображения этой кошки в разных сценах. Модель представлена в форматах Diffusers и PyTorch и предназначена для развлечения и памятных изображений. Лицензия — CreativeML OpenRAIL-M.

MLewd-v2.4-13B — модель генерации текста на архитектуре Llama с 12,9 млрд параметров, опубликованная Undi95. Она предназначена для ролевого общения и создания художественных ответов с сексуальным, грубым и фетишистским содержанием; такие ответы ожидаемы. В README указаны шаблон Alpaca и обучение с использованием LimaRP v3. Модель представляет собой слияние на основе ReMM методом SLERP и включает компоненты нескольких моделей и адаптеров для повествования и ролевого чата. Репозиторий содержит веса PyTorch в формате FP16; заявленный контекст — 4096 токенов. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

HarryStot/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может запускаться для наблюдения за его поведением или использоваться как основа для продолжения обучения через ML-Agents. В репозитории указан формат ONNX. Карточка не сообщает размер модели, языковые характеристики или лицензию. Назначение модели ограничено конкретной игровой средой; её пригодность для других задач не описана.

SeanWang0027 публикует экспериментальный чекпойнт Qwen3-1.7B, дообученный методом TCOD backward-to-forward с дистилляцией от Qwen3-32B на задачах BabyAI. Модель представляет собой плотную авторегрессионную языковую модель на 1,7 млрд параметров для генерации текста и диалогов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Контекстное окно составляет 40 960 токенов. Чекпойнт обучен на первом из трёх проходов по 810 официальным обучающим задачам BabyAI; в карточке указаны 52 шага explorer и 75 шагов trainer. Он предназначен для экспериментов с выполнением инструкций и диалоговых задач BabyAI. Модель не оценивалась, поэтому её качество на этих задачах не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-v2-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.

QwenEdit_2511_girls_nsfw_v2 — модель-адаптер LoRA для генерации изображений из текста, опубликованная пользователем nnndite. По названию и тегам она предназначена для создания изображений с девушками, включая контент для взрослых. Модель представлена в формате SafeTensors и рассчитана на использование в экосистеме Diffusers или совместимых интерфейсах генерации изображений. В README не указаны базовая модель, архитектура, количество параметров, поддерживаемые языки, размер контекста и точные требования к запуску. Поэтому нельзя достоверно оценить качество, совместимость и ограничения адаптера, кроме того, что он требует совместимой базовой diffusion-модели. Лицензия — Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA 4.0), предусматривающая указание авторства и распространение производных материалов на тех же условиях.

Stoicheia — модель для расстановки макронов в древнегреческом тексте. Это анонимная разработка, выпущенная вместе со статьёй, находящейся на рецензировании. Модель представляет собой символьный энкодер на 405 млн параметров с masked-diffusion архитектурой; она размечает долготу гласных, предсказывая долгие или краткие значения для неоднозначных α, ι и υ. Модель обучена на автоматически размеченном корпусе примерно из 130 тысяч стихотворных строк. Вход представлен пятью выровненными слоями: буквами, границами слов и предложений, диакритикой, регистром и пунктуацией. Каждый слой можно независимо маскировать, поэтому модель рассчитана на работу с отредактированным текстом, scriptio continua и лакунами неизвестной длины. Для использования опубликована библиотека Transformers; лицензия — Apache-2.0. Модель специализирована на древнегреческой просодии и не предназначена для общего языкового моделирования. Описание не приводит количественных метрик качества и не уточняет поддержку иных письменностей или языков.

Stoicheia — модель для совместной морфосинтаксической разметки и синтаксического анализа древнегреческих текстов. Это 405-миллионный символьный энкодер с masked-diffusion архитектурой: 32 блока, размерность d_model 1024 и полосное внимание, где три из четырёх блоков используют окно в 256 символов, а каждый четвёртый — глобальное внимание. Модель разработана анонимной командой и выпущена вместе со статьёй, находящейся на рецензировании. За один проход общей сети модель предсказывает XPOS, леммы с помощью edit-script лемматизатора, вспомогательные UPOS-теги и зависимости между словами. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать, чтобы обрабатывать отредактированный текст, scriptio continua и лакуны неизвестной длины. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

FPHam разработал Sydney Pirate — разговорную языковую модель на основе Mistral, настроенную на пиратскую манеру общения. В карточке указаны OpenPirate, основанная на OpenHermes 2.5 — Mistral 7B, и FreeSydney как источники модели; заявлено, что их элементы были объединены и добавлен характер Sydney. Модель предназначена для генерации диалоговых ответов и творческого общения в образе пирата. Примеры показывают ответы на вопросы, написание кода и ролевое взаимодействие. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; она принимает текст и выдаёт текст. Лицензия в метаданных — Llama 2. Пиратская стилизация может снижать точность и уместность ответов для практических задач; в примере с бананом модель уклоняется от прямого ответа, а рецепт каменного супа содержит небезопасные советы. Карточка не приводит оценок качества или ограничений помимо этих наблюдаемых особенностей.

fzmnm разработал TinyStoriesAdv_92M — компактную предобученную языковую модель для генерации текста на китайском языке. Она предназначена для коротких рассказов и простых ответов на вопросы уровня начальной школы; автор описывает её как игрушечную модель, созданную по мотивам TinyStories и Phi-2 на собственном полностью синтетическом наборе данных. Модель использует плотную архитектуру типа LLaMA с 89,9 млн параметров и контекстом до 1024 токенов; реализация доступна в формате PyTorch для Transformers. Примеры показывают, что модель может продолжать истории и отвечать на простые вопросы по-китайски. Автор предупреждает о серьёзных галлюцинациях и отмечает, что модель не проходила настройку предпочтений, поэтому её ответы ненадёжны, особенно для практических рекомендаций. Указана лицензия CC.

ChessLlama — авторегрессионная языковая модель на архитектуре Llama, разработанная Talha Rüzgar Akkuş и предварительно обученная на партиях гроссмейстеров в формате UCI. Она предназначена для генерации продолжений шахматных партий и экспериментов с обучением моделей на шахматных данных. Модель содержит 141,5 млн параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовые последовательности; максимальный контекст составляет 2048 токенов. Модель ориентирована на шахматные партии, а не на обычный диалог или универсальные текстовые задачи. В карточке описан ноутбук для оценки возможностей, но численные результаты или подтверждённое качество игры не приведены. Весовые файлы доступны в формате Safetensors для Transformers. Лицензия — Apache-2.0.

ChessMamba — шахматный движок на собственной реализации селективной модели пространства состояний Mamba/S6, разработанный автором репозитория TobiasLogic. Модель обрабатывает историю партии как последовательность ходов и поддерживает компактное скрытое состояние, которое обновляется после каждого хода. В ней около 16,8 млн параметров, 10 слоёв, размерность 384 и размер состояния 16. Выходные головы предсказывают ход, превращение пешки и оценку позиции; поверх модели работает поиск с negamax, alpha-beta и разбором тактических продолжений. Модель предварительно обучена на партиях Lichess с рейтингом игроков выше 1800, затем обучалась в self-play с поиском на собственных предсказаниях. Она предназначена для выбора шахматных ходов и работы как движок через UCI. Автор сообщает, что движок пока уступает Sunfish, а некоторые этапы self-play ухудшали результаты и были отменены. Репозиторий распространяется по лицензии MIT.

Модель LLM-course/chess-submission-v21-MDaytek разработана участником MDaytek для шахматного соревнования LLM Course Chess Challenge. Это компактная причинная языковая модель на специализированной архитектуре ChessForCausalLM с 1 143 744 параметрами, предназначенная для генерации текста в шахматном сценарии и оценки в Chess Challenge Arena. Для загрузки указаны Transformers и AutoTokenizer с trust_remote_code=True; веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка не описывает её языки общения, длину контекста или конкретные игровые возможности, поэтому их нельзя уточнить.

salxish/distilgpt2-medical — дообученная модель семейства GPT-2 на основе distilgpt2, предназначенная для генерации текста. Карточка сообщает о настройке на неизвестном наборе данных; оценочный loss составляет 1,8685, но описание и сценарии применения не раскрыты. Модель использует плотную архитектуру GPT2LMHeadModel, работает с текстом и поддерживает контекст до 1024 токенов. В метаданных указан формат safetensors и лицензия Apache-2.0. Языковая специализация и качество ответов в медицинских сценариях по доступной карточке не подтверждены.

evex-5 — японская разговорная языковая модель, созданная разработчиком tako080614 с нуля по журналам одного Discord-сервера. Это decoder-only Transformer на 25,8 млн параметров с RoPE, RMSNorm, SwiGLU, QK-нормализацией и вспомогательными векторами PLE; словарь SentencePiece BPE содержит 12 288 токенов. Контекст — 1024 токена. Веса представлены в safetensors. Модель предназначена для продолжения и имитации неформальных японских диалогов, особенно разговоров и внутренних тем исходного сообщества. Обучение включало внешние японские диалоговые данные, но заключительный этап использовал только сообщения этого сервера; структура промпта нестандартная и требует специальных токенов начала беседы, канала и говорящего. Модель не является универсальным помощником и может продолжать реплики других участников, если генерацию не остановить на нужном маркере. В README указана лицензия CC-BY-4.0. Факты и корректность ответов не гарантируются; модель не имеет встроенных механизмов безопасности на этапе вывода. Хотя в данных применялась механическая фильтрация вредных выражений, манера письма участников и некоторые отображаемые имена могут быть восстановимы из словаря или генераций.