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

Roboflow/rf-detr-segmentation — модель сегментации экземпляров из семейства RF-DETR, разработанного Roboflow. Она предсказывает отдельные маски объектов, а также ограничивающие рамки и оценки классов для изображений; чекпойнт обучен на 80 категориях объектов COCO 2017. Архитектура объединяет визуальный трансформерный backbone в стиле DINOv2 с регистрами, чередование оконного и полного внимания, многомасштабный проектор и декодер в стиле Deformable DETR с головой предсказания масок. Модель предназначена для сегментации объектов на изображениях, в том числе в сценариях реального времени, и доступна для использования через Transformers. В README не приведены численный размер модели и характеристики скорости именно этого чекпойнта. Лицензия — Apache-2.0.

RF-DETR Seg Xlarge — модель сегментации объектов по экземплярам от Roboflow, представленная в семействе RF-DETR и доступная через Transformers. Она принимает изображение и предсказывает отдельную маску, ограничивающую рамку и оценку класса для каждого обнаруженного объекта; чекпойнт обучен на разметке COCO 2017 с 80 категориями объектов. Архитектура сочетает ViT-подобную основу в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер в стиле Deformable DETR с головой предсказания масок. Модель предназначена для сегментации экземпляров на изображениях, в том числе в сценариях, где важны скорость и одновременное получение масок, рамок и классов. Репозиторий содержит веса SafeTensors; лицензия — Apache-2.0. Модель рассчитана на классы COCO, поэтому точность на других наборах объектов зависит от соответствия их категорий и изображений обучающим данным.

SIDA-13B — мультимодальная модель на базе LISA, дообученная для обнаружения и локализации областей изображения, подвергшихся подделке или изменению. Разработчики обучили её на наборе SID_Set, включающем реальные, изменённые и полностью синтетические изображения. Модель предназначена для проверки изображений на предмет манипуляций и выделения подозрительных участков. Она принимает изображения и текстовые запросы, а результатом служат текстовый ответ и сегментация области. Архитектура основана на LLaVA, число параметров — 12,9 млрд, контекст — 4096 токенов; в метаданных указан английский язык. Модель дообучена на xinlai/LISA-13B-llama2-v1 и опубликована в формате PyTorch. Лицензия — Llama 2. Карточка не сообщает результаты оценки качества, поэтому точность обнаружения манипуляций по ней определить нельзя.

MBZUAI SwiftFormer-S — компактная модель компьютерного зрения для классификации изображений, разработанная авторами работы SwiftFormer: Efficient Additive Attention for Transformer-based Real-time Mobile Vision Applications. Она использует эффективный механизм аддитивного внимания, который заменяет квадратичные матричные операции в self-attention линейными поэлементными умножениями. Модель обучена на ImageNet-1K и предназначена для определения класса объекта на изображении. SwiftFormer-S относится к семейству трансформерных моделей для мобильного зрения; в карточке Hugging Face для неё указана архитектура SwiftFormerForImageClassification и формат PyTorch. Семейство SwiftFormer ориентировано на высокую точность и скорость инференса на мобильных устройствах. В README приведён результат 78,5% top-1 на ImageNet-1K и задержка 0,8 мс на iPhone 14 для малого варианта семейства; эти показатели не следует считать гарантией для конкретной среды или обязательно приписывать именно этой версии S. Модель подходит для классификации изображений в мобильных и других вычислительно ограниченных приложениях. README не сообщает отдельные сведения о лицензии, поэтому условия использования следует проверять в метаданных репозитория Hugging Face.

ambrosfitz/tinyllama-history — дообученная разработчиком ambrosfitz чат-модель TinyLlama для генерации текста на исторические темы. Она предназначена для диалоговых ответов и текстовых запросов по истории. Модель использует плотную архитектуру LlamaForCausalLM, содержит 1 млрд параметров и принимает контекст длиной до 2048 токенов. Для дообучения в метаданных перечислены исторические наборы данных ambrosfitz; базовая модель — TinyLlama/TinyLlama-1.1B-Chat-v1.0. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или подробные сведения о пределах тематического охвата; ответы на исторические вопросы могут требовать проверки по надёжным источникам.

Transcendental-Maid-7B — объединённая автором nbeerbower языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP с помощью mergekit на основе Kukedlc/Trascendental-Bot-7B и SanjiWatsuki/Silicon-Maid-7B. Модель предназначена для генерации текста, включая ролевые диалоги, следование карточкам персонажей и творческое письмо. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана преимущественно на английский язык. В репозитории доступны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Характеристики и качество унаследованы от объединённых моделей; отдельных оценок качества в карточке нет.

Vecteus-v1-abliterated — это японская языковая модель для генерации и понимания текста в литературном домене, представленная проектом Local-Novel-LLM-project. Модель основана на дообученной Mistral-7B-v0.1 и предназначена для создания естественного японского текста, в том числе художественной прозы. Модель поддерживает генерацию текста и диалоговый сценарий; в карточке также заявлены ответы на вопросы, суммаризация и перевод. Вариант abliterated создан удалением выходных фильтров исходной модели, что расширяет свободу генерации. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

vicgalle-Roleplay-Hermes-3-Llama-3.1-8B-GGUF — это набор GGUF-квантизованных версий текстовой генеративной модели vicgalle/Roleplay-Hermes-3-Llama-3.1-8B. Модель разработана vicgalle, а квантизация выполнена Featherless AI Quants. Она предназначена для генерации текста, включая ролевые диалоги и сценарии, где требуется имитация персонажей или поддержание заданного стиля общения. В основе лежит модель семейства Llama 3.1 размером 8B параметров. Модель работает с текстом; сведения о поддерживаемых языках и размере контекста в README не указаны. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0, что позволяет выбирать между меньшим размером файлов и потенциально более высоким качеством генерации. Квантизация упрощает локальное развертывание и снижает требования к памяти, но варианты с более сильным сжатием могут уступать исходной модели по качеству. README не содержит сведений о результатах тестирования, точных ограничениях, рекомендуемых параметрах запуска или лицензии модели. Условия использования следует уточнять в документации базовой модели и соответствующих файлов GGUF.

Модель vit_mediumd_patch16_reg4_gap_384.sbb2_e200_in12k_ft_in1k разработана Ross Wightman для библиотеки timm и предназначена для классификации изображений и извлечения визуальных признаков. Это Vision Transformer с патчами 16×16, четырьмя register-токенами и глобальным усреднением признаков; модель содержит около 64,3 млн параметров и рассчитана на изображения размером 384×384 пикселя. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. В сравнении из карточки для неё указаны точность top-1 87,438% и top-5 98,256%. Её можно применять для классификации изображений, получения карт признаков и визуальных эмбеддингов. Поддержка текстового ввода или генерации изображений не заявлена. Модель распространяется по лицензии Apache-2.0. Она обучена на ImageNet, поэтому результаты на специализированных изображениях и вне её классов могут быть ограничены; карточка не описывает гарантии качества для таких сценариев.

Модель tiantiaf/voxlect-spanish-dialect-whisper-small разработана для классификации диалектов испанской речи и описана в рамках бенчмарка Voxlect по моделированию диалектов и региональных языков. Она дообучена на базе openai/whisper-small и принимает аудио, выдавая метку одного из шести вариантов: Andino-Pacífico, Caribe and Central, Chileno, Mexican, Penisular или Rioplatense. В метаданных указаны библиотека Transformers, формат safetensors и язык es; лицензия — OpenRAIL. Модель подходит для определения регионального варианта испанского в аудиозаписях. Разработчик исключает клиническое применение, наблюдение и вторжение в частную жизнь, а также запрещает коммерческое использование. При работе с голосовыми данными следует учитывать требования к согласию и конфиденциальности.

Wingless_Imp_8B — текстовая чат-модель для ролевых диалогов, творческого письма и общих задач, созданная SicariusSicariiStuff. Это плотная причинная языковая модель семейства Llama, объединяющая Dusk_Rainbow, Impish_Mind_8B и LLAMA-3_8B_Unaligned_BETA; автор также сообщает о последующем обучении на необычных данных, но не уточняет его техническую схему. В метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка подчёркивает связность ответов на длинном контексте, ролевую игру в формате интернет-RP и творческое письмо. Модель рассчитана на диалоги и генерацию текста; карточка рекомендует для ролевых сценариев формат SICAtxt и приводит настройки генерации. Указаны английский язык и умеренно низкий уровень цензуры. Авторские оценки и результаты закрытого внешнего бенчмарка приведены в README и не являются независимой проверкой. Модель доступна в формате safetensors; README также перечисляет варианты квантования. Лицензия — Llama 3.1. Карточка не даёт подробной оценки ограничений качества за пределами результатов отдельных бенчмарков и характеристики уровня цензуры.

YOLOS-small-300 — модель обнаружения объектов на изображениях, основанная на Vision Transformer. Семейство YOLOS представлено Fang и соавторами в работе о применении трансформеров для обнаружения объектов; этот чекпойнт опубликован в репозитории YOLOS и дообучен на COCO 2017 после предварительного обучения на ImageNet-1k. Модель содержит 28,3 млн параметров и использует архитектуру YolosForObjectDetection. Модель принимает изображение и предсказывает классы объектов и их ограничивающие рамки. Она обучена с функцией потерь DETR и сопоставлением предсказаний с разметкой алгоритмом Венгерского назначения. На проверочной выборке COCO 2017 указана точность AP 36,1. Подходит для обнаружения объектов общего назначения на изображениях; в карточке не заявлена поддержка видео или других типов входных данных. Модель распространяется по лицензии Apache-2.0. Результаты оценки относятся к COCO 2017; качество на других наборах данных и в прикладных условиях может отличаться.

jameslahm/yolov10s — модель обнаружения объектов семейства YOLOv10 для работы в реальном времени. Карточка описывает её как сквозную модель object detection; пример применения показывает обработку изображения с кошками. Репозиторий использует библиотеку yolov10 и содержит веса в формате Safetensors. Модель предназначена для обнаружения объектов на изображениях и подходит для сценариев, где важны быстрый вывод и локализация объектов. В метаданных указан набор данных COCO. Модель распространяется по лицензии AGPL-3.0.

YuE2-3B — открытая модель генерации музыки, разработанная командой YuE2. Она создаёт песни с вокалом и аккомпанементом по тексту песни и описанию стиля, а также позволяет менять мелодию, гармонию, текст и стиль через редактируемую партитуру в формате ABC. Модель поддерживает создание музыки с планированием мелодии и аккордов, только мелодии либо без символического плана; также предусмотрены сценарии кавер-аранжировки и итеративного редактирования с агентом. В основе — плотная архитектура YuE2ForCausalLM размером 1,8 млрд параметров с контекстом 24 576 токенов. Модель сначала формирует партитуру и семантические токены, затем синтезирует акустические представления; декодер VAE создаёт стереозвук с частотой 48 кГц. Карточка демонстрирует песни на английском и китайском языках. Для локального запуска README указывает Linux, Python 3.10+, NVIDIA GPU с поддержкой BF16 и 24 ГБ видеопамяти. Репозиторий использует формат safetensors и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель предназначена для сочинения песен, создания каверов и доработки музыкальных аранжировок. README сообщает о высоких результатах на WildSongBench, однако конкретное качество зависит от запроса и выбранных настроек; для запуска также нужны совместимое оборудование и отдельный VAE-декодер.

cerspense/zeroscope_v2_30x448x256 — модель генерации видео по текстовому описанию на основе ModelScope, опубликованная пользователем cerspense. Она создаёт ролики из 30 кадров с разрешением 448×256 и соотношением сторон 16:9; модель обучена на 9 923 видеоклипах и 29 769 размеченных кадрах. В README указано, что веса обучены на основе исходных весов, но конкретная базовая модель не названа. Модель предназначена прежде всего для быстрого создания черновых композиций с последующим увеличением разрешения через Potat1 в режиме vid2vid расширения text2video для Stable Diffusion WebUI. Она выдаёт видео без водяного знака и рассчитана на плавное воспроизведение. Для использования в этом расширении веса требуется переименовать и разместить в соответствующих каталогах ModelScope. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение. Среди ограничений README отмечает, что малое разрешение или меньшее число кадров может ухудшать результат; в некоторых роликах встречаются склейки или замедленное движение, для которого может потребоваться уточнение запроса.

Apocrypha-L3.3-70b-0.4a — экспериментальная объединённая языковая модель BruhzWater для повествовательного текста и творческого письма. Она построена на архитектуре Llama и содержит около 69,5 млрд параметров; модель объединяет несколько вариантов Llama, включая Storywriter, Wayfarer-Large, Gutenberg-Doppel, Fallen и Magnum Diamond. Для общения и инструкций используется шаблон Llama 3. Модель предназначена для создания историй и другой художественной прозы в диалоговом формате. Автор отмечает, что включение Wayfarer-Large помогает завершать ответы, тогда как компонент Storywriter склонен продолжать генерацию слишком долго. Модель находится в разработке; сведения о лицензии в доступных данных отсутствуют.

ArabicOCR-Qwen2.5-VL-7B-Vision — визуально-языковая модель на базе Qwen2.5-VL-7B, дообученная loay для распознавания арабского текста на изображениях. Для обучения использовались LoRA-адаптеры, объединённые с базовой моделью; репозиторий содержит веса float16 в формате safetensors. Модель принимает изображения с арабским текстом и выдаёт их текстовую транскрипцию. Её можно применять для извлечения текста из фотографий и сканов, содержащих арабскую письменность. Размер модели — 7,1 млрд параметров, заявленная длина контекста — 128 000 токенов. Лицензия — Apache-2.0. Для инференса в float16 README указывает требование более 14 ГБ видеопамяти. Модель специализирована на арабском OCR; её точность для других языков и типов изображений в предоставленных материалах не описана.

Ateron_Gemma-4-Novelist-Eclipse-31B-GGUF — это квантизированная версия текстовой генеративной модели Gemma-4-Novelist-Eclipse-31B, разработанной Ateron. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель распространяется в формате GGUF и предназначена для локального запуска и генерации текста на английском языке. Модель ориентирована на художественное письмо и ролевые сценарии, что отражено в исходной карточке тегом roleplay и названием Novelist. Она может использоваться через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ, поэтому можно выбирать между качеством генерации, размером файла и требованиями к оперативной памяти. Размер модели составляет 31 млрд параметров, однако сведения о конкретной архитектуре, размере контекстного окна и дополнительных модальностях не указаны; заявлена только текстовая генерация на английском языке. Сильной стороной модели является широкий выбор квантизаций, включая варианты, обозначенные автором как рекомендуемые, что упрощает подбор конфигурации для разных устройств. Более компактные варианты экономят память, но могут снижать качество по сравнению с BF16 и высокоточными квантизациями. Для работы требуется совместимое программное обеспечение с поддержкой данной модели и формата GGUF. Указанная лицензия — Apache-2.0.

MALIBA-AI разработала Bambara TTS — модель синтеза речи на языке бамбара (бамананкан). Она преобразует текст в речь и позволяет выбирать одного из 10 доступных голосов. Модель основана на Spark-TTS с языковой моделью семейства Qwen2.5 и содержит около 500 млн параметров; отдельный вокодер для синтеза не требуется. На вход подаются текст на стандартной орфографии бамбара и идентификатор голоса, на выходе — монофоническое аудио WAV с частотой 16 кГц и разрядностью 16 бит. Встроенная нормализация обрабатывает цифры, даты и время. Модель предназначена для образовательных, исследовательских и общественных проектов, связанных с озвучиванием текстов на бамбара. Качество снижается при смешивании французского и бамбара; для лучшего результата рекомендуется использовать текст только на бамбара в стандартной орфографии. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование. В карточке также запрещено клонировать голоса без согласия и создавать вводящие в заблуждение или незаконные аудиозаписи.

BFS (Best Face Swap) — серия LoRA-моделей от chfm для редактирования изображений и высокоточной замены лица или всей головы. Модели предназначены для Qwen Image Edit 2509/2511 и Flux 2 Klein 4B/9B, а также совместимых image-to-image workflows на базе Diffusers. Они рассчитаны на реалистичное смешивание оттенка кожи, освещения и деталей исходных изображений. В серию входят варианты для замены только лица и для полной замены головы. Версии Head V2–V5 улучшают соответствие оттенка кожи, позы, анатомических пропорций, выражения лица и устойчивость результата; Head V5 является актуальным вариантом для workflows на базе Qwen Image Edit 2511, а Head V1 — рекомендованным вариантом для Flux 2 Klein. В зависимости от версии поддерживается перенос волос, мимики, направления взгляда и поворота головы. Язык в метаданных модели указан как английский, однако основное применение связано с визуальными инструкциями и prompt-based редактированием изображений. К ограничениям относятся зависимость результата от выбранной базовой модели, качества контрольных изображений и корректного prompt. Для версий Head V3–V5 и Flux 2 Klein используется инвертированный порядок входов: сначала изображение тела, затем изображение лица; для Face V1 и Head V1–V2 порядок стандартный — лицо, затем тело. Автор отмечает, что модели ещё не идеальны, хотя объединённые варианты Head V5 лучше воспроизводят широкий диапазон выражений. Лицензия — MIT.

TareHimself/comic-text-mask — модель сегментации текста в комиксах и манге, предназначенная для этапа очистки локализованных страниц. Она принимает обрезанный детектором фрагмент изображения и выдаёт попиксельную бинарную маску «текст / не текст»; поиск и группировку текстовых областей выполняет отдельный детектор. Маска может использоваться для последующей заливки фона, например с помощью LaMa. Модель обучена на синтетических надписях на плоских поверхностях с помехами и на очищенных страницах комиксов. В обучающих данных представлены латиница, японские кана и кандзи в горизонтальном и вертикальном письме, корейский и китайский языки. Для проверки на отложенных синтетических и реальных фрагментах указаны IoU 0,906, точность 0,949 и полнота 0,952. Веса доступны в формате safetensors; для варианта model.pt README указывает, что нормализация ImageNet и sigmoid встроены, а входом служит RGB-изображение uint8 после letterbox-обработки. Лицензия — MIT. Модель не находит текстовые области на полной странице и зависит от качества входных обрезанных фрагментов.

ConvNeXt V2 Huge — свёрточная модель для классификации изображений, разработанная авторами статьи ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders и опубликованная в репозитории Facebook. Модель предварительно обучена с помощью FCMAE и дообучена на ImageNet-1K для распознавания 1000 классов при разрешении изображений 224×224. Архитектура — чистая ConvNet с полносвёрточным masked autoencoder-подходом FCMAE и слоем Global Response Normalization. Модель принимает изображения и выдаёт оценки классов ImageNet-1K; она подходит для классификации объектов на фотографиях и изображениях общего назначения. Доступны веса PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка описывает базовую классификацию ImageNet-1K; для других задач потребуются подходящие дообученные версии.

ConvNeXt-V2 Nano — сверточная модель классификации изображений из семейства timm. Она предварительно обучена с помощью FCMAE (fully convolutional masked autoencoder), а затем дообучена на ImageNet-22k и ImageNet-1k. В модели около 15,6 млн параметров; для оценки в карточке указаны изображения размером 288 × 288 пикселей, при обучении использовался размер 224 × 224. Модель подходит для присвоения изображениям меток классов ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В README приведены показатели качества и скорости для разных моделей семейства ConvNeXt-V2, но не отдельные результаты этой Nano-версии. Репозиторий содержит веса PyTorch и safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

tacodevs/Cydonia-24B-v4.3-AWQ — это 4-битная AWQ-квантизация модели Cydonia-24B-v4.3, разработанной TheDrummer на базе Mistral Small 3.1 24B. Квантизацию выполнил Irvollo. Модель предназначена для генерации текста, прежде всего для ролевых сценариев и творческого письма. Модель использует архитектуру Mistral и формат AWQ GEMM с размером групп 128 и включённой zero point-коррекцией. Квантизация уменьшает объём модели примерно с 48 ГБ в формате FP16 до 14 ГБ, что облегчает локальный запуск. Она совместима с vLLM, Transformers и другими AWQ-совместимыми движками; рекомендуется не менее 16 ГБ видеопамяти, а 24 ГБ — для комфортного запаса под KV-кэш. Сведения о поддерживаемых языках и размере контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

DAB-DETR с backbone ResNet-50 — модель обнаружения объектов на изображениях, разработанная Shilong Liu, Feng Li, Hao Zhang, Xiao Yang, Xianbiao Qi, Hang Su, Jun Zhu и Lei Zhang при поддержке IDEA-Research. Эта версия опубликована на Hugging Face в формате Transformers и использует PyTorch и safetensors; лицензия — Apache-2.0. Модель извлекает признаки изображения с помощью CNN, затем обрабатывает их Transformer-энкодерами и декодерами. В DAB-DETR запросы декодера представлены динамически обновляемыми координатами опорных рамок и содержательными эмбеддингами. На выходе модель предсказывает метки классов и рамки объектов. Она обучена на COCO 2017; изображения для обработки масштабируются и нормализуются согласно схеме ImageNet. Модель предназначена для поиска и локализации объектов на изображениях. В описании семейства DAB-DETR приведён результат 45,7 AP на MS-COCO для конфигурации ResNet50-DC5 после 50 эпох обучения; это не подтверждает такой же результат именно для данного чекпойнта ResNet-50. Карточка указывает лицензию Apache-2.0.

Aryan1245678/DecodeX_Voice-Engine — модель бинарной классификации аудио для выявления синтетической или поддельной речи. Она использует энкодер facebook/wav2vec2-base как извлекатель признаков и классификатор на основе двунаправленного GRU с многоголовой внимательностью; сверточные слои Wav2Vec2 заморожены. Всего около 98,5 млн параметров. Модель принимает одноканальные аудиофрагменты длительностью 4 секунды с частотой 16 кГц и выдаёт вероятность того, что запись поддельная; порог по умолчанию — 0,5. Модель предназначена для предварительной проверки голосовых записей и поддержки рабочих процессов обнаружения дипфейков. В карточке заявлены метрики на объединённой проверочной выборке: точность 95–97%, F1 около 0,94 и AUC-ROC около 0,96; результаты зависят от данных и условий записи. Указана лицензия Apache-2.0.

Deformable DETR — модель компьютерного зрения, выпущенная командой Detic и представленная в репозитории Hugging Face. Это контрольная точка Box-Supervised_DeformDETR_R50_4x, обученная на LVIS для обнаружения объектов среди 1203 классов; модель показала 31,7 box mAP и 21,4 mAP на редких классах LVIS. Архитектура сочетает свёрточную основу с трансформером-кодировщиком и декодировщиком. По изображению модель предсказывает классы объектов и ограничивающие рамки. Весы доступны в формате PyTorch, лицензия — Apache-2.0. Модель подходит для обнаружения и локализации объектов на изображениях, в том числе объектов из редких категорий LVIS. Оценка качества приведена на LVIS; карточка не описывает результаты на других наборах данных.

Карточка модели devvcamp07/dinov3-mirror 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.

EfficientNet-B1 — свёрточная модель для классификации изображений, разработанная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Версия B1 использует входное разрешение 240×240 пикселей и относится к семейству мобильных, вычислительно эффективных ConvNet: масштабирование глубины, ширины и разрешения согласуется с помощью составного коэффициента. Модель предназначена для определения одного из 1000 классов ImageNet на изображении. Её можно применять для базовой классификации изображений; для специализированных задач доступны дообученные варианты. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

pyannote/embedding — модель для извлечения голосовых эмбеддингов, разработанная командой pyannote и основанная на pyannote.audio 2.1. Она предназначена для задач распознавания, идентификации и верификации говорящих по аудиозаписям: эмбеддинги можно сравнивать, например, косинусным расстоянием. Архитектура модели — x-vector на базе TDNN с обучаемыми признаками SincNet вместо фильтровых банков. В README сообщается о равной ошибке (EER) 2,8% на тестовом наборе VoxCeleb 1 при использовании косинусного расстояния, без VAD и PLDA; добавление этих компонентов может улучшить результат. Модель распространяется в формате PyTorch под лицензией MIT, при этом для загрузки необходимо принять условия доступа на Hugging Face.