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

VocalParse-1.7B — модель для транскрибации вокала, разработанная pymaster и дообученная на базе Qwen3-ASR-1.7B. Она принимает аудио с пением и генерирует последовательность токенов, объединяющую текст песни, высоту нот, их длительности в условных значениях и общий темп в BPM. Архитектура сочетает аудиоэнкодер Whisper с декодером Qwen; веса опубликованы в формате safetensors. Модель предназначена для автоматической транскрибации пения и получения структурированного представления мелодии, например для анализа исполнения или подготовки нотной разметки. В режиме CoT сначала выводится текст песни, затем совмещённая последовательность текста и музыкальных признаков. Основной язык обучения — китайский; модель унаследована от многоязычной Qwen3-ASR. Модель преимущественно обучена на китайском пении, не предсказывает физическую длительность звучания нот, а аудио длиннее 30 секунд рекомендуется заранее разбивать на фрагменты. Лицензия — Apache-2.0.

X-AuT-14layer — модель распознавания речи от XPeng, созданная на основе Qwen3-ASR-0.6B. В аудиокодировщике удалены 4 из 18 Transformer-блоков: его размер сокращён со 186,376 млн до 147,794 млн параметров, то есть на 20,70%. Языковая модель сохранена, а released checkpoint поставляется как полная дообученная модель в формате safetensors и загружается без отдельной загрузки базовой модели или ручного удаления слоёв. Модель предназначена для транскрибации речи на китайском и английском языках. В описанных тестах на десяти публичных бенчмарках 14-слойная версия показывает компромисс между точностью и эффективностью: средняя ошибка выше базовой на 2,5% относительно, зато задержка аудиокодировщика ниже на 21,4% на автомобильном PPU и на 11,4% на H800. Это результаты одиночных запусков; статистическая значимость не установлена. Для модели указана лицензия CC BY-NC 4.0, ограничивающая коммерческое использование.

AnyPose — набор LoRA-адаптеров, разработанный lilylilith для Qwen Image Edit 2511 и совместимых вариантов. Модель предназначена для переноса позы человека или персонажа с одного изображения на другого по двум входным изображениям: исходному персонажу и референсу с требуемой позой. Она работает в сценариях редактирования изображений image-to-image и не требует ControlNet или отдельной OpenPose-разметки. Адаптеры рассчитаны на совместное использование с Qwen Image Edit 2511 Lightning LoRA для ускоренного вывода. AnyPose позволяет воспроизводить простые и сложные позы, включая положения с нестандартной геометрией тела, а также стремится сохранять стиль и фон исходного изображения. В комплект входят два LoRA-веса — базовый и вспомогательный; в README рекомендуется устанавливать силу каждого на уровне 0,7 и использовать четырёхшаговый Lightning-режим. Модель может автоматически дорисовывать части тела и изображения, отсутствующие в исходном кадре, однако результат зависит от контекста и формулировки запроса. К ограничениям относятся непредсказуемое изменение фона, перенос персонажа в сцену референсного изображения, появление фрагментов предыдущей сцены и необходимость дополнительных текстовых указаний для скрытой одежды или деталей. Для более согласованных результатов рекомендуется использовать исходное изображение с полностью видимым телом персонажа и окружающей сценой. Лицензия модели — Apache 2.0; отдельные сведения о языках, размере адаптеров и максимальном контексте не указаны.

fitleech/chronollm-2015 — причинная языковая модель ChronoGPT на архитектуре GPT, распространяемая в формате safetensors для PyTorch. В README указаны 2 млрд параметров, 52 слоя, 12 голов внимания, размерность модели 1536 и тип данных bfloat16. Модель предназначена для генерации текста. В названии и тегах отмечена связь с хронологией и 2015 годом, а исходным чекпойнтом указан jjjlimaus/chrono2014-finance2015-ft3; конкретные сценарии и языки в карточке не описаны. Лицензия — Apache-2.0.

ConvNeXT Large — сверточная модель компьютерного зрения, разработанная авторами ConvNeXT и впервые опубликованная в репозитории Hugging Face. Модель обучена на ImageNet-22k для классификации изображений при разрешении 224×224 пикселя; архитектура ConvNeXT модернизирует ResNet с оглядкой на дизайн Swin Transformer и использует свертки вместо трансформерных блоков. Модель предназначена для отнесения изображения к одному из классов ImageNet и может служить основой для поиска версий, дообученных под другие задачи. Она принимает изображения и выдает метки классов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.

ConvNeXt Tiny — сверточная модель для классификации изображений из библиотеки timm. Её разработал Ross Wightman: модель предварительно обучена на ImageNet-12k, содержащем 11 821 класс, а затем дообучена на ImageNet-1k. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0. Модель принимает изображения размером 384 × 384 пикселя и предсказывает класс объекта или сцены. Её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. В модели 28,6 млн параметров; в карточке приведены результаты ImageNet-сравнения, включая точность top-1 и top-5. Модель рассчитана на задачи классификации с категориями, представленными в обучающих наборах данных. Результаты на других типах изображений и вне этих категорий могут быть хуже; карточка не описывает отдельную оценку таких сценариев.

SzilviaB/DarkAuraUnholy-Uncensored-OAS-8b — слитая с помощью mergekit методом TIES языковая модель на архитектуре Llama 3. В качестве базовой использована DavidAU/L3-Dark-Planet-8B; в слияние также вошли saishf/Aura-Uncensored-OAS-8B-L3 и Undi95/Llama3-Unholy-8B-OAS. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно 8192 токена. Модель предназначена для генерации текста и диалогового общения, в том числе художественной прозы, сюжетов, сцен и ролевых диалогов. Карточка характеризует её как uncensored, что указывает на ориентацию на менее ограниченную генерацию. Веса представлены в формате safetensors и сохранены в float16. Лицензия в предоставленных данных не указана.

Skullly/DeepFake-EN-B6 — модель классификации изображений, созданная дообучением EfficientNet-B6 от Google для распознавания дипфейков. Она предназначена для оценки изображения и отнесения его к одному из классов, связанных с подлинным или синтетически изменённым лицом. В README указаны точность 0,9989 и loss 0,0036 на тестовом наборе, однако состав набора и методика оценки не описаны. Модель принимает изображения и выдаёт метку класса. Использует архитектуру EfficientNet-B6 и распространяется в формате safetensors по лицензии Apache-2.0. Результаты на указанном наборе не гарантируют надёжность на других данных; README не раскрывает обучающие данные, ограничения и условия оценки.

Deformable DETR — модель обнаружения объектов, представленная авторами статьи Zhu и соавторами и выпущенная в репозитории SenseTime. Она обучена на COCO 2017 и предназначена для поиска объектов на изображениях с определением их классов и ограничивающих рамок. Модель использует сверточную основу ResNet-50 и трансформерный энкодер-декодер. Вариант с уточнением рамок и двухэтапным поиском использует 100 объектных запросов для COCO; предсказания классов и рамок строятся по выходам декодера. Формат весов — PyTorch и safetensors. Модель подходит для анализа изображений и подсчета объектов из набора классов COCO. Она обучена на COCO 2017, поэтому качество на других предметных областях и категориях может отличаться. Лицензия — Apache-2.0.

DeiT-tiny-distilled-patch16-224 — компактная дистиллированная модель Vision Transformer, опубликованная в репозитории Facebook AI Research. Её веса преобразованы из timm; модель дообучена на ImageNet-1k для классификации изображений по 1 000 классам. В архитектуре используются токен дистилляции, токен класса и патчи изображения размером 16×16. Модель содержит 7,1 млн параметров и принимает изображения с разрешением 224×224 после подготовки и нормализации в стиле ImageNet. Модель подходит для распознавания объектов и сцен на изображениях, в том числе в сценариях, где важны компактность и скорость обработки. На ImageNet-1k в карточке указана точность top-1 72,2% и top-5 91,1%. Для задач, требующих большей точности, можно рассмотреть более крупные варианты DeiT или дообучение на целевом наборе данных; при дообучении карточка отмечает преимущество разрешения 384×384. Лицензия — Apache 2.0.

DINOv3 ConvNeXt-Tiny — модель извлечения визуальных признаков, разработанная Meta AI. Это компактная сверточная модель семейства ConvNeXt, дистиллированная из DINOv3 ViT-7B и предварительно обученная на веб-данных LVD-1689M; размер варианта Tiny составляет 29 млн параметров. Репозиторий предоставляет веса в формате safetensors для использования через Transformers. Модель принимает изображения и выдаёт признаки для последующих задач компьютерного зрения. Их можно применять для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов без обязательной дополнительной настройки; при необходимости признаки можно использовать с отдельными классификаторами или дообучить модель. Карточка указывает лицензию DINOv3 License. В описании семейства отмечены различия качества между географическими регионами и более низкие показатели для групп стран с низким доходом; дообучение на конкретных метках может усилить смещения. Хотя README описывает функции семейства DINOv3 в целом, конкретный репозиторий содержит именно вариант ConvNeXt-Tiny, поэтому характеристики ViT и других вариантов семейства к нему не относятся.

DINOv3 ViT-H+ — визуальная модель семейства DINOv3, разработанная Meta AI и представленная в репозитории как дообученная версия facebook/dinov3-vit7b16-pretrain-lvd1689m. Это Vision Transformer с патчами размером 16; вариант ViT-H+ насчитывает около 840 млн параметров, использует 4 register-токена и выдаёт class-токен, patch-токены и register-токены. Модель принимает изображения, а её выходы используются как признаки для последующих компьютерно-зрительных задач. Модель предназначена для извлечения универсальных визуальных признаков и может применяться без дополнительного дообучения как основа для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и обнаружения объектов. Для входа 224×224 получается 201 токен; размеры изображения должны быть кратны 16, иначе изображение обрезается до ближайшего меньшего размера, кратного размеру патча. В README описаны признаки семейства DINOv3, полученные на веб-данных, а не отдельные параметры обучения именно этого чекпойнта. В карточке отмечены сильные результаты на широком круге визуальных задач, но также различия качества между географическими регионами и уровнями дохода; дообучение может усилить смещения, связанные с метками. Репозиторий распространяется по лицензии DINOv3 License (в метаданных указано other); перед использованием следует проверить её условия.

facebook/dinov3-vits16plus-pretrain-lvd1689m — визуальная модель Meta AI из семейства DINOv3, предназначенная для извлечения признаков изображений. Это вариант Vision Transformer ViT-S+, полученный дистилляцией модели DINOv3 ViT-7B, предварительно обученной на веб-данных LVD-1689M. Архитектура использует патчи 16 пикселей, размер представления 384, 4 register-токена, 6 голов внимания, SwiGLU FFN и RoPE; модель возвращает class token и токены патчей. Модель служит визуальной основой для задач компьютерного зрения и может применяться без дообучения: её признаки подходят для классификации изображений, поиска похожих изображений, оценки глубины, сегментации и обнаружения объектов. Она принимает изображения, в том числе с разрешением выше 224×224 при условии, что размеры кратны 16; иначе изображение обрезается до ближайшего меньшего размера, кратного размеру патча. Лицензия — DINOv3 License. В карточке отмечены различия качества по географическим регионам и доходным категориям; дообучение может усилить смещения, присутствующие в обучающих метках. Модель рассчитана на получение универсальных визуальных признаков, а для конкретных прикладных задач могут потребоваться классификатор или другая downstream-модель.

Tooony133/dinov3-vits16-pretrain-lvd1689m — вариант модели DINOv3, опубликованный пользователем Tooony133 и дообученный на основе facebook/dinov3-vit7b16-pretrain-lvd1689m. Это зрительная модель на архитектуре Vision Transformer с размером около 28,3 млн параметров; она принимает изображения и извлекает плотные признаки, включая токены классов и патчей. Модель предназначена для использования в качестве замороженного визуального экстрактора признаков и основы для задач компьютерного зрения. Признаки можно применять для поиска похожих изображений, классификации, сегментации, оценки глубины и обнаружения объектов с помощью последующих классификаторов или лёгких обучаемых голов. ViT использует патчи размером 16 пикселей и принимает изображения с размерами, кратными 16; размеры, не соответствующие этому условию, обрезаются до ближайшего меньшего кратного. В карточке описаны сильные результаты DINOv3 на разных задачах зрения и различия качества между регионами и доходными группами; дообучение может усилить смещения. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию «other», а README — лицензию DINOv3; конкретные условия следует сверять с файлами репозитория.

mHossain/en_bn_summarize_v2 — дообученная версия mHossain/en_bn_summarize_v1 на базе mT5 с 157,4 млн параметров. Модель предназначена для суммирования текста на английском и бенгальском языках. В карточке приведены результаты оценки: Loss 2,8976, значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0; средняя длина генерации — 18,7143 токена. Датасет и подробности обучения не описаны. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Firefly-v4 — мультимодальная модель для ролевых диалогов, творческого письма и следования инструкциям, разработанная Guilherme34 и дообученная с помощью Unsloth на p-e-w/gemma-4-E2B-it-heretic-ara. Она основана на плотной архитектуре Gemma 4 и поддерживает диалог с текстом и изображениями; также README заявляет обработку аудио. Режим рассуждений можно включать префиксом <|think|> в системном запросе. Модель предназначена для ролевых сценариев и историй, в том числе с анализом изображений в ходе диалога. Карточка описывает её как модель без встроенных отказов и защитных ограничений; такое поведение может приводить к нежелательным или небезопасным ответам. Лицензия Firefly-v4 Attribution License разрешает личное и некоммерческое использование; для коммерческого использования требуется заметная атрибуция Guilherme34/Firefly-v4, а производные модели наследуют эти условия.

Ryex/Floppa-12B-Gemma3-Uncensored — мультимодальная модель Ryex, дообученная на основе Google Gemma 3 12B Instruct. Она предназначена для перевода с японского на английский с сохранением сленга, ненормативной лексики и культурных нюансов, а также для описания изображений, включая откровенные и жестокие сцены. Модель принимает текст и изображения и выдаёт текст; в README указана архитектура Dense Transformer с визуальным энкодером SigLIP и гибридным вниманием. В метаданных указаны 12 млрд параметров базовой модели, поддержка английского, японского и других языков, библиотека vLLM и формат safetensors. Модель дообучена методом 4-битного QLoRA с последующим объединением весов в bfloat16. README описывает обучающие данные для перевода, диалогов, рассуждений и понимания изображений. Модель рассчитана на сценарии, где требуется передавать исходное содержание без смягчения формулировок; она может выводить оскорбительную, сексуальную или жестокую лексику и описывать соответствующие изображения. Лицензия — Gemma; применяйте модель согласно её условиям.

Aspis/gpt2-genre-story-generation — дообученная модель GPT-2 для генерации коротких художественных историй по жанровой подсказке. Она принимает текстовый промпт с одним из жанровых токенов: romance, adventure, mystery-&-detective, fantasy, humor-&-comedy, paranormal или science-fiction, и продолжает его текстом на английском языке. Модель основана на плотной архитектуре GPT-2 и доступна в формате PyTorch; длина контекста — 1024 токена. Модель дообучена на выборке BookCorpus, где текст книг был разделён на абзацы и сопоставлен с жанрами. Её можно использовать для создания черновиков рассказов и жанровых продолжений текста. Лицензия репозитория — Apache-2.0. Карточка описывает только генерацию текста и не сообщает об оценках качества или иных специализированных возможностях.

FrostAura Intelligence дообучила модель EleutherAI/gpt-neox-20b для генерации художественной прозы. Это плотная авторегрессионная языковая модель семейства GPT-NeoX на 26,9 млрд параметров, принимающая текст и выдающая продолжение или новый художественный текст. Модель рассчитана на англоязычную генерацию; длина контекста составляет 2048 токенов. Модель подходит для создания черновиков романов и рассказов, продолжения сцен и разработки художественных идей. Веса доступны в формате PyTorch, лицензия — MIT. README указывает, что дальнейшая тонкая настройка находится в разработке.

HSC Wuxia MarianMT zh-en — модель машинного перевода, разработанная в рамках выпускной работы по автоматическому переводу литературы wuxia. Это дообученная модель Helsinki-NLP/opus-mt-zh-en на основе архитектуры MarianMT с 58,4 млн параметров. Она предназначена для перевода художественных текстов жанров wuxia и xianxia с китайского на английский; обучение проводилось на 100 тысячах параллельных предложений. В оценке на тестовом наборе wuxia модель показала SacreBLEU 28,39, chrF 50,02 и ROUGE-L 57,40. Модель принимает текст и генерирует перевод. Максимальная длина контекста — 512 токенов. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

calcuis/hyvid — это набор GGUF-квантизированной и FP8-масштабированной версии HunyuanVideo с LoRA-адаптером для генерации видео по текстовому описанию. Проект разработан calcuis на базе HunyuanVideo от Tencent и использует LoRA-адаптер AnimeShots от trojblue. Модель ориентирована прежде всего на создание аниме-сцен: персонажей, окружений и коротких сюжетных действий. В качестве рабочего окружения предусмотрен ComfyUI с поддержкой GGUF-узлов и соответствующих workflow. В состав входят квантизированная diffusion-модель HunyuanVideo T2V 720p, текстовый энкодер LLaVA-Llama 3 в формате GGUF, CLIP-L FP8, VAE HunyuanVideo FP8 и LoRA-адаптер размером около 323 МБ. Заявлены варианты с разрешением 720p, а метаданные указывают английский язык. Адаптер делает результаты более стабильными, а квантизированные и масштабированные компоненты ускоряют загрузку и снижают требования к хранению по сравнению с полноразмерными версиями, однако для работы всё равно требуется несколько гигабайт дискового пространства и совместимая конфигурация ComfyUI. Лицензия указана как MIT с названием tencent-hunyuan-community.

Ice0.66-25.01-RP — языковая модель на архитектуре Mistral, созданная автором репозитория как слияние предварительно обученных моделей с помощью mergekit и метода SLERP. В слиянии участвовали IceSakeV8RP-7b и Ice0.64.1-24.01-RP; для объединённых весов указана точность bfloat16. Модель предназначена для генерации текста и ролевых диалогов. Она содержит 7,1 млрд параметров, принимает текст и имеет контекст длиной до 32 768 токенов. Карточка не сообщает языки обучения или целевые языки, поэтому языковую специализацию установить нельзя. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

IceLemonTeaRP-32k-7b — объединённая модель языковой генерации, созданная icefog72 с помощью mergekit и метода SLERP. Она предназначена для генерации текста и ролевых диалогов; в карточке указаны шаблоны промптов Alpaca и, возможно, ChatML. Модель основана на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В объединение вошли несколько моделей, включая Kunokukulemonchini-32k-7b и Mixtral_AI_Cyber_3.m1-BigL, а также их компоненты. Автор предлагает настраивать rope_theta для работы с длинным контекстом. В репозитории также приведены варианты EXL2 разной точности квантования и результаты оценок на бенчмарках. Модель помечена как предназначенная для контента не для всех аудиторий и NSFW. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

illuni-llama-2-ko-7b — модель на архитектуре Llama 2, разработанная Julleong на основе beomi/llama-2-ko-7b и дообученная на датасете «개체명 사전 2022» из 모두의 말뭉치. Модель предназначена для следования инструкциям, генерации текста и ответов на вопросы; карточка предлагает шаблон запроса с инструкцией и ответом. Модель содержит 6,7 млрд параметров, принимает текст и выдаёт текст. Её контекст составляет 2048 токенов. Базовая модель ориентирована на корейский и английский языки; метаданные карточки указывают корейский язык. Модель распространяется под лицензией MIT.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.

Kaori-34B-v4 — языковая модель семейства Llama, дообученная Kaeri и Jenti методом SFT с использованием LoRA. В основе обучения лежали данные Open-Platypus, а также части наборов Dolphin и OpenOrca; авторы сообщают, что исключали примеры, похожие на ряд оценочных задач, включая GSM8k, ARC и HellaSwag. Модель предназначена для генерации текста и ответов на запросы. Она содержит 33,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 4096 токенов. В репозитории указаны веса Safetensors и лицензия Llama 2. Язык модели в карточке не уточнён. Карточка не описывает отдельные ограничения качества или области применения.

Konkani Qwen2-1.5B — языковая модель, разработанная Nischay Mandrekar на основе Qwen/Qwen2-1.5B. Модель прошла продолженное предварительное обучение на 300 тысячах фрагментов текстов на конкани и supervised fine-tuning на 13 417 парах инструкций и ответов. Это плотная авторегрессионная модель Qwen2 на 1,5 млрд параметров с контекстом до 131 072 токенов, предназначенная для генерации текста и диалога. Модель ориентирована на гоанский диалект конкани в письме деванагари: она отвечает на вопросы о Гоа, его истории и культуре, поддерживает беседу на конкани, переводит с английского и хинди на конкани, а также пишет стихи, рассказы и описания мест и традиций. Лучше всего подходит для тем, связанных с Гоа и конкани; автор указывает на риск обрыва ответов и галлюцинаций в ответах о собственной идентичности, а также на отсутствие актуальной информации в реальном времени. Лицензия — Apache-2.0.

Krea-2-pose-controlnet — это LoRA-адаптер в стиле ControlNet для базовой модели Krea-2-Turbo, разработанный пользователем или командой thedeoxen. Модель предназначена для генерации изображений по карте позы OpenPose или DWPose: скелетное изображение задаёт положение тела и ключевых точек, а текстовый запрос определяет внешность, одежду, стиль, освещение и окружение. Адаптер рассчитан на сценарии создания иллюстраций, комиксов, раскадровок, ключевых кадров анимации и концепт-арта с управляемой позой персонажа. Это не модель для объединения референсного изображения с позой: внешний вид не переносится со второго изображения, а задаётся промптом. Адаптер обучался преимущественно на изображениях людей, но может работать со стилизованными персонажами. Для использования рекомендуется Krea-2-Turbo, вес LoRA 0,8–1,0; в примере указаны около 10 шагов сэмплирования, CFG около 1,0 и sampler euler с режимом simple. Лучше всего подходят карты DWPose на чёрном фоне, при этом масштаб и кадрирование объекта должны соответствовать желаемой сцене. Слишком высокий вес может сделать следование позе чрезмерно жёстким, а модель требует совместимых узлов ComfyUI и компонентов для извлечения позы и передачи управляющего изображения. Модель распространяется по лицензии Apache-2.0. Указанный репозиторий содержит веса в формате safetensors и workflow для ComfyUI.

L3-Boshima-a — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Llama 3 с 7,5 млрд параметров. Она объединяет Casual-Autopsy/L3-Deluxe-Scrambled-Eggs-On-Toast-8B и Nitral-AI/Hathor_Sofit-L3-8B-v1 и предназначена для генерации текста и диалогового общения. Каталог описывает базовые модели как ориентированные на англоязычное ролевое общение и творческие диалоги; модель можно применять для ролевых бесед и создания художественных диалогов на английском языке. Нативный контекст составляет 8192 токена, веса доступны в формате safetensors для Transformers. Лицензия в предоставленных данных не указана.

Карточка модели Justbackup/LFM2.5-1.2B-Thinking-SuperMinds-7x-Heretic-Uncensored-DISTILL на Hugging Face совпадает с карточкой DavidAU/LFM2.5-1.2B-Thinking-SuperMinds-7x-Heretic-Uncensored-DISTILL, поэтому описание составлено по ней. DavidAU LFM2.5-1.2B-Thinking-SuperMinds-7x-Heretic-Uncensored-DISTILL — дообученная диалоговая языковая модель семейства LFM2.5, созданная на основе MuXodious/LFM2.5-1.2B-Thinking-absolute-heresy. По карточке, модель дополнительно обучена на семи специализированных наборах данных с примерами рассуждений; автор сообщает, что процесс рассуждения был заменён. Модель предназначена для генерации текста, диалогов, творческого письма и продолжения историй, включая сценарии, где требуется откровенное содержание. Модель имеет плотную архитектуру Lfm2ForCausalLM, около 1,5 млрд параметров и контекст до 128 000 токенов. В метаданных указан английский язык. Автор отмечает компактные, но подробные рассуждения и отсутствие отказов из-за цензурных ограничений; чтобы получить явно взрослый или грубый стиль, запрос может требовать более точных указаний. Для некоторых настроек и низкой точности квантования возможно зацикливание генерации. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — Apache-2.0.