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

MS-EffGCViT-B5 — модель обнаружения дипфейков от проекта DeepGuard, разработанная как гибрид сверточной сети и Vision Transformer. Она использует EfficientNet-B5 для извлечения признаков и многоуровневое внимание с глобальным контекстом, чтобы находить локальные артефакты монтажа и несоответствия в освещении или структуре лица. Вариант B5 обрабатывает кадры размером 384×384; поддерживается классификация изображений и видео на уровне кадров с последующим объединением результатов. Для видео и изображений лица следует предварительно обрезать. Модель предназначена для бинарного определения подлинности лица: настоящее или сгенерированное/изменённое. Она обучена на корейском наборе KoDF; автор также приводит результаты проверки на Celeb-DF-v2 и FaceForensics++, где качество переноса на западные наборы заметно ниже, чем на KoDF. Архитектура рассчитана на анализ визуальных признаков, не аудио. Репозиторий распространяется в формате safetensors, библиотека — Transformers; лицензия MIT.

NeuralStar_AlphaWriter_4x7b — объединённая автором модель Mixture of Experts на базе четырёх моделей Mistral 7B: mlabonne/AlphaMonarch-7B, FPHam/Karen_TheEditor_V2_STRICT_Mistral_7B, SanjiWatsuki/Kunoichi-DPO-v2-7B и OmnicromsBrain/NeuralStar-7b-Lazy. Модель создана с помощью LazyMergeKit и ориентирована на творческое письмо, в том числе работу над художественными текстами в NovelCrafter. Это текстовая диалоговая модель для генерации продолжений и написания прозы. Архитектура — Mixtral MoE, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. В репозитории доступны веса Safetensors; отдельно упомянуты квантованные варианты GGUF Q4_K_M и Q5_K_M, созданные другими авторами. Лицензия — Apache-2.0. README приводит результаты оценок на нескольких тестах, но не описывает языковую специализацию и не даёт подробной оценки качества именно творческого письма; результат зависит от промпта и выбранной версии весов.

Q2.5-Qwetiapin-32B — плотная языковая модель на архитектуре Qwen2, созданная автором Nohobby как экспериментальное слияние QwentileSwap, RP-Ink и моделей семейства DeepSeek. Репозиторий содержит веса в формате safetensors; размер модели — 32 млрд параметров, длина контекста — 32 768 токенов. Для диалога используется формат ChatML. Модель предназначена для генерации текста в чате, включая творческое письмо и ролевые диалоги. Автор сообщает, что слияние уменьшило многословие и добавило деталей, но качество этих деталей бывает нестабильным; также автор отмечает, что модель лишь удовлетворительно работоспособна и настройки генерации могут влиять на результат. Условия лицензии в предоставленных данных не приведены.

Quill-v1 — модель генерации текста, созданная Sam Paech на базе Google Gemma 2 9B Instruct. Она дообучена методами ORPO и SIMPO на наборе Gutenberg3, включающем фрагменты художественной прозы из 629 романов общественного достояния и примеры предпочтительных и отвергнутых продолжений. Модель предназначена прежде всего для написания художественных сцен и прозы: в примере она создаёт диалоговую сцену в романтическом жанре. Модель использует архитектуру Gemma 2, содержит 9 млрд параметров и имеет контекст до 8192 токенов. Автор характеризует её стиль как естественный и сдержанный, с менее шаблонной и менее перегруженной прилагательными прозой; на EQ-Bench для творческого письма указана оценка 79,75. Репозиторий содержит GGUF, а метаданные указывают также на формат safetensors. В README не приведены условия лицензии; их следует проверить в карточке модели и у базовой Gemma 2 перед использованием.

Qwen2.5-ja-zh — дообученная диалоговая языковая модель на архитектуре Qwen2, созданная на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для перевода с японского на китайский: задайте системную инструкцию «翻译为中文» и передайте японский текст. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст длиной до 32 768 токенов. В карточке указаны японский и китайский языки, формат весов — safetensors. Модель также сохраняет возможности генерации текста и диалога базовой инструктивной модели, однако карточка описывает её главным образом как переводчик с японского на китайский. Сведений о качестве на конкретных жанрах текста или о специализированной обработке терминологии нет. Лицензия в предоставленных данных не указана.

DavidAU/Qwen3.5-9B-Mark-Twain2-Pro-Writer-Uncensored-Heretic — мультимодальная модель на базе Qwen3.5-9B, дообученная разработчиком DavidAU с использованием автобиографий Марка Твена, чтобы передать его характер и стиль. Модель рассчитана на творческое письмо, художественную прозу, ролевые диалоги и общение; README также сообщает о работоспособности обработки изображений. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, архитектурой причинного языкового моделирования и визуальным энкодером. Она принимает текст и изображения и генерирует текст. В README указан контекст 262 144 токена с возможностью расширения; режим размышления включён по умолчанию. В карточке заявлена поддержка английского и китайского языков, а стиль дообучения ориентирован на Марка Твена. Автор характеризует модель как uncensored и сообщает о снижении отказов, однако отмечает, что для получения откровенного или грубого текста иногда нужны прямые инструкции. Видеовозможности не проверялись. Модель распространяется по лицензии Apache-2.0.

Prototype3550/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness-Q4_K_M-GGUF — это квантизированная версия модели Prototype3550/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. По имеющимся данным, модель основана на семействе Qwen3.6 и имеет размер 9B параметров; точная архитектура и параметры контекста в карточке не указаны. Модель ориентирована прежде всего на генерацию и продолжение художественных текстов: создание сюжетов и подсюжетов, сцен, рассказов, прозы и ролевых сценариев. Она заявлена для различных жанров, включая научную фантастику и романтику, а также для общих сценариев использования. Указана поддержка английского и китайского языков. В метаданных присутствует тег image-text-to-text, однако описание не содержит подтверждённых сведений о фактических мультимодальных возможностях, поэтому их наличие нельзя считать установленным. Ключевое преимущество этой версии — совместимость с llama.cpp и возможность локального запуска через CLI или сервер, в том числе на ограниченных ресурсах благодаря квантизации Q4_K_M. Модель обозначена как uncensored и abliterated, но README не приводит результатов тестирования, количественных оценок качества или подробностей дообучения, поэтому качество и ограничения следует оценивать самостоятельно. Лицензия — Apache-2.0.

mradermacher/Qwen3.8-Queen-27B-i1-GGUF — квантизированная версия модели aifeifei798/Qwen3.8-Queen-27B, подготовленная mradermacher в формате GGUF. Модель относится к семейству Qwen, имеет размер 27 млрд параметров и ориентирована на генерацию текста, ролевые сценарии, творческое письмо, сторителлинг и работу с character card в приложениях вроде SillyTavern. В README также указано, что это vision-модель, однако подробности о поддерживаемых типах изображений и мультимодальном использовании не приведены. Доступны варианты квантизации от i1-Q2_K до i1-Q6_K с размером файлов примерно от 11,0 до 22,5 ГБ, включая IQ-квантизации и imatrix-вариант для создания собственных квантов. Разные варианты предлагают компромисс между размером, скоростью и качеством; i1-Q4_K_M обозначен как рекомендуемый для быстрого использования, а i1-Q4_0 — как быстрый, но низкокачественный. README не содержит сведений о длине контекста, архитектурных деталях, системных требованиях, результатах тестирования или качестве по языкам; явно указан только английский язык. Модель может быть полезна для локального запуска текстовой генерации и творческих диалогов при наличии совместимого ПО для GGUF. Ограничения связаны с потерями качества из-за квантизации, различиями между вариантами и отсутствием подробных оценок производительности. Модель распространяется по лицензии Apache-2.0.

Qwen3-The-Xiaolong-Josiefied-Omega-Directive-22B-uncensored-abliterated-GGUF — текстовая генеративная модель, разработанная DavidAU. Она представляет собой 22-миллиардную модель на базе Qwen3, созданную как объединение The-Omega-Directive-Qwen3-14B-v1.1 от ReadyArt, Xiaolong-Qwen3-14B от nbeerbower и Josiefied-Qwen3-14B-abliterated-v3 от Goekdeniz-Guelmez. Архитектура включает 62 слоя, а модель распространяется в формате GGUF. Модель предназначена прежде всего для творческого письма, генерации и продолжения рассказов, разработки сюжетов и подсюжетов, создания сцен, ролевого взаимодействия и работы с жанрами science fiction, romance, horror и другими. Она поддерживает режим рассуждений, который можно включать или отключать, и рассчитана на контекст до 40 000 токенов. В метаданных указаны английский, французский, китайский и немецкий языки. Сильными сторонами являются ориентация на выразительную прозу, подробное описание сцен, работу с интенсивными, мрачными и нецензурными сюжетами, а также широкий творческий диапазон. Модель полностью uncensored/abliterated, однако для получения особенно графичного, грубого или явно взрослого содержания может потребоваться более точное направление в запросе. Результаты чувствительны к параметрам генерации, включая температуру и repetition penalty; для разных задач могут потребоваться отдельные настройки. В README не приведены количественные бенчмарки производительности. Модель распространяется по лицензии Apache-2.0.

RF-DETR Seg Nano — модель сегментации экземпляров объектов от Roboflow из семейства RF-DETR, представленного в исследовании Robinson и соавторов. Модель объединяет визуальный трансформерный backbone в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой предсказания масок. Она выдаёт маску для каждого объекта, а также ограничивающую рамку и оценку класса. Модель предназначена для сегментации объектов на изображениях в реальном времени. Чекпойнт обучен на COCO 2017 для 80 категорий объектов. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

PekingU/rtdetr_r34vd — модель обнаружения объектов на изображениях на базе RT-DETR, разработанная Яном Чжао и Сангбум Чхве и опубликованная на Hugging Face в формате Transformers. Это вариант RT-DETR-R34 с гибридным энкодером, который обрабатывает многомасштабные признаки, и декодером, предсказывающим классы объектов и ограничивающие рамки. Архитектура использует выбор начальных запросов с минимальной неопределённостью; число слоёв декодера можно менять для настройки скорости без переобучения. Модель предназначена для сквозного обнаружения объектов в реальном времени без этапа NMS. В карточке приведены результаты обучения на COCO 2017 и оценки для RT-DETR-R34: 48,5 AP на валидационной части COCO. Для обработки изображения README описывает изменение размера до 640×640 и нормализацию каналов RGB. Модель принимает изображения и выдаёт классы и координаты обнаруженных объектов. Модель распространяется по лицензии Apache-2.0. Показатели скорости и точности в README приведены для условий оценки на COCO и конкретного оборудования; они не гарантируют аналогичных результатов на других наборах данных и устройствах.

sehalonet33ts.ra2_in1k — модель компьютерного зрения для классификации изображений, реализованная в библиотеке timm и обученная Россом Уайтманом на ImageNet-1k. Это архитектура HaloNet на основе ResNet с канальным вниманием Squeeze-and-Excitation; реализация использует гибкую систему BYOBNet из timm. В модели 13,7 млн параметров, вычислительная сложность составляет 3,6 GMAC, рекомендуемый размер изображения — 256 × 256 пикселей. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. В обучении применялась схема RandAugment RA2, усреднение весов EMA и оптимизатор RMSProp. Для использования доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. README отмечает, что конфигурация не следует строго конкретной научной работе: она настроена на разумное время обучения и сниженное число блоков self-attention. Модель обучена на ImageNet-1k, поэтому качество на категориях и типах изображений вне этого набора может отличаться; языковой ввод и текстовые ответы не предусмотрены.

SigLino-MoE-0.15-0.6B — модель извлечения признаков изображений из семейства SigLino, связанного авторами с SigLIP2 и DINOv3. Разработчики сообщают, что работа основана на статье AMoE и дистилляции в визуальную архитектуру Mixture-of-Experts; вариант использует разреженную маршрутизацию top-2 из 28 экспертов. Модель содержит 0,6 млрд параметров, из которых активно задействуется 0,15 млрд. Она предназначена для получения визуальных признаков, пригодных, в частности, для поиска ближайших соседей и классификации изображений без дообучения. В README приведены результаты на изображениях 512×512: точность kNN на ImageNet — 85,0%, средняя точность kNN на шести наборах данных — 89,8%, точность классификации ImageNet zero-shot — 78,8%. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Модель ориентирована на изображения; сведений о поддержке естественных языков в предоставленных материалах нет.

SigLino-MoE-0.3-0.6B — разреженная vision-модель семейства SigLino, разработанная авторами работы AMoE для CVPR 2026. Архитектура сочетает идеи SigLIP2 и DINOv3 и использует смесь из 28 экспертов с маршрутизацией к 6 экспертам на вход. В модели 0,6 млрд параметров всего и 0,3 млрд активных. Модель предназначена для извлечения признаков изображений и их использования в задачах классификации и поиска ближайших изображений. В README приведены результаты kNN-классификации на ImageNet и среднем показателе по шести датасетам, а также zero-shot-классификации на ImageNet. Репозиторий содержит веса в формате Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

aufklarer/Silero-VAD-v5-MLX — конвертированные веса Silero VAD v5 для запуска с библиотекой MLX на устройствах Apple Silicon. Модель предназначена для обнаружения речевой активности в аудиопотоке: принимает последовательные фрагменты по 512 отсчётов (32 мс при частоте 16 кГц) и выдаёт вероятность наличия речи от 0 до 1 для каждого фрагмента. Состояние LSTM сохраняется между фрагментами для потоковой обработки. Архитектура включает STFT, свёрточный энкодер из четырёх слоёв Conv1d с ReLU, LSTM со скрытым размером 128 и свёрточный декодер с сигмоидой; размер — около 309 тысяч параметров. Заявлена задержка менее миллисекунды. Репозиторий содержит веса safetensors, преобразованные из официальной JIT-модели Silero VAD v5; базовая модель — snakers4/silero-vad. Лицензия — MIT.

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.

Карточка модели thingthatis/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой model-hub/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video — модель латентной диффузии для преобразования неподвижного изображения в короткий видеоклип. Её разработала Stability AI; версия XT дообучена на базе SVD Image-to-Video на 14 кадров. Модель генерирует 25 кадров с разрешением 576×1024 по изображению того же разрешения и использует декодер, дообученный для временной согласованности. Модель подходит для создания коротких анимированных сцен из изображений, творческих и дизайнерских задач, а также исследований генеративных моделей и их ограничений. Текстовое управление не поддерживается. Видео могут не содержать заметного движения, выглядеть недостаточно фотореалистично; лица и люди могут генерироваться некорректно, а текст в кадре — быть нечитаемым. Модель не предназначена для достоверного изображения людей или событий. README указывает на исследовательское назначение и соблюдение политики допустимого использования Stability AI; в метаданных лицензия обозначена как other.

chenguolin/sv3d-diffusers — преобразованная в формат Diffusers версия чекпойнта SV3D-p от Stability AI. Репозиторий добавляет совместимые с Diffusers пространственно-временную UNet и StableVideo3DDiffusionPipeline, а также скрипты конвертации и инференса. Модель предназначена для создания орбитального видео вокруг 3D-объекта по одному изображению: на вход подают подготовленное изображение объекта с удалённым фоном и центрированным объектом, а на выходе получают 21-кадровую анимацию, например GIF. Для инференса используются PyTorch и библиотека Diffusers; доступен режим половинной точности. Чекпойнт создан на основе SV3D-p и связан с набором данных Objaverse. В метаданных указана лицензия «other», поэтому точные условия использования следует сверить с лицензией исходной модели и файлами репозитория. Результат зависит от предобработки изображения и случайного seed; входное изображение рекомендуется подготовить заранее.

PAIR/text2video-zero-controlnet-canny-arcane — модель генерации изображений и видео на основе Text2Video-Zero и DreamBooth-весов для стиля Arcane. Компоненты Text2Video-Zero разработали Левон Хачатрян, Андраник Мовсисян, Ваграм Тадевосян, Роберто Хеншель, Чжанъян Ван, Шант Навасардян и Хамфри Ши; исходные DreamBooth-веса стиля Arcane создал Quiet_Joker. Модель доступна в формате Diffusers/PyTorch. Она предназначена для генерации видео по английскому текстовому описанию с управлением по контурам Canny, а также для генерации изображений с тем же стилем и управлением. Подходит для стилизованных роликов и кадров, где нужно согласовать содержание запроса с заданными очертаниями. Карточка указывает лицензию CreativeML OpenRAIL-M; отдельные ограничения генерации и длина контекста не описаны.

TheDarkness — экспериментальная разговорная языковая модель Bumoch для творческого письма и диалогов. Автор описывает её как дерзкую, мало ограниченную, но при этом сообразительную модель для создания историй; README сообщает, что модель получена слиянием Mag-Mell-Reasoner-12B, MN-12B-Mag-Mell-R1 и Darkstar-12B методом Multi-SLERP. В метаданных указаны архитектура Mistral с плотной причинно-языковой моделью на 12,1 млрд параметров, поддержка чата, формат safetensors и контекст до 1 024 000 токенов. Модель предназначена для бесед и генерации художественных историй на английском языке. Автор отмечает, что она может быть многословной; оценка качества в README основана на непродолжительном личном тестировании. Лицензия — Apache-2.0. Метаданные обозначают базовую связь как дообучение MN-12B-Mag-Mell-R1, тогда как README описывает слияние нескольких моделей.

facebook/webssl-dino1b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan и соавторы, 2025). Это Vision Transformer примерно с 1,5 млрд параметров по метаданным; в карточке указана конфигурация ViT шириной 1536, глубиной 40 слоёв и с 24 головами внимания. Модель обучена самообучением на 2 млрд веб-изображений MetaCLIP без языковой супервизии и рассчитана на входные изображения размером 224×224 пикселя. Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. Самообучение без текстовых описаний позволяет получать визуальные представления, применимые в разных задачах анализа изображений; README сообщает о результатах на уровне или выше языково-супервизированных моделей вроде CLIP, но не приводит конкретных метрик. Для использования весов требуется учитывать лицензию CC BY-NC 4.0, которая ограничивает коммерческое применение.

YOLOE-26N-seg — компактная модель семейства YOLOE-26 и YOLO26, опубликованная OpenVision. Она предназначена для обнаружения и сегментации объектов с открытым словарём: классы можно задавать текстовыми или визуальными подсказками, а также запускать вывод без подсказок. Модель содержит 4,8 млн параметров, требует входное изображение размером 640×640 и использует архитектуру YOLO26 с сквозным выводом без NMS. Модель рассчитана на сценарии реального времени, включая периферийные устройства и динамичные среды, где набор целевых объектов меняется. Карточка указывает формат PyTorch и лицензию AGPL-3.0. В метаданных Hugging Face основная задача отмечена как zero-shot object detection; сегментация заявлена в README, но отдельного pipeline-тега для неё нет.

YOLOE-26S-seg — компактная модель семейства YOLOE-26, опубликованная в репозитории openvision. Она сочетает архитектуру YOLO26 с открытым словарём классов YOLOE и предназначена для обнаружения объектов и сегментации по текстовым или визуальным подсказкам, а также для инференса без подсказок. Модель рассчитана на обработку изображений в реальном времени, в том числе на периферийных устройствах и в динамичных условиях, где нужные категории объектов меняются. В модели 13,1 млн параметров; заявленный размер входа — 640×640 пикселей. Архитектура YOLO26 использует сквозной дизайн без NMS. В README приведены метрики mAP на minival, однако без описания набора данных и условий оценки их интерпретация ограничена. Репозиторий содержит веса PyTorch, лицензия — AGPL-3.0.

YuE2-3B — открытая модель генерации музыки, построенная на архитектуре YuE2 и представленная в репозитории Stevroy7/YuE2-3B. Модель преобразует текстовое описание стиля и слова песни в полноценную композицию с вокалом и аккомпанементом, а также поддерживает генерацию по музыкальному плану и редактируемой партитуре ABC. В основе — плотная AR–NAR Mixture-of-Transformers с планированием символической партитуры и генерацией акустических латентов методом flow matching; для декодирования используется VAE. Модель рассчитана на создание оригинальных песен, переаранжировку существующих композиций, работу с мелодией и аккордами и итеративное редактирование музыки с помощью агента. README заявляет контекст 24 576 токенов; метаданные указывают 1,8 млрд параметров. Для локального запуска описана конфигурация Linux и NVIDIA GPU с 24 ГБ памяти и поддержкой BF16. Указанные языки — китайский и английский. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.

Asmodeus-24B-v2 — созданная DarkArtsForge разговорная языковая модель на базе архитектуры Mistral. Это объединение нескольких предварительно обученных моделей методом DELLA с помощью mergekit; размер — 23,4 млрд параметров. Модель предназначена для генерации текста и ролевых диалогов, с акцентом на выразительную прозу, творческое письмо и контент без встроенных отказов. Для общения рекомендуется шаблон чата Mistral Tekken; заявленная длина контекста — 131 072 токена. По предупреждению авторов, модель может создавать графические сцены насилия и откровенный эротический контент. Карточка также рекомендует настройки температуры и Top NSigma в диапазоне 0,75–1,25 для улучшения творческой генерации. Модель распространяется по лицензии Apache-2.0.

Aurora-Nights-70B-v1.0 — слитая автором sophosympatheia языковая модель на архитектуре Llama с 68,7 млрд параметров. Она объединяет allenai/tulu-2-dpo-70b, Xwin-LM/Xwin-LM-70B-V0.1 и dreamgen/opus-v0.5-70b, после чего в смесь была добавлена nRuaif/fiction.live-Kimiko-V2-70B; для слияния использовался mergekit. Модель предназначена прежде всего для ролевых диалогов, творческого повествования и следования инструкциям. Карточка рекомендует формат Vicuna или Tulu и контекст около 6144 токенов, предупреждая о снижении связности при увеличении длины; метаданные указывают штатный контекст 4096 токенов. Модель описана как мало ограничивающая генерацию, в том числе при создании взрослого контента. Поддерживаемый язык по карточке — английский. Модель распространяется в формате safetensors по лицензии Llama 2. Автор не проверял её возможности в других задачах, поэтому результаты вне ролевого общения, повествования и следования инструкциям не подтверждены.

NAMAA-Space/Cohere-Speech-Tashkeel-2B — дообученная модель распознавания речи, которая преобразует арабскую речь в текст с полной огласовкой: фатхой, даммой, касрой, сукуном, шаддой, танвином и окончаниями иʿраба. Она основана на CohereLabs/cohere-transcribe-arabic-07-2026 и специализирует акустическое восстановление огласовок по произношению. В README указана архитектура Conformer-энкодер и Transformer-декодер; метаданные каталога указывают 151 млн параметров, а README — около 2 млрд, поэтому размер требует проверки. Контекст модели — 1024 токена. Модель предназначена для подготовки огласованных расшифровок арабской речи, включая учебные материалы, субтитры и лингвистическую разметку. На отложенной выборке из 260 аудиофрагментов заявлены точность диакритических знаков 95,30%, DER 6,62% с окончаниями иʿраба и 5,67% без них. Модель опубликована под лицензией Apache-2.0. Качество транскрипции и огласовок может снижаться при шуме и нечетком произношении; для шумных записей README рекомендует предварительную фильтрацию. Модель не предоставляет временные метки или диаризацию говорящих и оптимизирована для одного заранее заданного языка.

SargeZT/controlnet-sd-xl-1.0-softedge-dexined — модель ControlNet, разработанная SargeZT на базе Stability AI Stable Diffusion XL Base 1.0. Она предназначена для управляемой генерации изображений по текстовому описанию с сохранением структуры и контуров входного изображения, обработанного методом dexined soft edge. Модель подходит для сценариев text-to-image, где требуется направлять композицию, позы или геометрию объектов с помощью карты мягких границ. Она интегрируется с экосистемой Diffusers и использует архитектуру управления генерацией поверх Stable Diffusion XL. В README не указаны размер весов, точные параметры архитектуры, поддерживаемые языки, максимальная длина контекста и другие количественные характеристики. Сильная сторона модели — возможность сочетать текстовые инструкции с управлением структурой изображения через soft-edge preprocessing. Ограничения и специальные требования к качеству входных карт в README подробно не описаны. Указана лицензия SDXL 1.0 License; в метаданных также обозначена CreativeML Open RAIL-M.

DarkForest-20B-v1.1 — текстовая генеративная модель объёмом около 19,8 млрд параметров, созданная TeeZee на основе слияния нескольких моделей семейства LLaMA. Сначала автор объединил microsoft/Orca-2-13b и KoboldAI/LLaMA2-13B-Erebus-v3, затем использовал jebcarter/psyonic-cetacean-20B; на втором этапе применён метод DARE TIES. Модель построена на плотной архитектуре LlamaForCausalLM и работает с контекстом до 4096 токенов. Модель предназначена для генерации текста, следования инструкциям и творческого повествования, в том числе историй с несколькими персонажами, сложными отношениями и зрелой тематикой. Автор отмечает способность переключаться между обычным и откровенным содержанием. Модель может создавать NSFW-контент и рассчитана на взрослую аудиторию. Репозиторий содержит веса Safetensors; лицензия указана как other, поэтому условия использования следует уточнить у автора.

Data2vec-Vision Base FT1k — модель компьютерного зрения семейства data2vec-vision, выпущенная командой Facebook. Это BEiT-модель с трансформерной архитектурой, предварительно обученная методом самообучения и дообученная для классификации изображений на ImageNet-1k: 1,2 млн изображений и 1000 классов. Размер модели — 119,5 млн параметров. Модель предназначена для отнесения изображений к классам ImageNet-1k. В описании указаны входное разрешение 224×224 и точность top-1 83,97% на ImageNet-1k; более высокое разрешение при дообучении может дать лучшие результаты. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.