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

StoryWeaver-7b-Instruct-v0.1 — текстовая генеративная модель на архитектуре Mistral, опубликованная пользователем kasper52786. Согласно карточке, она объединена методом TIES с помощью LazyMergekit на основе NousResearch/Yarn-Mistral-7b-128k и mistralai/Mistral-7B-Instruct-v0.2; метаданные указывают связь дообучения с Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, сохранена в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев, в том числе для написания историй. Она принимает текст и выдаёт текст. Карточка не описывает специальные языки или прикладные области, поэтому её можно рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана.

Sugoi 14B Ultra — текстовая модель для перевода, разработанная Sugoi Toolkit на основе Qwen2.5-14B-Instruct. Она ориентирована прежде всего на перевод с японского на английский, особенно диалогов и игрового текста из RPG Maker с сохранением разметки в квадратных скобках. Модель использует плотную архитектуру Qwen2 и содержит 14 млрд параметров; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. В README автор сообщает о BLEU 21,38 против 13,67 у предыдущей квантизированной версии и отмечает улучшенное следование инструкциям. Для лучшего результата рекомендуется задавать системную инструкцию переводчика и обрабатывать небольшие фрагменты — примерно до десяти строк. Поддержка JSON-вывода и сохранения RPG Maker-тегов обозначена как экспериментальная. Модель выпущена под лицензией Apache-2.0.

Sulphur 2 distilled fp8 — версия модели генерации видео от автора проекта Sulphur, основанная на LTX 2.3. Она предназначена для создания видео по текстовому описанию; семейство Sulphur также поддерживает генерацию по изображению и тексту. В репозитории указаны веса safetensors и библиотека Diffusers, а суффикс fp8 обозначает вариант с 8-битным представлением весов. Модель подходит для создания видеоклипов по промптам. В README также описан отдельный улучшатель промптов, принимающий текст и изображение, однако его файлы и установка не относятся напрямую к этой версии весов. Для запуска автор рекомендует использовать dev-версии с distill LoRA либо полные модели, не подключая LoRA одновременно с полной моделью. Условия лицензии в доступных материалах не указаны.

Карточка модели SYNAPSEai1/SynapseMusicV12-XL-SFT на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-sft, поэтому описание составлено по ней. ACE-Step/acestep-v15-xl-sft — вариант XL модели ACE-Step 1.5, разработанный проектом ACE-Step. Это плотная модель генерации аудио на основе DiT с примерно 4 млрд параметров по README; метаданные каталога указывают 3,1 млрд параметров. Модель обучена методом supervised fine-tuning и предназначена для создания музыки по текстовому описанию. Поддерживает CFG для управления соответствием генерации запросу; вариант SFT ориентирован на высокое качество и стандартный режим работы. Модель использует 32 слоя DiT Decoder, скрытый размер 2560 и 32 головы внимания. README рекомендует от 12 ГБ видеопамяти с выгрузкой на CPU и INT8-квантизацией, от 16 ГБ с выгрузкой на CPU или от 20 ГБ без выгрузки. В карточке указана лицензия MIT; README заявляет о коммерческой применимости сгенерированной музыки и обучении на лицензированной, свободной и синтетической музыке. Эти заявления описывают проект, а не гарантируют права на каждый конкретный результат.

T3qm7xNeuralsirkrishna_ShadowYamshadow — объединённая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Веса опубликованы в формате Safetensors по лицензии Apache 2.0. README не уточняет специализацию слияния или отдельные языки, поэтому модель можно описать как универсальную текстовую генеративную модель; её фактические качества зависят от задач и данных, использованных для создания исходных моделей.

TA2.0 — модель TalkingAvatar от Neosapience для создания видео с говорящим аватаром по изображению и аудио. Она анимирует портрет, синхронизируя движения губ с входной речью; длительность ролика определяется длительностью аудио. В профиле инференса указаны разрешение 480 × 832 и частота 25 кадров в секунду. Модель предназначена для исследований, оценки и авторских творческих проектов с аудиоаватарами. Качество анимации и синхронизации зависит от позы, перекрытий лица, качества аудио, языка и типа изображения. В README указана лицензия Apache-2.0. Для изображений и голосов необходимо иметь согласие и права; в runtime нет проверки личности, управления согласием, водяных знаков и модерации контента.

DJUNA-TEST-LAB/TEST-Ocerus-7B — текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием SLERP моделей dreamgen/opus-v1.2-7b и icefog72/IceDrunkenCherryRP-7b с помощью mergekit. Она предназначена для генерации текста в диалоговом формате, в том числе для ролевых диалогов и написания историй; базовая модель DreamGen ориентирована также на управляемое написание и анализ художественного текста. Модель принимает текст и генерирует текст, использует библиотеку Transformers и имеет контекстное окно 32 768 токенов. Карточка не приводит сведений о поддерживаемых языках. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

Theia-21B-v2 — текстовая чат-модель от BeaverAI, созданная совместно со Steelskull как дообучение NeMoria 21B. Это плотная авторегрессионная модель семейства Mistral с 20,7 млрд параметров; в версии v2 добавлены токены ChatML. Модель предназначена для ролевых диалогов, продолжения текста, написания историй и инструктивного повествования. В карточке указано окно контекста до 1 024 000 токенов. Авторы сообщают об усилении творческой составляющей, улучшении ролевых возможностей, повествования и выразительности прозы. В обучении использовались completion-, RP- и instruct-данные; README описывает шаблоны Text Completion, ChatML, Alpaca и Mistral. Модель распространяется в формате safetensors под лицензией other; конкретные условия лицензии следует проверять в репозитории.

FrancescoPeriti/TRoTR-multi-qa-mpnet-base-cos-v1 — дообученная модель предложений на базе sentence-transformers/multi-qa-mpnet-base-cos-v1 для оценки тематической близости контекстов, в которых повторно используется текст. Она преобразует тексты в плотные векторные представления и сравнивает их косинусное сходство; в карточке приведён пример сравнения контекстов библейских цитат. Модель построена на MPNet, содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для задач TRoTR по анализу тематической связанности и изменения контекста при повторном использовании текста. Её можно применять для сравнения контекстов, семантического сопоставления предложений и поиска тематически близких фрагментов. Указанная лицензия — CC BY-SA 4.0. Карточка демонстрирует английские примеры и указывает английский язык.

Карточка модели weizhou03/Wan2.1-Fun-1.3B-InP-Diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P-Diffusers, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — модель генерации видео из изображения, разработанная командой Wan-AI. Это 14-миллиардная модель семейства Wan2.1 в формате Diffusers, построенная на архитектуре diffusion transformer и использующая пространственно-временной вариационный автокодировщик Wan-VAE. Модель предназначена для создания видеороликов разрешением 480p на основе входного изображения и текстового описания движения или сцены; при генерации сохраняется соотношение сторон исходного изображения. Модель входит в открытую линейку видеогенерации Wan2.1. Семейство поддерживает работу с китайским и английским текстом, однако карточка этого варианта описывает именно генерацию видео из изображения. Для запуска доступны сценарии Diffusers и мног GPU-инференс. Лицензия репозитория — Apache 2.0. Вариант 480p ориентирован на сочетание скорости и качества при генерации видео. Запуск 14B-модели требует значительных вычислительных ресурсов; README описывает использование выгрузки модели с GPU и мног GPU-инференса. Результат зависит от исходного изображения и текстового запроса.

bullerwins/Wan2.2-I2V-A14B-GGUF — вариант модели Wan2.2-I2V-A14B в формате GGUF, разработанной командой Wan-AI и связанной с проектом Wan-Video. Модель предназначена для генерации видео из одного изображения, включая создание движения, развитие сцен и работу со стилизованными визуальными материалами. Заявлена поддержка разрешений 480p и 720p, а также английского и китайского языков. Модель использует архитектуру Mixture-of-Experts (MoE), в которой разные экспертные компоненты применяются на различных этапах диффузионного устранения шума. Такой подход увеличивает общую емкость модели и направлен на более стабильную генерацию, уменьшение нереалистичных движений камеры и улучшение работы со сложным движением и разнообразной эстетикой. Для запуска требуются две части модели: high-noise для первых этапов и low-noise для детализации. Для использования предусмотрена интеграция с ComfyUI через расширение ComfyUI-GGUF; файлы моделей необходимо разместить в каталоге ComfyUI/models/unet. Ограничениями являются необходимость загрузки и настройки обеих частей модели, а также требования к вычислительным ресурсам, которые в README не уточняются. Модель распространяется по лицензии Apache-2.0.

Карточка модели xnachtwolfx/Wan2.2-S2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-S2V-14B, поэтому описание составлено по ней. Wan2.2-S2V-14B — модель генерации кинематографического видео по аудио, разработанная командой Wan-AI на основе семейства Wan. Она предназначена для аудиоуправляемой анимации персонажей, включая передачу речи и пения, сложные движения тела, взаимодействия персонажей и работу камеры. В карточке также упомянуты генерация длинных видео и точное редактирование синхронизации губ. Модель относится к семейству S2V и предоставлена в репозитории для Diffusers в форматах PyTorch и Safetensors. Для генерации заявлена поддержка разрешений 480p и 720p. Лицензия — Apache 2.0. В карточке описаны преимущества в выразительности и качестве кинематографической анимации, но приведённое сравнение с другими системами является заявлением авторов.

QuantStack/Wan2.2-TI2V-5B-GGUF — это GGUF-конверсия модели Wan-AI/Wan2.2-TI2V-5B, предназначенная для задач text-to-video и image-to-video. Модель ориентирована на генерацию видео по текстовому описанию или с использованием изображения, включая сценарии создания и преобразования видеоконтента в совместимых интерфейсах. Модель имеет размерный класс 5B, поставляется в квантованном формате GGUF и предназначена для использования через экосистему GGUF, в частности с пользовательским узлом ComfyUI-GGUF для ComfyUI. В карточке указана поддержка английского и китайского языков. Дополнительные сведения об архитектуре, размере контекста, характеристиках видео и конкретных вариантах квантования не приведены. К сильным сторонам относятся компактный квантованный формат и интеграция с ComfyUI через ComfyUI-GGUF, что может упростить локальное применение модели. Ограничения связаны с отсутствием подробных данных о производительности, требованиях к оборудованию, поддерживаемых разрешениях и качестве генерации; совместимость и результаты зависят от используемой конфигурации. Модель распространяется по лицензии Apache-2.0, при этом сохраняются исходные лицензионные условия и ограничения модели Wan-AI/Wan2.2-TI2V-5B.

itayinbar/whisper-base-he — модель распознавания речи на иврите, разработанная на основе OpenAI Whisper Base. Авторы заменили исходный мультиязычный словарь Whisper на ивритский byte-level BPE из 8 192 токенов и дообучили модель на 3 112,7 часа человеческой расшифровки иврита. В README указано 50,2 млн параметров; в метаданных — 29,4 млн, поэтому размер модели указан в источниках по-разному. Модель преобразует аудиозаписи на иврите в текст. Она предназначена для расшифровки речи, в том числе длинных записей и аудио из собраний и сообщений. README приводит результаты оценки на нескольких наборах данных и сообщает о высокой скорости на RTX 5070 Laptop; эти показатели относятся к указанным тестам и оборудованию. Репозиторий содержит форматы ONNX и Safetensors, библиотека — Transformers. Лицензия Apache-2.0. Модель специализирована на иврите; характеристики распознавания других языков в карточке не заявлены.

kinit/whisper-small-sk — модель автоматического распознавания речи, созданная командой KInIT путём полнопараметрического дообучения openai/whisper-small на словацком речевом корпусе. Это encoder-decoder-модель семейства Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибирования словацкой речи в разных предметных областях и условиях записи. Для повышения устойчивости к реальным записям при обучении применялась аугментация фоновым шумом. В оценке на Common Voice 24.0 модель показала WER 14,15%, а на внутреннем тестовом наборе KInIT — 8,64%; результаты относятся к указанным наборам и не гарантируют аналогичное качество на других данных. Дообучение только на словацком привело к ухудшению распознавания других языков. Качество может снижаться на выраженно акцентированной, диалектной и специализированной речи; для надёжной обработки сегменты длиннее 30 секунд требуют разбиения. Потоковое распознавание без подходящей нарезки и критически важные транскрипции без проверки человеком не рекомендуются. Лицензия — Apache-2.0.

Карточка модели Chaitu515/Ace-Step1.5 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели SYNAPSEai1/Ace-Step1.5 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели amandabenson/Ace-Step1.5-fork на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

RinKana/all-MiniLM-L6-v2-iran-VS-USA-news — модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для поиска и сравнения новостных текстов об Иране и США. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и использует косинусное сходство; архитектура включает энкодер BERT, усредняющий пулинг и нормализацию. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README заявлена максимальная длина последовательности 256 токенов. Модель принимает текст и выдаёт векторы для семантического поиска, сопоставления запросов с новостными материалами и извлечения релевантных документов. Обучающий набор содержит 2 057 пар, связывающих короткие запросы с новостными текстами; примеры и базовая модель ориентированы на английский язык. README приводит результаты оценки на наборе val-ir, но показанные значения точности на первых позициях невысоки, поэтому пригодность для конкретного корпуса стоит проверять отдельно. Лицензия в предоставленных данных не указана.

Ancient Awakening 12B MPOA — слитая модель генерации текста, опубликованная Naphula. Она объединяет многочисленные дообученные модели семейства Mistral Nemo с помощью mergekit и нескольких методов слияния; в отдельной версии MPOA применена абляция для снятия ограничений на контент. Модель рассчитана на диалог, ролевые сценарии, написание художественных текстов, продолжение сцен и сюжетов, включая жанровую прозу. Модель имеет плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка рекомендует шаблоны ChatML или Mistral Tekken. В метаданных указан английский язык; среди заявленных сценариев — художественное письмо и ролевая игра. Модель распространяется в формате safetensors по лицензии Apache-2.0. Снятые защитные ограничения позволяют генерировать графические сцены насилия и эротический контент, поэтому результаты требуют соответствующего контроля. В README также отмечено, что более ранние этапы слияния могут быть стабильнее, если возникают проблемы с этой версией.

Sunbird/asr-whisper-large-v2-salt — модель распознавания речи, разработанная на основе Whisper large-v2 и адаптированная для языков Уганды. Она дообучена на наборе SALT, Common Voice для луганда и FLEURS; при обучении добавляли шум и понижали частоту аудио до 8 кГц, чтобы приблизить данные к телефонным записям. Модель принимает аудио и выдаёт транскрипцию, пытаясь автоматически определить язык; для повышения точности распознавания язык можно указать явно. Модель предназначена для транскрибации речи на луганда, ачоли, лугбара, атесо, руньянколе и английском с угандийским акцентом. В карточке приведены метрики CER и WER для английского, лугандийского и ачоли; результаты для остальных языков в предоставленном фрагменте не раскрыты. Автоопределение языка может ошибаться, а базовый Whisper не поддерживает перечисленные языки. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Altworld Astrea-R8-Chat-9B — диалоговая модель на 9 млрд параметров, разработанная Altworld для творческого письма и общения. Она дообучена методом supervised fine-tuning с LoRA на базе Qwen/Qwen3.5-9B; опубликованные веса объединены и сохранены в формате BF16. Модель рассчитана на продолжение сцен и историй, поддержание последовательности событий и персонажей, соблюдение заданного тона и длины текста. По данным Altworldbench, в слепых сравнениях она показала высокое качество творческого письма среди открытых моделей для этой задачи. Модель принимает текст и выдаёт текст; архитектура Qwen3.5 также поддерживает изображения, но визуальные возможности Astrea в рамках выпуска не оценивались. Основной язык обучения и оценки — английский; другие языки могут работать менее надёжно. Для запуска предусмотрен чат-шаблон без обязательного системного промпта, а режим рассуждения можно включить параметром enable_thinking=True. Лицензия весов — Apache-2.0.

Bernini-R — видеорендерер от ByteDance для генерации и редактирования видео. Он входит в систему Bernini, которая объединяет семантический планировщик на основе мультимодальной языковой модели и рендерер на основе DiT. В репозитории представлены веса рендерера в формате safetensors; для работы также нужны компоненты Wan2.2, включая VAE, текстовый энкодер UMT5 и токенизатор. Модель поддерживает генерацию видео по текстовому описанию и исходному изображению, а также редактирование изображений и видео. Примеры запуска включают задачи text-to-video, image-to-video, video-to-video и редактирование видео. По умолчанию результат имеет разрешение 480p и частоту 16 кадров в секунду. Для запуска рекомендована видеокарта NVIDIA Hopper, например H100, с CUDA; для улучшения запросов предусмотрена необязательная интеграция с совместимым с OpenAI API сервисом. В README заявлены высокие результаты редактирования видео по внутренней пользовательской оценке авторов, но независимые подробности оценки в предоставленной карточке отсутствуют. Для использования весов указана лицензия Apache-2.0. Для запуска требуется значительная вычислительная мощность; качество результата зависит от запроса и конфигурации, а улучшение промпта требует отдельного API endpoint.

Chronos Gold 12B-1.0 — дообученная языковая модель, созданная elinas на базе Mistral Nemo Base 2407. Она предназначена для диалогов общего назначения, ролевых сценариев и написания историй. Модель содержит 12,1 млрд параметров, использует архитектуру Mistral и формат ChatML; заявленная в метаданных длина контекста составляет 1 024 000 токенов. Автор сообщает, что модель была получена в результате итеративного слияния моделей и последующего дообучения на специально подготовленном наборе данных. Она ориентирована на лучшее следование запросу, связность текста и поддержку форматов карточек персонажей, применяемых, например, в SillyTavern. По README, обучение проводилось с последовательностями до 16 384 токенов; при увеличении контекста качество со временем снижается, поэтому автор рекомендует ограничивать длину последовательности 16 384 токенами. Модель распространяется по лицензии Apache-2.0.

ConvNeXt V2 Huge — свёрточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и представленная в репозитории Hugging Face. Она предназначена для классификации изображений; веса предварительно обучены с помощью FCMAE и дообучены на ImageNet-22K. Модель использует полностью свёрточную архитектуру ConvNeXt V2 с нормализацией Global Response Normalization (GRN) и рассчитана на изображения размером 384×384 пикселя. Модель подходит для распознавания объектов и категорий на изображениях в задачах общего назначения. Карточка указывает ImageNet-22K как обучающий набор данных, а пример применения относит изображение к одному из 1000 классов ImageNet. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Ограничение — это классификатор изображений, поэтому карточка не заявляет генерацию изображений или другие задачи компьютерного зрения.

Cydonia 22B v1 — языковая модель BeaverAI на архитектуре Mistral с 22 млрд параметров. Она предназначена для генерации текста, в частности для ролевых диалогов, написания историй и ответов в формате инструкций. Карточка описывает поддержку шаблонов чата Metharme, Mistral и обычного текстового продолжения; заявленная длина контекста — 131 072 токена. Модель можно использовать для ролевых сцен от первого лица, диалогов персонажей и творческого письма. В README автор рекомендует экспериментировать с разными шаблонами, поскольку подходящий формат зависит от задачи. Данные не подтверждают поддержку конкретных естественных языков. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

Hemg/Deepfake-Detection — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для определения по изображению, является ли оно дипфейком. Модель содержит 113,2 млн параметров, веса опубликованы в формате safetensors, лицензия — Apache-2.0. В README сообщается точность 0,9609 и loss 0,0975 на оценочном наборе. Данные об этом наборе и обучающей выборке не приведены, поэтому результаты нельзя уверенно переносить на другие источники изображений или условия съёмки.

Deep-Fake-Detector-v2-Model — модель компьютерного зрения от prithivMLmods для классификации изображений лиц на реальные и сгенерированные или изменённые с помощью deepfake-технологий. Она основана на Vision Transformer ViT-Base/16, дообученном на наборе реальных и поддельных изображений, и содержит около 113,2 млн параметров. На вход подаются RGB-изображения, приводимые к размеру 224×224 пикселя; на выходе модель относит изображение к одному из двух классов: «Realism» или «Deepfake». Модель предназначена для проверки отдельных изображений, например при предварительной модерации или анализе происхождения медиаматериалов. В отчёте автора указана точность 92,12% на тестовом наборе из 56 001 примера, однако это значение не гарантирует такую же точность на других данных. Модель может хуже работать на изображениях низкого разрешения или с сильным сжатием, а также на deepfake-материалах, отличающихся от обучающих данных; видео напрямую не анализирует. Распространяется по лицензии Apache-2.0.

DETR с backbone ResNet-50 — модель компьютерного зрения для сквозного обнаружения объектов на изображениях. Архитектура сочетает свёрточную основу ResNet-50 с энкодером-декодером Transformer; запросы объектов предсказывают классы и ограничивающие рамки. Модель представлена авторами DETR и обучена на COCO 2017, содержащем 118 тысяч размеченных обучающих изображений. Модель предназначена для поиска и локализации объектов на изображении. Она использует 100 запросов объектов и сопоставление предсказаний с разметкой венгерским алгоритмом. На валидационной части COCO 2017 достигла AP 42,0. В метаданных размер указан как 6,3 млн параметров. Для обработки изображений применялись изменение размера с короткой стороной не менее 800 и длинной не более 1333 пикселей, а также нормализация RGB-каналов. Результаты зависят от сходства изображений с COCO и качества предварительной обработки; модель обучена для обнаружения объектов, размеченных в этом наборе данных. Репозиторий распространяется под лицензией Apache-2.0.

Neobe/dhivehi-en-mt5-large-sentence — модель машинного перевода с дивехи на английский, разработанная на базе mT5-large и дообученная на корпусе предложений на дивехи и английском. Это encoder-decoder модель семейства mT5 с 608,4 млн параметров по метаданным; она рассчитана на перевод отдельных предложений, а для многофразового текста автор рекомендует вариант для абзацев. Модель подходит для перевода новостей, пресс-материалов и статей Википедии с дивехи на английский. В тестах на отложенных предложениях внутри распределения указаны chrF 63,94 и BLEU 39,45; автор считает chrF более надёжной метрикой для текста на письме тхаана. Эталонные переводы в обучающих данных были сгенерированы машиной, а тест на человеческих эталонах показывает более низкие результаты. Для запуска автор рекомендует fp32: по его наблюдениям, режимы bf16 и fp16 дают некорректные результаты; требуется около 5–6 ГБ видеопамяти. Переводы специализированных технических текстов и неформального английского могут быть ненадёжными. Лицензия — Apache-2.0.