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

Это модель Silero VAD версии 6.2 в формате ONNX, опубликованная пользователем istupakov для работы с onnx-asr. Она определяет участки речи в аудиозаписи и может использоваться как этап предварительной обработки перед распознаванием речи, например вместе с Parakeet v3 ASR для анализа WAV-файлов. Формат ONNX позволяет запускать модель через совместимые среды выполнения.

Skywork-R1V2-38B — открытая мультимодальная модель рассуждений компании Skywork, построенная на архитектуре InternVL Chat. Она принимает изображения и текст и предназначена для визуальных вопросов и ответов, анализа изображений и решения задач, требующих визуального и текстового рассуждения. В README указаны результаты на MMMU — 73,6% и OlympiadBench — 62,6%, а также оценки на MathVision, MMMU-Pro и MathVista; размеры контекста и число параметров в доступных данных не приводятся. Модель распространяется в формате safetensors и лицензирована по MIT. Метаданные указывают поддержку чата и интерфейс вызова инструментов.

Solari — компактная мультимодальная модель Cubex11 для понимания изображений и ответов на вопросы о них. Она основана на SmolVLM2-500M-Video-Instruct и дообучена методом QLoRA с Direct Preference Optimization на предпочтениях из датасета RLAIF-V, чтобы уменьшить выдумывание объектов и деталей в описаниях. Модель насчитывает около 500 млн параметров; карточка указывает архитектуру SmolVLM2 с визуальным энкодером ViT, языковым декодером и мультимодальным проектором. Она принимает изображения и текстовые запросы и формирует текстовые ответы на английском языке. Solari предназначена для описания сцен, визуальных вопросов и задач доступности, например для помощи незрячим пользователям. По данным карточки, она улучшила результаты на большинстве приведённых бенчмарков, связанных с галлюцинациями, но стала слабее в точном подсчёте объектов и пространственных отношениях; ёмкость в 500 млн параметров также ограничивает сложные рассуждения. Модель не предназначена для медицинских и иных критически важных решений без дополнительной проверки. Лицензия — Apache-2.0.

Stable Diffusion x4 Upscaler — текстово-управляемая модель латентной диффузии для увеличения изображений в четыре раза. Её разработали Robin Rombach и Patrick Esser. Модель принимает изображение низкого разрешения, текстовую подсказку и параметр noise_level, после чего создаёт изображение более высокого разрешения; для работы доступны Diffusers и формат PyTorch/Safetensors. Модель обучали 1,25 млн шагов на подмножестве LAION с изображениями размером более 2048×2048, используя кропы 512×512. Она предназначена для художественного и творческого увеличения изображений, а также для исследований генеративных моделей. Основной язык подсказок — английский; результаты на других языках могут быть хуже. Модель не гарантирует фотореализм, плохо передаёт читаемый текст, сложные пространственные отношения, лица и людей. Автоэнкодер вносит потери, а обучающие данные могут отражать социальные предубеждения и содержать взрослые или жестокие материалы. Лицензия — CreativeML Open RAIL++-M; в карточке указаны ограничения на отдельные виды использования.

Карточка модели Kiko231/stable-video-diffusion-img2vid на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — генеративная модель Stability AI на основе латентной диффузии, которая принимает статичное изображение и создаёт на его основе короткий видеоклип. Модель обучена генерировать 14 кадров с разрешением 576×1024 по начальному кадру того же размера; для временной согласованности дообучен декодер f8. Репозиторий содержит веса в форматах Diffusers и safetensors. Модель предназначена для исследований генеративных моделей, создания художественных материалов и использования в творческих и образовательных инструментах. Она может пригодиться для анимации иллюстраций и статичных изображений. Модель не обучалась создавать достоверные изображения людей или событий, поэтому такие сценарии не соответствуют её возможностям. По карточке, прямое использование модели предназначено для исследовательских целей; лицензию Hugging Face обозначает как other, а коммерческое использование регулируется отдельными условиями Stability AI.

Starcannon-Unleashed-12B-v1.0 — объединённая текстовая модель автора VongolaChouko, созданная с помощью mergekit на основе NemoMix-Unleashed-12B и MN-12B-Starcannon-v3. Она предназначена для генерации текста, ролевых диалогов и написания историй: автор отмечает выразительное сохранение характера персонажей, связное продолжение сюжета и устойчивую работу на длинном контексте. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров; метаданные указывают контекст до 1 024 000 токенов, хотя автор проверял её только с контекстом 24 576 токенов на Q6_K из-за ограничений компьютера. В README заявлена совместимость с форматами шаблонов ChatML и Mistral, причём автор предпочитает ChatML. Репозиторий содержит веса Safetensors; доступны также отдельные варианты квантизации GGUF и EXL2. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Это вариант Text2Video-Zero с весами DreamBooth для генерации в стиле аниме и управлением по контурам Canny через ControlNet. Метод Text2Video-Zero разработан Левоном Хачатряном, Андраником Мовсисяном, Ваграмом Тадевосяном, Роберто Хеншелем, Чжанъян Вангом, Шантом Навасардяном и Хамфри Ши; веса аниме-стиля взяты с CIVITAI у автора Quiet_Joker. Модель работает в экосистеме Stable Diffusion и Diffusers. Она предназначена для создания видео по текстовому запросу с направляющими контурами, а также для генерации изображений с тем же стилем и управлением. В карточке указаны английский язык и ключевое слово «anime style». Лицензия — CreativeML OpenRAIL-M.

Qwen2.5-14B Neon v1 — языковая модель на архитектуре Qwen2, созданная Auri и выпущенная Allura. Это дообучение SuperNova-Medius с 14 млрд параметров, ориентированное на ролевые диалоги и генерацию прозы, включая короткие рассказы. Модель также следует инструкциям и поддерживает диалоговый формат ChatML; в метаданных заявлен контекст до 131 072 токенов и интерфейс вызова инструментов. При обучении использовались 77 млн токенов синтетических ролевых диалогов и данных для генерации коротких рассказов. Модель рассчитана прежде всего на англоязычные сценарии. Выпущена под лицензией Apache-2.0. Автор отмечает, что стиль прозы модели отличается от базовой SuperNova-Medius, а следование инструкциям оценивает как достойное; независимых количественных оценок качества в карточке нет.

TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang, Xiaoxue Chen и их соавторами. Она принимает одно изображение и создаёт 3D-модель с геометрией и PBR-материалами, включая прозрачность и полупрозрачность. Модель построена на трансформере с flow matching и разреженном 3D VAE, использующем структуру O-Voxel; размер модели — 4 млрд параметров. Она поддерживает сложную топологию, в том числе открытые поверхности и неманифолдные сетки, а заявленное разрешение генерации достигает 1536³. Для запуска требуется Linux и NVIDIA GPU с как минимум 24 ГБ памяти; README подтверждает проверку на A100 и H100. Сгенерированные сетки иногда содержат небольшие отверстия и топологические разрывы, поэтому для задач вроде 3D-печати может понадобиться постобработка. Модель не дообучена для заданных эстетических предпочтений. Лицензия — MIT.

Это модель классификации изображений на архитектуре Vision Transformer (ViT), обученная на ImageNet-1k. Репозиторий mlx-vision содержит перенос весов модели torchvision в формат для фреймворка Apple MLX; доступны веса Safetensors и библиотека mlx-image. Модель предназначена для определения класса объекта на изображении и может применяться для категоризации изображений в приложениях, работающих на устройствах Apple с MLX. В карточке указана лицензия Apache-2.0. Подробные сведения о размере модели и поддерживаемых языках не приведены; для классификатора изображений языковая поддержка не применима.

WestSeverus-7B — языковая модель на 7,1 млрд параметров, созданная Felix Chao слиянием senseable/WestLake-7B-v2 и FelixChao/Severus-7B методом SLERP через LazyMergekit. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста; базовая WestLake-7B-v2 ориентирована на англоязычные ролевые диалоги и творческое письмо. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors, а конфигурация слияния указывает тип данных float16. Лицензия — Apache-2.0. Карточка не описывает отдельные результаты оценки качества WestSeverus-7B.

robello2/whisper-medium-full-clinical-r16 — дообученная модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и преобразует речь в текст; дообучение выполнено на наборе данных afrispeech-200. Модель построена на архитектуре Whisper и содержит около 455,8 млн параметров согласно описанию базовой модели. В карточке приведены результаты оценки: Loss 0,7557, WER 22,4040 и CER 8,9223. Эти показатели относятся к указанному набору оценки и сами по себе не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

YamshadowInex12_Strangemerges_32Experiment26 — слитая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает запросы на естественном языке; заявленная длина контекста — до 32 768 токенов. Модель объединяет automerger/YamshadowInex12-7B и automerger/Strangemerges_32Experiment26-7B. Её можно использовать для диалогов и создания текстовых ответов. README и метаданные не уточняют поддерживаемые языки или специализацию модели. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

AIMv2 Large Patch14 336 Distilled — зрительная модель Apple из семейства AIMv2, представленная в виде чекпойнта для извлечения признаков изображений. Модель построена на архитектуре Aimv2VisionModel, содержит 308,3 млн параметров и доступна для Transformers в форматах Flax и safetensors. Модель принимает изображения и выдаёт визуальные признаки для последующего использования в задачах компьютерного зрения, например для сравнения изображений, поиска по визуальному сходству и построения классификаторов. Семейство AIMv2 предварительно обучалось с мультимодальной авторегрессионной целью; в README заявлены сильные результаты на задачах мультимодального понимания, обнаружения объектов с открытым словарём и распознавания. Чекпойнт опубликован под лицензией Apple AMLR. В карточке нет конкретных оценок именно этой версии или описания ограничений по данным и применению, поэтому результаты семейства не следует считать гарантией качества данного варианта.

Bloom-1b7-creative-writing-Cont-IT-Step5 — языковая модель семейства BLOOM, разработанная как дообученная версия alonzogarbanzo/Bloom-1b7-dialogsum-Cont-IT-Step4. Она предназначена для генерации текста, включая творческое письмо. Модель содержит 2,1 млрд параметров, использует архитектуру BloomForCausalLM и принимает текст, выдавая текст. Размер контекста — до 4096 токенов. Модель опубликована в формате safetensors под лицензией BigScience BLOOM RAIL 1.0. Карточка не сообщает, на каких данных выполнено дообучение и как оценивалось качество, поэтому пригодность для конкретных жанров и сценариев письма требует проверки.

CATA (Cerebrovascular Anthology, Task Arithmetic) — диалоговая модель, созданная Envoid слиянием методом task arithmetic трёх моделей: Dendrite-8x7B, Augmentasanguis-8x7B и Augmentasanguis-PDE-8x7B. В качестве базовой модели использована Mistral-8x7B-Instruct-v0.1; архитектура — Mixtral MoE. Веса опубликованы в формате safetensors, размер модели по метаданным — 7,1 млрд параметров, длина контекста — 32 768 токенов. Модель предназначена для диалогов, ролевых игр и творческого письма. Автор отмечает, что она может создавать контент для взрослых и иногда выдавать непредсказуемые ответы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Clio — оригинальная языковая модель NovelAI, предварительно обученная с нуля на кластере Shoggy H100. Модель использует плотную архитектуру StableLM с классом StableLmForCausalLM и содержит 2,9 млрд параметров. Для запуска доступны веса Safetensors и варианты GGUF, включая BF16, F32 и несколько уровней квантования; для Transformers не требуется пользовательский код. Контекст составляет 8192 токена. Clio предназначена для генерации текста и художественного письма; NovelAI отмечает, что после обучения на большом для своего времени объёме данных базовая модель превосходила более крупные модели Euterpe и Krake в задачах письма. Обучение проводилось на собственном наборе Nerdstash с токенизатором Nerdstash Tokenizer V1. Карточка описывает релиз как публикацию для сохранения и исторического доступа: автор указывает, что более новые модели NovelAI сильнее. Лицензия — GPL-2.0 без варианта «или позднее».

Модель facebook/deformable-detr-detic — детектор объектов на базе Deformable DETR, обученный методом Detic на датасете LVIS. Это чекпойнт Detic_DeformDETR_R50_4x из оригинального репозитория, представленный командой Hugging Face; метод Detic описан Zhou и соавторами в работе Detecting Twenty-thousand Classes using Image-level Supervision. Архитектура включает свёрточную основу и трансформерный энкодер-декодер. Выходные головы предсказывают классы объектов и ограничивающие рамки. Модель обучена распознавать 1203 класса и предназначена для обнаружения объектов на изображениях. Для версии на LVIS указаны показатели 32,5 box mAP и 26,2 mAP на редких классах. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о языковой поддержке: модель работает с изображениями и выдаёт классы и координаты объектов.

Это модель Deformable DETR с backbone ResNet-50 и уточнением ограничивающих рамок, разработанная авторами статьи Deformable DETR и опубликованная в репозитории SenseTime. Архитектура сочетает свёрточный backbone с энкодером и декодером Transformer; запросы объектов используются для предсказания классов и координат рамок. Модель обучена сквозным образом для обнаружения объектов на COCO 2017, содержащем 118 тысяч размеченных обучающих изображений. Модель предназначена для обнаружения объектов на изображениях и выдаёт классы объектов и ограничивающие рамки. Она использует 100 запросов объектов для обработки сцены. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Качество и охват классов связаны с обучением на COCO, поэтому модель может хуже работать на изображениях и категориях, отличающихся от этого набора данных. Карточка не сообщает оценок качества или дополнительных ограничений применения.

Delta-Vector_Austral-70B-Winton-GGUF — это квантизированная версия текстовой генеративной модели Austral-70B-Winton, разработанной Delta-Vector и подготовленной пользователем bartowski. Модель предназначена для запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель ориентирована на ролевые сценарии, приключенческие сюжеты, творческое письмо и другие задачи генерации текста. Она относится к семейству 70B, поддерживает английский язык и использует формат GGUF. Доступны варианты квантизации от Q8_0 до Q2_K_L, различающиеся размером файлов и качеством; рекомендуемыми указаны, в частности, Q6_K, Q5_K_M, Q5_K_S и версии Q4. Квантизация выполнена с использованием imatrix в llama.cpp, релиз b5753. Сильными сторонами являются большой размер модели, специализация на творческой генерации и широкий выбор вариантов квантизации для систем с разным объёмом памяти. Ограничения включают высокие требования к ресурсам: размер доступных файлов составляет примерно от 27 до 75 ГБ, а более сильное сжатие снижает качество. Модель текстовая, сведения о других модальностях и размере контекста в README не указаны. Лицензия — Apache-2.0.

Это дообученная модель обнаружения объектов на основе DETR с ResNet-50, разработанная автором репозитория nsugianto на базе facebook/detr-resnet-50. Она принимает изображения и определяет на них объекты, выдавая классы и ограничивающие рамки. Модель предназначена для сценариев компьютерного зрения, где нужно находить и локализовать объекты на изображениях. Модель опубликована в формате safetensors по лицензии Apache-2.0. В карточке указано дообучение на наборе данных, который не раскрыт; подробности обучения, оценки и специальные ограничения не приведены.

DF Arena 1B — универсальная модель для обнаружения поддельной речи и другого синтетического аудио. Её выпустила команда Speech-Arena-2025; модель обучена на наборах данных для выявления подмены речи, а также на данных с поддельным пением и окружающими звуками. В метаданных указана архитектура antispoofing и формат PyTorch. Модель принимает аудио и относит его к классам spoof и bonafide, возвращая оценки для каждого класса и итоговую уверенность. Она предназначена для проверки аудиозаписей на синтетическое или подделанное содержимое, в том числе речи, пения и звуков окружающей среды. В README приведены результаты на нескольких наборах данных, которые различаются по качеству; показатели на отдельном наборе нельзя считать гарантией точности в реальных условиях. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели на Hugging Face. Для запуска в примере README используются Transformers, librosa и устройство CUDA.

zeromodels/dino-resnet50 — порт на Keras 3 самообученного визуального backbone DINO на базе ResNet-50. Веса конвертированы из официальной реализации facebookresearch/dino; модель разработана ZeroModels на основе работы исследователей Facebook AI Research. Она извлекает семантические признаки из изображений и возвращает токены или карты признаков, без отдельной головы для конкретной задачи. Подходит как визуальный энкодер для поиска похожих изображений, кластеризации и последующих задач компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX; в метаданных репозитория указан формат TensorFlow. DINO обучен самообучением на разных фрагментах одного изображения без меток. README не сообщает поддерживаемые естественные языки или размер контекста, которые для этой модели не являются применимыми. Лицензия — Apache 2.0.

Карточка модели athena2634/dinov3-vitl16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vitl16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vitl16-pretrain-lvd1689m — визуальная модель семейства DINOv3, разработанного Meta AI. Это вариант Vision Transformer ViT-L, дообученный на веб-наборе LVD-1689M; модель предназначена для извлечения универсальных признаков изображений, которые можно использовать в задачах компьютерного зрения без дополнительного обучения или с лёгкой классификационной головой. Модель принимает изображения и формирует признаки класса и патчей. Архитектура ViT использует патчи размером 16 пикселей и поддерживает изображения с размерами, кратными 16; изображения других размеров обрезаются до ближайшего меньшего кратного. Признаки применимы для классификации, поиска похожих изображений, сегментации, оценки глубины и обнаружения объектов. Карточка описывает семейство DINOv3, включая вариант ViT-L на 300 млн параметров; отдельный размер контекста к этой модели не относится. В карточке отмечены различия качества между регионами и снижение результатов для географических групп с низким доходом; дообучение на целевых метках может усилить смещения. Указана лицензия DINOv3 License (в метаданных — other), поэтому условия использования следует сверять с текстом лицензии репозитория.

DonutHole-8x7B — объединённая языковая модель автора ycros на архитектуре Mixtral-8x7B MoE. Она предназначена для генерации текста и диалогов по инструкциям; автор тестировал её преимущественно с шаблоном Alpaca в стиле LimaRP, также поддерживается формат Mistral. Модель создана методом DARE TIES с помощью mergekit на основе mistralai/Mixtral-8x7B-v0.1 и объединяет LimaRP, Holodeck, Bagel DPO и Mixtral Instruct. В метаданных указаны 7,1 млрд параметров, контекст 32 768 токенов и формат safetensors. Модель ориентирована на художественные и ролевые диалоги, в том числе чувственный контент, и генерацию ответов на запросы. Автор отмечает, что качество слияния не оценено окончательно и поведение на контекстах длиннее 8 тысяч токенов не проверено; при генерации возможны повторы предложений, поэтому могут потребоваться настройки семплирования и штрафа за повторы. Лицензия — Apache-2.0.

EVIE-4.5B — мультимодальная модель Tencent для поиска по визуальному содержимому страниц документов. Она основана на ColQwen3.5 и использует позднее взаимодействие многовекторных представлений: кодирует текстовый запрос и изображение страницы в наборы векторов, а релевантность оценивается сопоставлением токенов. Модель содержит 4,5 млрд параметров и поддерживает эластичные векторы размерностью от 64 до 2048, которую можно выбирать усечением единственной проекции. Модель предназначена для поиска документов по содержимому сложных страниц, включая таблицы, диаграммы, структуру макета и мелкий текст. Для уменьшения объёма индекса можно применять HAC — алгоритм кластеризации токенов без дополнительного обучения, сжимая представление страницы до 32 или 64 векторов. В README приведены результаты оценки на ViDoRe и JinaVDR, включая многоязычные задачи. EVIE-4.5B получена дообучением Tencent/EVIE-Preview-4.5B; в описании также говорится о дистилляции студенческой модели от модели EVIE-8B. Репозиторий использует библиотеку colpali-engine и формат safetensors. Лицензия Apache-2.0.

Eximius_Persona_5B — текстовая модель семейства Llama, созданная независимым разработчиком SicariusSicariiStuff на основе дообученной meta-llama/Llama-3.2-3B-Instruct и многократного слияния моделей. В репозитории заявлены 5,4 млрд параметров, архитектура LlamaForCausalLM и контекст до 131 072 токенов; доступны веса SafeTensors. Модель предназначена прежде всего для ролевых диалогов и творческого письма, а также для обычной генерации текста и выполнения инструкций. Автор делает акцент на разнообразных речевых манерах, выразительных персонажах и связности ролевых сцен на длинном контексте. Для персонажей рекомендуется формат SICAtxt, а для поведения — отдельные настройки ролевого режима; результаты генерации зависят от параметров семплирования. Модель также описана как умеренно цензурированная и менее стабильная, чем обычные ассистентские модели. Лицензия — Llama 3.2; её условия распространяются на использование и дальнейшее распространение модели.

ClaudioItaly создал FourFictionGemma-9 — объединённую с помощью mergekit языковую модель семейства Gemma 2 для генерации художественных текстов и рассказов. В слияние методом DARE TIES вошли четыре модели: ifable/gemma-2-Ifable-9B, UCLA-AGI/Gemma-2-9B-It-SPPO-Iter3, lemon07r/Gemma-2-Ataraxy-9B и nbeerbower/gemma2-gutenberg-9B; базой служила ifable/gemma-2-Ifable-9B. Модель содержит 9 млрд параметров, использует архитектуру Gemma 2 для авторегрессионной генерации текста и поддерживает контекст до 8192 токенов. Для работы с ней требуется шаблон Gemma Instruct. Она предназначена прежде всего для творческого письма и сюжетной прозы; README отмечает хорошее следование промптам. Репозиторий использует формат safetensors и библиотеку Transformers. Данных о лицензии в предоставленных источниках нет.

Gemma-2-9B Aletheia v1 — диалоговая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная Auri слиянием Sugarquill и Sunfall; при подготовке Sunfall LoRA применялась поверх Gemma-2-9B-it-SPPO-iter3. Модель предназначена для ролевого общения и художественного письма: автор отмечает выразительный стиль, следование карточкам персонажей и системным инструкциям, а также пригодность для генерации историй по продолжению текста. Модель принимает текст в формате инструкций Gemma и генерирует текстовые ответы. Контекст составляет 8192 токена. В карточке не заявлена специализация по языку, поэтому языки не перечислены. Репозиторий использует формат safetensors и лицензию Gemma. Автор описывает результаты как личную оценку; независимые количественные оценки качества в карточке не приведены.

Gembo-v1.1-70b — языковая модель ChuckMcSneed на архитектуре Llama 2 с 68,7 млрд параметров и контекстом 4096 токенов. Автор создал её слиянием базовой Sao10K/Euryale-1.3-L2-70B с несколькими моделями и LoRA-адаптерами, затем объединил результат с Dolphin 2.2 70B и SMaxxxer-v1-70b. Модель предназначена главным образом для ролевых диалогов и творческого письма, но может работать и как ассистент. В карточке заявлена поддержка английского и русского языков; рекомендованный формат запроса — Alpaca. Автор отмечает творческий стиль и способность писать разнообразнее, чем Gembo v1, но также указывает на повторы, шаблонные формулировки и необходимость подбирать параметры генерации. Модель слегка цензурирована, может генерировать насильственный контент по запросу и иногда испытывает трудности с апострофами. Доступна по лицензии Llama 2.