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

HoangQuocViet25/nlp-btl-xlsum-x4 — дообученная модель семейства T5, созданная на базе VietAI/vit5-base для суммаризации текстов на вьетнамском языке. Она предназначена для подготовки краткого пересказа статьи или другого исходного текста. Модель содержит 126,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. В метаданных указан датасет csebuetnlp/xlsum. Модель распространяется в формате safetensors по лицензии MIT. Карточка README не содержит дополнительных сведений о качестве и особенностях применения.

OWLv2 — модель компьютерного зрения для обнаружения объектов по текстовым запросам, разработанная Google и описанная в работе «Scaling Open-Vocabulary Object Detection». Она принимает изображение и один или несколько текстовых запросов, после чего находит соответствующие объекты и предсказывает их рамки. Архитектура сочетает мультимодальную основу CLIP с визуальным энкодером ViT-B/16, текстовым Transformer-энкодером и лёгкими головами классификации и предсказания рамок. Модель предназначена для zero-shot обнаружения объектов, в том числе классов, не заданных фиксированным списком меток при обучении. Это позволяет искать на изображениях объекты по произвольным текстовым описаниям и исследовать обобщение и устойчивость систем компьютерного зрения. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Обучающие данные включали публичные пары изображений и подписей, а также наборы для обнаружения объектов, включая COCO и OpenImages; значительная часть данных получена из интернет-источников. Поэтому качество и поведение модели могут зависеть от представительности этих данных, а предсказания следует проверять в конкретном сценарии применения.

nbeerbower/phi3.5-gutenberg-4B — дообученная модель семейства Phi-3, созданная на основе microsoft/Phi-3.5-mini-instruct. Она предназначена для генерации текста и диалоговых сценариев; при дообучении использовался датасет jondurbin/gutenberg-dpo-v0.1, обучение проводилось в течение трёх эпох на двух RTX 4060 Ti. Модель имеет плотную архитектуру Phi3ForCausalLM и содержит 3,7 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия — MIT. Карточка не уточняет отдельные показатели качества или языковой охват этой версии. Базовая модель Microsoft описана как многоязычная и предназначенная для диалогов, рассуждений, кода и генерации текста; эти свойства не подтверждены отдельно для данного дообучения.

bunnycore/Phi-3.5-mini-TitanFusion-0.6 — объединённая языковая модель на архитектуре Phi-3.5, созданная с помощью mergekit методом TIES. В объединение вошли ArliAI/Phi-3.5-mini-3.8B-ArliAI-RPMax-v1.1 и несколько моделей семейства TitanFusion и Phi-3.5-rp-lora_model. Модель предназначена для генерации текста и диалогов, в том числе творческого письма и ролевых сценариев. Она содержит 3,7 млрд параметров, работает через библиотеку Transformers и имеет контекстное окно 4096 токенов. Веса опубликованы в формате safetensors. Модель унаследовала ориентацию базовой RPMax-модели на творческое письмо и ролевые диалоги с разнообразными сценариями. Сведения о лицензии в доступных данных отсутствуют.

Plesio-70B — слитая Delta-Vector модель на архитектуре Llama для творческого письма и диалогов. Она предназначена для совместного написания прозы, ролевых диалогов и приключенческих историй; автор отмечает стремление к более короткой прозе по сравнению с Austral Winton. Модель содержит 69,5 млрд параметров, использует формат инструкций Llama 3 и поддерживает контекст до 131 072 токенов. Модель получена слиянием Austral-70B-Winton и Shimamura-70B методом Slerp с весом 0,2; Austral использована как базовая сторона слияния. Репозиторий содержит веса Safetensors, а автор также упоминает доступные варианты GGUF и EXL3. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных.

Dans-SakuraKaze-V1.0.0-12b-GGUF — это квантизированная версия текстовой генеративной модели Dans-SakuraKaze-V1.0.0-12b, разработанной PocketDoc и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и может использоваться в локальных приложениях на базе llama.cpp, включая LM Studio, а также в других совместимых проектах. Модель содержит около 12 миллиардов параметров и ориентирована на работу с английским языком. Она обучалась на наборах данных для совместного написания прозы, приключенческих сценариев, инструкций, продолжения текста, персонажей и визуальных новелл, поэтому особенно подходит для творческого письма, ролевых сценариев и создания художественного контента. README не сообщает архитектуру исходной модели, размер контекстного окна, поддержку других языков или мультимодальность. Доступны варианты квантизации от BF16 и Q8_0 до более компактных Q3 и IQ-форматов. Старшие варианты Q5–Q6 обеспечивают очень высокое качество, а Q4_K_M рассматривается как сбалансированный вариант для большинства задач; облегчённые варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Для запуска требуется совместимое ПО и ресурсы, соответствующие выбранному варианту; размеры файлов составляют примерно от 6 до 25 ГБ. В метаданных указана лицензия Apache-2.0.

Psyonic-Cetacean-MythoMax-Ultra-Quality-29B — объединённая модель генерации текста, созданная разработчиком backyardai с помощью mergekit и метода passthrough. В неё вошли Gryphe/MythoMax-L2-13b, TeeZee/Orca-2-13b_flat и KoboldAI/LLaMA2-13B-Psyfighter2. Модель построена на архитектуре Llama и содержит 28,1 млрд параметров. Модель предназначена для генерации текста, в частности ролевых диалогов и историй — такие сценарии поддерживают сведения о базовых моделях. Заявленная длина контекста составляет 4096 токенов. Для весов указан формат safetensors; библиотека для работы — Transformers. Сведений о лицензии и языках в предоставленных данных нет.

Pixie Zehir Nano — разговорная языковая модель, разработанная Maani, BLNKBLK и Liquid AI. Это плотная модель семейства LFM2 с 2,4 млрд параметров, дообученная на высококачественных данных Pixie Zehir на основе LiquidAI/LFM2-2.6B. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Модель предназначена прежде всего для творческого письма и генерации диалоговых ответов, например стихов и хайку. Она поддерживает английский, французский, испанский, немецкий, итальянский, португальский и русский языки, а длина контекста составляет 128 000 токенов. В карточке приведены примеры генерации хайку. Модель заявлена для исследовательских целей; лицензия — LFM 1.0, условия использования определяются этой лицензией.

NikiKrutan/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP-GGUF — набор GGUF-квантов модели Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP, разработанной DavidAU и опубликованной в квантованном виде NikiKrutan. Модель ориентирована прежде всего на написание текстов, сторителлинг, художественную литературу, ролевые сценарии и диалоговое общение. В README также указана поддержка reasoning и creative-задач, однако для агентских сценариев, программирования и сложной логики автор рекомендует другую модель. Модель имеет размер 27B параметров и поставляется в формате GGUF для использования с llama.cpp. Опубликовано 19 вариантов квантования размером примерно от 8500 до 23000 МиБ. Кванты создавались с помощью экспериментального инструмента niki-allocator, который распределяет тип квантования отдельно для каждого тензора и оптимизирует предполагаемое качество при заданном размере файла. Чем больше вариант квантования, тем выше ожидаемое качество, но тем больше требования к памяти; фактическая скорость зависит от оборудования и конфигурации. В README приведены оценки качества квантования на англоязычных и русскоязычных данных, коде и рассуждениях, но точные сведения о длине контекста, архитектуре модальностей и поддерживаемых языках не указаны. Модель заявлена как uncensored и abliterated, поэтому может быть менее ограниченной в содержании, но конкретные гарантии поведения не описаны. Лицензия — Apache-2.0. Инструмент niki-allocator на момент публикации находится в разработке и отдельно не опубликован.

DavidAU подготовил инструктивную донастройку Qwen3-4B для генерации коротких рассказов и художественной прозы. Модель основана на Goekdeniz-Guelmez/Josiefied-Qwen3-4B-Instruct-2507-gabliterated-v1; автор сообщает, что для обучения использовалась подборка коротких рассказов, а настройка меняет стиль прозы и расширяет творческие возможности. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 262 144 токена. В карточке указан английский язык. Модель предназначена прежде всего для коротких рассказов, сцен, хоррора и других творческих текстов, а также поддерживает диалог и генерацию кода. Для получения откровенной или обсценной прозы может потребоваться прямо задать нужную лексику и уровень детализации. Модель может не соблюдать требования к длине и иногда отказывать; автор рекомендует повторную генерацию при неудовлетворительном результате. Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

RegNet-Y-040 — модель компьютерного зрения семейства RegNet, обученная на ImageNet-1k и опубликованная в репозитории Facebook. Архитектура разработана в рамках исследования пространств архитектур для нейронного поиска (NAS); в Transformers она представлена классом RegNetForImageClassification. Модель предназначена для классификации изображений: она принимает изображение и предсказывает класс объекта или сцены. Её можно применять для распознавания категорий на изображениях и использовать как основу для дальнейшей настройки под специализированные задачи. Доступны реализации в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet-1k, поэтому её исходные категории и качество на специализированных или существенно отличающихся данных могут быть ограничены; для таких сценариев может потребоваться дообучение.

Это совместимая с Transformers.js копия модели Bria RMBG-1.4, подготовленная kittypdf для удаления фона в браузере. Модель семейства SegFormer выполняет сегментацию изображения и предназначена для отделения объекта переднего плана от фона. В репозитории представлены варианты ONNX, включая FP16 и квантованный вариант. Карточка не сообщает размер модели, контекст или поддерживаемые языки. Указана лицензия Apache-2.0; README рекомендует сверяться с исходной карточкой briaai/RMBG-1.4 для сведений о назначении и ограничениях оригинальной модели.

SaMer-k64-colpali — адаптерная версия SaMer от команды dmis-lab для модели vidore/colpali-v1.3-hf, предназначенная для визуального поиска по документам. Репозиторий содержит обученный проекционный слой и обёртку для применения слияния токенов; веса базовой модели загружаются отдельно во время работы. Модель объединяет визуальные признаки в 64 области с помощью пространственно-ориентированного мягкого слияния центроидов без использования рамок объектов. Она рассчитана на поиск релевантных страниц PDF по визуальному содержимому и использует функцию потерь для обучения на задаче поиска. Для применения нужны базовая модель vidore/colpali-v1.3-hf и поддержка обёртки с trust_remote_code. Лицензия в метаданных указана как Gemma; README предписывает соблюдать лицензию и условия использования базовой модели.

SigLino-70M — плотная модель компьютерного зрения семейства SigLino, разработанная авторами работы AMoE, принятой на CVPR 2026. Это вариант с 70 млн параметров и 12 слоями; семейство сочетает идеи SigLIP2 и DINOv3 и использует дистилляцию в архитектуру Mixture-of-Experts. Репозиторий содержит веса в формате safetensors для Transformers. Модель предназначена для извлечения признаков изображений, которые можно использовать для поиска похожих изображений и классификации, в том числе в режиме zero-shot. В README приведены результаты на разрешении 512×512: точность kNN-классификации ImageNet 81,7%, средняя точность kNN на шести наборах данных 86,2% и точность zero-shot-классификации ImageNet 71,2% для ансамбля признаков. Лицензия — Apache-2.0.

Silero VAD v6.2.1 MLX — порт модели Silero VAD проекта snakers4 в формат MLX для запуска на устройствах Apple Silicon. Модель содержит 309 121 параметр, использует веса Float32 без квантизации и распространяется в формате MLX safetensors. Лицензия — MIT. Модель предназначена для обнаружения речевой активности в аудио и выделения речевых сегментов, в том числе при потоковой обработке. В README приведены замеры на Apple Silicon для аудио 16 кГц: задержка составляет около 0,5 мс на фрагмент; также заявлено совпадение преобразованных весов с исходным состоянием Silero VAD v6.2.1. Это конвертированный порт, ориентированный на MLX и Apple Silicon; приведённые показатели относятся к указанной тестовой конфигурации.

Stellar-Seraph-12B — слитая языковая модель Vortex5 на архитектуре Mistral с 12,1 млрд параметров. Она создана объединением Wicked-Nebula-12B, Crimson-Constellation-12B, Celestial-Queen-12B и Darklit-Maiden-12B собственным методом Nexus; модель предназначена для текстовых диалогов, ролевого взаимодействия и творческого письма. Модель подходит для эмоционально выразительных ролевых диалогов, создания структурированных длинных историй и атмосферной художественной прозы. Она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. В README не указаны языки обучения или использования, поэтому языковую специализацию определить нельзя. Модель опубликована в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает результатов оценивания качества или конкретных ограничений; применимость длинного контекста и качество ответов могут зависеть от настроек запуска.

Sulphur 2 — модель генерации видео, разработанная авторами проекта Sulphur 2 и основанная на LTX 2.3. Модель предназначена для создания видео по текстовому описанию (text-to-video, T2V) и по исходному изображению с текстовыми указаниями (image-to-video, I2V), а также поддерживает другие форматы, доступные в LTX 2.3. Ключевые характеристики архитектуры, размер модели, максимальная длина контекста, список поддерживаемых языков и точные требования к аппаратному обеспечению в README не указаны. Доступны варианты dev в форматах fp8mixed и bf16, а также distill LoRA для упрощённого запуска. В состав проекта входит prompt enhancer, способный обрабатывать текст и изображение; для него предусмотрены файлы GGUF и mmproj. Сильными сторонами модели являются нативная поддержка T2V и I2V, совместимость с экосистемой LTX 2.3 и наличие инструментов для улучшения промптов. Модель заявлена как uncensored, однако конкретные ограничения качества, производительности и области применимости не описаны. README также отмечает, что инструкции по настройке и обучению ещё будут дополнены; при использовании рекомендуется не загружать одновременно distill LoRA и полную модель. Лицензия в README не указана, поэтому условия коммерческого и иного использования требуют дополнительной проверки в источнике модели.

HoopitAI разработала модель GenD для выявления дипфейков в видео. Она классифицирует изображения лиц по кадрам; для этого использует визуальный ViT-L из DINOv3 и классификационную голову LinearNorm. Модель обучена на FaceForensics++ и дообучает только параметры LayerNorm базовой модели, применяя нормализацию признаков, metric learning, Sharpness-Aware Minimization и сглаживание меток. В README приведены результаты на видео: AUROC 91,84%, mAP 89,88% и accuracy 84,91%. Модель рассчитана на анализ кадров с лицами и может использоваться как компонент конвейера проверки видео. Это дообучение facebook/dinov3-vitl16-pretrain-lvd1689m; веса опубликованы в формате safetensors. Лицензия — MIT.

Карточка модели aiinfluencer00/Viggle-Animate-ComfyUI на Hugging Face совпадает с карточкой drbaph/Viggle-Animate-ComfyUI, поэтому описание составлено по ней. Viggle-Animate — это конверсия модели Viggle/Viggle-Animate для работы в ComfyUI, созданная на основе полноразмерного дообучения трансформера ref2va из MiniMax-H3. Модель предназначена для замены персонажа в видео: она переносит движение, ракурс камеры, фон и освещение из исходного ролика на персонажа с референсного изображения. Текстовый энкодер не используется: модель получает фиксированное встраивание длиной 362 токена. Ускоренный режим с дистилляцией DMD2 выполняет генерацию за 4 шага с тремя прямыми проходами. Для запуска нужны специальные узлы ComfyUI Viggle Animate, а также веса модели, VAE и готового текстового кондиционирования. Доступны варианты BF16 и INT8, включая облегчённый по памяти вариант; указанный в README размер полной модели BF16 — 66,3 ГБ. Качество сохранения внешности снижается, когда персонаж выходит из кадра и возвращается, сильно отклоняется от позы референса или делает резкие крупные движения. Лицензия указана как other, поэтому конкретные условия использования следует проверять у правообладателя.

openerotica/writing-roleplay-20k-context-nemo-12b-v1.0 — дообученная модель для написания историй и ролевых диалогов, созданная автором openerotica на базе mistralai/Mistral-Nemo-Base-2407. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров; репозиторий содержит веса в формате Safetensors и поддерживает чатовый шаблон ChatML. Метаданные указывают длину контекста до 1 024 000 токенов, а в описании обучения указана последовательность длиной 20 000 токенов и примеры ролевых бесед примерно такой длины. Модель обучалась на синтетических многотуровых ролевых диалогах, текстах для написания историй и подборке инструкционных и ролевых датасетов. Она предназначена для создания художественных сцен, продолжения ролевых бесед и генерации длинных связных текстов. Автор сообщает о фильтрации данных для снижения низкого качества, повторов и контента с несовершеннолетними, однако это не гарантирует отсутствие таких результатов. Лицензия в предоставленных данных не указана.

YaYi-7B-Llama2 — китайская языковая модель, разработанная командой YaYi (Wenge Research) и дообученная на базе LLaMA 2. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LLaMA и принимает контекст до 2048 токенов; опубликованные веса представлены в формате PyTorch. Модель предназначена для генерации текста и выполнения инструкций на китайском и английском языках, включая многоходовый диалог и задачи анализа в областях медиакоммуникаций, анализа общественного мнения, общественной безопасности, финансовых рисков и городского управления. Разработчики сообщают о дообучении на миллионах искусственно созданных высококачественных примеров и о настройке по отзывам пользователей. Карточка не уточняет лицензию; условия использования следует проверять в репозитории модели.

Модель ShenaoZ/0.0001_withdpo_4iters_bs256_5551lr_iter_3 — дообученная версия ShenaoZ/0.0001_withdpo_4iters_bs256_5551lr_iter_2, созданная с использованием наборов данных updated и original. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров; метаданные указывают поддержку диалогового режима и генерации текста. Модель принимает текст и генерирует текст; её можно применять для диалоговых сценариев и генерации продолжений. Контекстное окно составляет 32 768 токенов. Модель опубликована в формате safetensors под лицензией MIT. README не содержит сведений о целевой области, качестве на оценках или конкретных ограничениях.

Celestial-Order-24B-V2 — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом DARE TIES на основе Sorihon/Celestial-Order-24B с добавлением DarkArtsForge/Morbid-Miasma-24B. Модель содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов; веса опубликованы в формате Safetensors для Transformers. Модель предназначена для генерации текста, в том числе творческого письма и ролевых диалогов. Описание базовой модели указывает на поддержку мрачного и откровенного контента. В README не приведены отдельные языковые характеристики или сравнительные оценки качества. Лицензия в предоставленных данных не указана.

CommunityForensics-DeepfakeDet-ViT — модель классификации изображений на базе ViT-Small, разработанная Jeongsoo Park и Andrew Owens из University of Michigan и адаптированная для Hugging Face и ONNX Han Yoon из Borderless / Ethix R&D. Она предназначена для выявления изображений, созданных ИИ, и обучена на 2,7 млн образцов от 4 803 генераторов. Модель содержит 28,3 млн параметров; архитектура включает 12 слоёв, 6 голов внимания, размер скрытого состояния 384 и патчи 16×16. На вход подаётся RGB-изображение: его короткая сторона масштабируется до 440 пикселей с сохранением пропорций, затем выполняется центральная обрезка до 384×384 и нормализация CLIP. Выход — один логит, преобразуемый сигмоидой в оценку вероятности того, что изображение является поддельным. Модель подходит для проверки изображений и интеграции в конвейеры цифровой криминалистики. В репозитории доступны веса safetensors и ONNX, включая варианты с динамической квантизацией. Квантизированные варианты могут заметно расходиться с FP32 на изображениях от генераторов, не представленных при обучении; для наибольшей согласованности README рекомендует FP32. Для корректной предобработки требуется transformers версии 5.4.0 или новее. Лицензия — MIT.

facebook/convnext-base-384 — свёрточная модель компьютерного зрения семейства ConvNeXT, представленная авторами статьи «A ConvNet for the 2020s» и обученная на ImageNet-1k. Это базовая по размеру версия, обученная классифицировать изображения с разрешением 384×384 пикселя по 1 000 классам ImageNet. Модель предназначена для классификации изображений: например, для присвоения меток объектам на фотографиях или для создания основы под специализированные классификаторы. Архитектура использует чистые свёрточные слои и заимствует идеи из Vision Transformers и Swin Transformer. Доступны веса в форматах PyTorch и TensorFlow. Модель работает с изображениями и выдаёт классы ImageNet. Она не предназначена для генерации изображений или текста. Лицензия Apache-2.0.

ConvNeXt Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Репозиторий опубликован командой timm; модель предобучена на ImageNet-22k и дообучена авторами статьи на ImageNet-1k. Архитектура ConvNeXt Large содержит около 197,8 млн параметров. Для обучения указано разрешение изображений 224 × 224, для тестирования — 288 × 288. Модель подходит для определения объектов и категорий на изображениях, а также как визуальный backbone для извлечения карт признаков и эмбеддингов. В README приведены результаты ImageNet-1k: точность top-1 составляет 84,3%, top-5 — 96,9%. Для работы нужны изображения; модель выдаёт классы и визуальные представления. Репозиторий содержит веса PyTorch и safetensors, а использовать их можно на условиях лицензии Apache-2.0.

facebook/convnextv2-huge-22k-512 — сверточная модель компьютерного зрения ConvNeXt V2, опубликованная командой Facebook. Она предварительно обучена с помощью FCMAE и дообучена на ImageNet-22K для классификации изображений при разрешении 512 × 512 пикселей. Архитектура использует полностью сверточный masked autoencoder и слой Global Response Normalization (GRN). Модель предназначена для присвоения изображениям классов ImageNet-22K и может служить основой для адаптации к другим задачам распознавания изображений. Весовые файлы доступны в форматах PyTorch и Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Количество параметров и поддерживаемые языки не указаны в использованных источниках.

DeciMamba-130m-squad-doc-ret — официальный чекпойнт DeciMamba-130m, дообученный для поиска документов. Модель представлена авторами исследования DeciMamba: Exploring the Length Extrapolation Potential of Mamba; в метаданных указаны архитектура Mamba и 236,8 млн параметров. Модель предназначена для задачи поиска документов и относится к pipeline text-generation. Репозиторий содержит веса PyTorch; лицензия — MIT. В README указаны скрипты обучения и оценки в репозитории проекта.

iron04/deepfake_efficientnet — компактный классификатор видео для обнаружения дипфейков на базе EfficientNet-B0, предварительно обученной на ImageNet. Модель относит видео к классам REAL и FAKE: равномерно выбирает 16 кадров, масштабирует их до 224×224 пикселей, применяет нормализацию ImageNet и усредняет оценки кадров для итогового предсказания по видео. Модель предназначена для проверки видео на признаки подделки в системах модерации, предварительного анализа медиаматериалов и исследовательских прототипах. Репозиторий содержит обученные веса PyTorch и код предварительной обработки; это не нативная модель Transformers. Данные не сообщают, на каких наборах видео модель обучалась и какова её точность, поэтому качество на новых источниках и типах дипфейков требует отдельной оценки. Лицензия в предоставленных данных не указана.

facebook/detr-resnet-50-dc5 — модель обнаружения объектов от Facebook, построенная на архитектуре DETR: энкодер-декодер Transformer с backbone ResNet-50 и дилатированным этапом C5. Она обучена сквозным образом на COCO 2017 и предназначена для поиска объектов на изображениях, классификации найденных объектов и предсказания их ограничивающих рамок. Для COCO используется 100 объектных запросов; модель сопоставляет предсказания с разметкой методом венгерского алгоритма и оптимизируется по классификационной и рамочной функциям потерь. Модель принимает изображения и выдаёт классы объектов и координаты рамок. На валидационной части COCO 2017 достигла AP 43,3. Метаданные указывают 6,3 млн параметров, однако это значение может не отражать полный размер архитектуры ResNet-50 DETR. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Обучение на COCO задаёт область распознавания и может ограничивать качество на объектах и сценах, отличающихся от набора данных.