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

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512-MultiImage на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Mage-Flow-Base — базовая модель семейства Mage-Flow для генерации изображений по текстовому описанию. В README разработчиком названа Microsoft; репозиторий модели — arifqai/Mage-Flow-Base. Модель построена на архитектуре NR-MMDiT — мультимодальном диффузионном трансформере примерно на 4 млрд параметров, обученном методом rectified flow в латентном пространстве токенизатора Mage-VAE и предназначенном для работы с изображениями в исходном разрешении. Модель рассчитана на генерацию изображений по текстовым запросам: один чекпойнт поддерживает разрешения от 512 до 2048 пикселей и произвольные пропорции сторон, включая вытянутые форматы. В README также описана генерация сцен, портретов, натюрмортов и изображений с английскими и китайскими надписями. Для редактирования изображений предусмотрена отдельная модель семейства Mage-Flow-Edit, поэтому эту базовую модель следует использовать прежде всего для генерации. К сильным сторонам семейства разработчик относит компактность, качество генерации, эффективность при высоком разрешении и возможность дообучения при ограниченных вычислительных ресурсах. В карточке указаны формат Diffusers с весами safetensors и лицензия MIT. Заявленные показатели производительности относятся к отдельным Turbo-вариантам семейства; README не приводит их как характеристики Base-чекпойнта.

Карточка модели Mage-Fans/Mage-Flow-Edit на Hugging Face совпадает с карточкой servantofares/Mage-Flow-Edit, поэтому описание составлено по ней. Mage-Flow-Edit — модель генерации и редактирования изображений из семейства Mage-Flow, представленная в карточке как модель для редактирования по инструкции. Семейство разработано как компактный стек примерно на 4 млрд параметров: в его основе лежат латентный токенизатор Mage-VAE и общий мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow matching. Репозиторий использует Diffusers и формат safetensors. Модель принимает исходное изображение и текстовую инструкцию, чтобы менять содержимое и внешний вид, преобразовывать сцену, восстанавливать изображение и создавать структурно согласованные варианты. Семейство поддерживает работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. В README описаны базовая, согласованная с предпочтениями и ускоренная четырёхшаговая версии семейства; точный вариант этого репозитория не уточнён. README заявляет компактность и высокую скорость, а для Turbo-варианта приводит время редактирования около 1,02 секунды на изображение 1024×1024 на одном A100. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на другом оборудовании. Модель распространяется по лицензии MIT.

SceneWorks/Mage-Flow-Edit — архивная копия модели Microsoft Mage-Flow-Edit для редактирования изображений по текстовым инструкциям. Репозиторий заявлен как побайтовое зеркало microsoft/Mage-Flow-Edit на зафиксированной версии; веса не переобучались, не квантизировались и не конвертировались. Модель относится к семейству Mage-Flow: в стеке используются 4B-мультимодальный диффузионный трансформер NR-MMDiT с rectified flow, латентный кодировщик-декодер Mage-VAE и текстовый энкодер Qwen3-VL. Модель принимает изображение и текстовую инструкцию и предназначена для семантического редактирования, преобразования внешнего вида, восстановления изображений и генерации вариантов с учётом структуры исходного изображения. Архитектура семейства рассчитана на работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. Карточка описывает семейство как компактный и эффективный стек, но не приводит отдельные результаты или ограничения именно этого варианта Edit. Лицензия — MIT.

Карточка модели servantofares/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой Mage-Fans/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям, разработанный командой Mage-Flow. Это мультимодальный диффузионный трансформер NR-MMDiT с 4 млрд параметров, работающий в латентном пространстве Mage-VAE и обученный методом rectified flow. Версия Turbo использует дистиллированный режим генерации за четыре шага. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для смыслового и локального редактирования содержимого, преобразования внешнего вида и стиля, изменения сцен и объектов, восстановления изображений и других преобразований с учётом структуры. Семейство рассчитано на работу с изображениями в родном разрешении от 512 до 2048 пикселей и разными соотношениями сторон; в README приведены результаты редактирования на изображениях 1024×1024. Репозиторий распространяется в формате Diffusers с весами Safetensors. Указана лицензия MIT. Для запуска описана установка CUDA-зависимостей, включая flash-attn. README заявляет интерактивную скорость редактирования, но фактическая производительность зависит от оборудования; указанное измерение для Turbo получено на одном A100.

Карточка модели mediabiasgroup/magpie-babe-ft-xlm на Hugging Face совпадает с карточкой mediabiasgroup/magpie-babe-ft, поэтому описание составлено по ней. mediabiasgroup/magpie-babe-ft — мультиязычная модель для классификации медийной предвзятости на уровне предложений. Разработчики дообучили MAGPIE-PT-XLM сначала на смеси LBM из 59 задач анализа медийной предвзятости, а затем на наборе BABE. Модель построена на архитектуре RoBERTa и содержит 151,9 млн параметров; для обработки текста доступно контекстное окно до 514 токенов. Модель предназначена для автоматической проверки предложений из новостей и других медиатекстов на наличие предвзятости. Она принимает текст и выдаёт результат классификации. В карточке заявлена мультиязычность, а метаданные явно подтверждают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

MajicMixRealistic — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi. Репозиторий содержит веса в форматах Diffusers и PyTorch; для вызова через API README показывает использование сервиса ModelsLab. Пример настроен на генерацию изображения размером 512×512 за 30 шагов и включает положительный и отрицательный промпты, seed и guidance scale. Модель подходит для создания реалистичных портретов, а также художественных изображений с заданными стилем, освещением и деталями. Пример README содержит смешанные реалистичные и иллюстративные стилистические подсказки, поэтому фактический результат зависит от промпта и настроек генерации. Лицензия репозитория — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или перечень поддерживаемых языков; численные значения этих характеристик здесь не приводятся.

emilianJR/majicMIX_realistic_v5_preview — версия в формате Diffusers контрольной точки Stable Diffusion от emilianJR для генерации реалистичных изображений по текстовым запросам. Модель запускается через StableDiffusionPipeline из библиотеки Diffusers и предназначена для сценариев text-to-image. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. В карточке указан английский язык. Точные размер модели и длина контекста не приведены. Качество генерации зависит от формулировки запроса и настроек запуска; сведения о специальных ограничениях или гарантиях качества в карточке отсутствуют.

majicMIX_realistic_v6 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка Hugging Face связывает её со Stable Diffusion и предоставляет веса в форматах Diffusers и safetensors; в качестве основы для запуска показан DiffusionPipeline. Пример использования задаёт текстовый запрос и получает изображение. Название и пример указывают на фокус на реалистичной визуальной стилистике. Модель подходит для создания реалистичных изображений по текстовым промптам. В карточке Hugging Face указана лицензия «other», без уточнения её условий; для практического использования следует свериться с условиями на странице модели.

emilianJR/majicMIX_realistic_v6 — версия Stable Diffusion в формате Diffusers. Карточка описывает её как чекпойнт для генерации изображений по текстовому запросу с использованием StableDiffusionPipeline из библиотеки diffusers. Модель предназначена для создания реалистичных изображений по текстовым промптам. В репозитории указаны форматы Diffusers и PyTorch, а метаданные относят модель к англоязычным материалам. Лицензия — CreativeML Open RAIL-M; её условия следует учитывать при использовании и распространении результатов.

MandarinMix — модель генерации изображений по текстовому описанию, созданная Hemlok. Это объединённая модель на базе Defacta3th, реализованная для Diffusers; карточка описывает варианты MandarinMix, MandarinMix V2 и MandarinMi-EX, причём для последнего указана дополнительная настройка с помощью собственной LoRA. Модель особенно хорошо подходит для создания фонов и эффектов, а также иллюстраций по текстовым запросам. В README рекомендованы DDIM или DPM++ SDE Karras, не менее 40 шагов, Clip Skip 2 и CFG Scale 5–8. Для доработки изображения указан диапазон denoise strength 0,4–0,6; VAE не обязателен, также рекомендуется EasyNegative. Репозиторий содержит файлы Diffusers, PyTorch и Safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M: разрешены перераспределение весов и коммерческое использование при соблюдении лицензионных ограничений, включая запрет на намеренное создание или распространение незаконного и вредоносного контента. Автор отдельно отмечает, что модель не предназначена для публикации NSFW-контента в общественных местах.

Mann-E rev-3 «Prompt Muse» — модель преобразования текста в изображения, разработанная Muhammadreza Haghiri для проектов движения Cognitive Web. Это третья редакция Mann-E и первая версия с кодовым названием Prompt Muse. Модель распространяется в форматах Diffusers и PyTorch и использует StableDiffusionPipeline. Модель предназначена для генерации изображений по текстовым запросам. В README описан запуск через Diffusers с Euler Scheduler; приведённый пример рассчитан на устройства с поддержкой CUDA, а для других сред настройки могут потребовать изменений. Автор предупреждает о срабатывании NSFW-фильтра даже на простых запросах и упоминает возможность его отключения. Лицензия модели — MIT.

Meissonic — модель для генерации изображений по текстовому описанию, разработанная авторами проекта Meissonic. Она использует безавторегрессионное маскированное моделирование изображений на основе Masked Generative Transformer и предназначена для эффективного синтеза изображений высокого разрешения, в том числе на потребительских видеокартах. Модель распространяется в формате Diffusers с весами Safetensors и поддерживает английские текстовые запросы. Лицензия — Apache-2.0. README направляет к внешним материалам проекта за инструкциями по использованию.

Yntec/Memento — модель генерации изображений на основе Stable Diffusion, созданная как смесь Real Life v2 с фотореалистичными моделями. Она предназначена для создания изображений по текстовым описаниям, в том числе портретов, сцен с людьми, животными и фантастическими сюжетами. Репозиторий распространяет модель в формате Diffusers с весами Safetensors; VAE 840000 встроен в веса. Лицензия — CreativeML OpenRAIL-M. Примеры показывают широкий диапазон сюжетов и стилей, включая фотореалистичные портреты, кинематографические кадры и фантазийные сцены. Карточка не приводит численность параметров, длину контекста или список поддерживаемых языков.

Berk/minilm-movie-genome — модель на базе SentenceTransformer, разработанная автором репозитория Berk. Она преобразует произвольный текст в нормированный вектор из 256 измерений, описывающий тематический профиль фильма. В основе лежит замороженный англоязычный энкодер sentence-transformers/all-MiniLM-L6-v2 с добавленной обученной MLP-головой; контекст ограничен 512 токенами. Векторные координаты соответствуют 256 тегам MovieLens Tag Genome с высокой дисперсией. Модель подходит для представления сюжетных описаний и пользовательских запросов в общем тематическом пространстве, поиска похожих по темам фильмов и сравнения интересов с фильмами по косинусному сходству. Размер модели — 25,9 млн параметров. Модель обучена на связке релевантностей тегов MovieLens ml-25m и сюжетных описаний TMDB. Сопоставление приблизительное: теги служат лишь приближением тем фильма, а сюжетные описания не всегда явно раскрывают эти темы. При использовании следует учитывать условия MovieLens и TMDB; лицензия весов — Apache-2.0.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Модель принимает текстовые инструкции и может работать с изображениями, видео и аудио как с контекстом или референсами, чтобы генерировать видео со стереозвуком. В README описаны режимы генерации по тексту, первому и последнему кадрам, а также по смешанным мультимодальным референсам. В открытой версии H3-Base используется архитектура H3-Omni-Transformer с кодировщиками текста и визуальных данных, Visual VAE и Audio VAE; модель совместно предсказывает латентные представления видео и аудио. Генерация длится 4–15 секунд, базовый вывод — 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. Файлы представлены в формате Diffusers и Safetensors. Система подходит для создания коротких видеороликов по текстовым описаниям и референсным материалам. Облачный модуль H3-Context-IR для разбора сложных мультимодальных инструкций не входит в открытый релиз, поэтому для полного рабочего процесса требуется API или собственная предварительная обработка. Веса распространяются по лицензии other; конкретные условия следует проверять в карточке модели.

MiniMax-Music3 — модель генерации музыки от MiniMax, представленная в репозитории pinecoresystems/MiniMax-Music3 как неизменённая копия в структуре Diffusers. Она предназначена для создания музыки по текстовому описанию. В репозитории также размещены генератор и детектор водяных знаков AudioSeal от Meta; README сообщает, что TinyPine Studio встраивает водяной знак в создаваемые ею композиции, но это не характеристика самой MiniMax-Music3. Веса хранятся в формате safetensors, библиотека — Diffusers. Репозиторий содержит только подкаталоги Diffusers; вариант раскладки для SGLang не включён. README не сообщает размер модели, контекст или список поддерживаемых языков. Лицензия — MiniMax-Music3 Community License с Acceptable Use Policy. Для коммерческих продуктов, использующих модель, требуется показывать «MiniMax-Music3» в интерфейсе; при годовой выручке свыше 20 млн долларов требуется отдельное разрешение MiniMax. TinyPine не обучала и не изменяла модель.

lambda/miniSD-diffusers — модель генерации изображений по текстовому описанию в формате Diffusers, использующая StableDiffusionPipeline. Карточка приводит пример загрузки через библиотеку Diffusers и запуска на CUDA. Репозиторий создан 24 ноября 2022 года; модель распространяется по лицензии CreativeML OpenRAIL-M. Модель предназначена для создания изображений по текстовым запросам. README не сообщает размер модели, длину контекста, поддерживаемые языки или особенности качества, поэтому эти характеристики здесь не уточняются.

Mirage-Photo-Classifier — модель классификации изображений, созданная на основе google/siglip2-base-patch16-224 и дообученная для бинарного определения подлинности фотографий. Она использует архитектуру SiglipForImageClassification и относит изображение к классу Real (настоящее) или Fake (сгенерированное ИИ). Разработчик в карточке модели не назван. Модель предназначена для поиска синтетических изображений в новостях, социальных сетях и наборах данных, а также для поддержки цифровой экспертизы и модерации контента. В README приведён отчёт на тестовой выборке из 10 000 изображений: точность составила 94,64%, F1 для классов Real и Fake — 0,9446 и 0,9481 соответственно. Эти результаты относятся к указанной выборке и не гарантируют такую же точность на других типах изображений. Модель принимает изображения и выдаёт метки классов. В метаданных указан английский язык карточки; другие поддерживаемые языки не заявлены. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Это дообученный чекпойнт FLUX.2 Klein Base 4B AlphaGRPO, опубликованный пользователем kimi000. Модель предназначена для генерации изображений по текстовым запросам и поставляется как готовый пайплайн Diffusers Flux2KleinPipeline; EMA LoRA уже объединена с трансформером, поэтому для инференса не требуются FAR и PEFT. Чекпойнт обучался в профиле 512 пикселей, 20 шагов генерации и CFG 4 с AlphaGRPO DVReward. В README приведён пример генерации изображения по короткому запросу. Базовая модель Black Forest Labs рассчитана на генерацию и редактирование изображений; для этого чекпойнта прямо подтверждена задача text-to-image. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

Это 4-битная квантованная версия Stable Diffusion 3.5 Large, подготовленная Argmax для запуска через DiffusionKit MLX. Веса линейных слоёв архитектуры MMDiT квантованы с помощью nn.quantize; модель предназначена для создания изображений по текстовым запросам. Базовая модель разработана Stability AI и поддерживает генерацию изображений по тексту, в том числе для дизайна и художественных проектов. Модель принимает текст и выдаёт изображения. В метаданных указан английский язык. README описывает запуск через библиотеку DiffusionKit в среде Python 3.11. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверять с лицензией базовой модели и репозитория. Квантование снижает точность весов относительно исходной версии; другие ограничения в предоставленных данных не описаны.

Карточка модели JONNYVERSE/modnet на Hugging Face совпадает с карточкой Xenova/modnet, поэтому описание составлено по ней. Xenova предоставляет модель MODNet в формате ONNX для запуска через Transformers.js. Это модель сегментации изображений на основе архитектуры MODNet, предназначенная для отделения человека от фона на портретных изображениях без предварительно заданной тримапы и для маттинга в реальном времени. Репозиторий содержит формат ONNX и распространяется по лицензии Apache-2.0. Модель подходит для удаления фона на портретах и выделения силуэта человека в приложениях на JavaScript. Данные карточки не сообщают размер модели, контекст или поддерживаемые языки; задача работает с изображениями и не зависит от естественного языка.

MOSS-Music-8B-Thinking — модель понимания музыки от MOSI.AI, команды OpenMOSS и Shanghai Innovation Institute. Она предназначена для анализа музыкальных записей и отвечает на вопросы о содержании и структуре трека; вариант Thinking дополнительно настроен на рассуждения при музыкальном анализе. Модель объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 9,1 млрд параметров. Она принимает аудио и генерирует текст. В README описаны распознавание и транскрибирование вокала с временными метками, музыкальные описания, анализ жанра и инструментов, определение тональности, темпа и аккордов, разметка частей песни и ответы на вопросы по полной записи. Модель работает с английским и китайским языками. По заявлению разработчиков, обучение включает дополнительное предобучение на музыкальных данных, инструкционную настройку и настройку рассуждений для варианта Thinking. Модель распространяется по лицензии Apache-2.0. Данные о длине контекста и количественные оценки качества в предоставленных материалах отсутствуют.

Это конверсия MOSS-SoundEffect v2.0 от OpenMOSS-Team в формат GGUF для запуска в среде OpenMOSS C++/GGML. Модель создаёт звуковые эффекты по текстовому описанию; пример сценария — генерация короткого звука шага по заданной поверхности. Исходная модель использует текстовый энкодер Qwen3, диффузионный трансформер и декодер VAE на основе DAC. Конвертированные веса хранятся преимущественно в BF16, отдельные параметры нормализации, смещения и Snake — в FP32; файлы модели и дополнительных данных нужны одновременно. Модель рассчитана на текстовые запросы на английском и китайском языках и выдаёт аудио. Базовая MOSS-SoundEffect v2.0 генерирует эффекты длительностью до 30 секунд. В README описана проверка генерации трёхсекундного звука шага на Vulkan. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуется совместимая среда OpenMOSS C++/GGML и оба файла GGUF.

MOSS voice-acting v2 SFT round 3 — модель LAION для управляемого синтеза речи. Это дообучение базовой модели laion/moss-tts-local-transformer-4.55b-voice-acting-v2 с явным управлением длительностью предложений и пауз, вокальными реакциями заданной длины и указаниями по исполнению реплик. Архитектура включает семантический трансформер примерно на 4 млрд параметров, локальный talker-трансформер примерно на 550 млн параметров и 12 аудиоязыковых голов для токенизатора с 12 кодбуками; всего обучаемых параметров — 4,13 млрд. Модель предназначена для создания выразительных английских и немецких голосовых клипов по сценарию: можно задавать тембр и манеру речи, эмоции, длительности фрагментов, паузы и вокализации вроде вздохов или смеха. В оценке 320 клипов доля клипов в пределах 0,5 секунды от заданной длительности составила 100%, а медианная ошибка длительности — 0,08 секунды. При этом управление силой эмоциональной окраски ограничено: модель не достигает запрошенной высокой интенсивности эмоций. Лицензия — CC BY 4.0.

MOSS-VL-Realtime — открытая мультимодальная модель команды OpenMOSS для понимания видеопотоков в реальном времени. Она принимает кадры с временными метками и текстовые вопросы, обрабатывает поток по мере поступления и формирует текстовые ответы, не ожидая окончания видео. Модель может отвечать на вопросы в произвольный момент, продолжать наблюдение при недостатке визуальных данных и корректировать ответы по мере появления новых кадров. Модель использует архитектуру vision-language с перекрёстным вниманием и позиционное представление XRoPE, объединяющее время и координаты изображения. Заявлены 11 млрд параметров и контекст 256 тыс. токенов. Поддерживаются сценарии потокового и обычного понимания видео, а также понимания изображений; карточка указывает английский и китайский языки. Репозиторий использует Transformers и формат safetensors. Модель дообучена на базе OpenMOSS-Team/MOSS-VL-Base и распространяется по лицензии Apache-2.0. Подробные результаты бенчмарков в карточке не приведены.

MAGAer13/mplug-owl-bloomz-7b-multilingual — мультиязычная модель семейства mPLUG-Owl для описания изображений и ответов на вопросы по ним. Карточка показывает, что модель использует архитектуру mPLUG-Owl и распространяется в формате PyTorch; разработчик модели в доступных сведениях не описан. Модель предназначена для сценариев, где нужно получить текстовое описание изображения или извлечь сведения из него с помощью вопросов на естественном языке. В метаданных указана поддержка английского, китайского, французского и японского языков, а также мультиязычность. Лицензия — Apache-2.0. Данные о числе параметров и длине контекста не приведены.

Модель hosseinmhmdkhani/mt5-small-finetuned-persian-news-summarization-with-additional-hyperparameters — дообученная версия Google mT5-small для суммаризации новостных текстов на персидском языке. Это плотная модель архитектуры mT5 с 157,4 млн параметров, предназначенная для преобразования текста в текст. Модель можно применять для создания кратких пересказов персидских новостных материалов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README не приведены сведения о датасете, качестве суммаризации или конкретных ограничениях; поэтому результаты на целевых новостных источниках стоит оценивать отдельно.

StanislavKo28 создал модель классификации музыкального настроения на основе wav2vec 2.0. Это дообученная модель Facebook/Wav2Vec2-base-960h с архитектурой Wav2Vec2ForSequenceClassification, 113,3 млн параметров и весами PyTorch в формате safetensors. Она принимает аудио и относит музыку к одному или нескольким из 14 настроений: злому, мрачному, энергичному, эпическому, эйфоричному, радостному, таинственному, расслабляющему, романтичному, грустному, пугающему, гламурному, воодушевляющему и сентиментальному. Модель предназначена для тегирования музыкальных записей, организации медиатеки, рекомендаций и поиска музыки по настроению, а также анализа музыкального контента. Обучение проводилось на HWNAS Dataset: 6930 размеченных аудиофрагментов длительностью 30 секунд, поровну распределённых по 14 категориям. В README приведены метрики оценки по эпохам, но они невысоки в первых трёх показанных эпохах, поэтому качество на новых музыкальных данных следует проверять отдельно. Лицензия — Apache-2.0.