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

Pixal3D single-view — набор весов для генерации 3D-модели по одному изображению, подготовленный для среды выполнения pixal3d.cpp. Набор включает девять файлов GGUF с квантизацией Q8_0 общим объёмом 7,54 ГиБ: четыре одноракурсных flow DiT-чекпойнта Pixal3D и общие с многовидовым набором модели кодировщика изображения, NAF и декодеров. Модели основаны на TRELLIS.2; одноракурсные чекпойнты преобразованы из официальных весов TencentARC/Pixal3D. Набор предназначен для сценария image-to-3D в приложении Pixal3D Web: на вход подаётся одно изображение, а конвейер строит 3D-объект. Он не предназначен для многовидового режима, веса которого поставляются отдельно. Для распространения файлов следует учитывать раздельные лицензии: большинство файлов распространяется по MIT, а для DINOv3 действует отдельная лицензия; README указывает на LICENSE.md как на пофайловый индекс лицензий.

Карточка модели OpenGVLab/pvt_v2_b3 на Hugging Face совпадает с карточкой OpenGVLab/pvt_v2_b0, поэтому описание составлено по ней. PVTv2 — лёгкая иерархическая модель зрения на основе Pyramid Vision Transformer v2, представленная в реализации Hugging Face PyTorch. В её слоях трансформера используются свёрточные операции, а архитектура формирует многомасштабные карты признаков и не требует дополнительных позиционных эмбеддингов. Этот чекпойнт предназначен для классификации изображений. Архитектура PVTv2 также используется как основа для моделей сегментации, оценки монокулярной глубины и обнаружения объектов, однако карточка данного репозитория указывает задачу классификации. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Qwen3-8B-192k-Josiefied-Uncensored-NEO-Max-GGUF — это GGUF-версия языковой модели, опубликованная DavidAU и основанная на модификации Josiefied-Qwen3-8B-abliterated-v1 от Goekdeniz-Guelmez, которая, в свою очередь, создана на базе Qwen3-8B от Qwen. Модель предназначена для генерации текста, включая творческое письмо, создание рассказов, сцен, сюжетов и подсюжетов, продолжение сцен, ролевые сценарии и работу с жанрами science fiction, horror и romance. Судя по описанию, она ориентирована на нецензурированный и интенсивный контент, включая ненормативную лексику и графические элементы, поэтому подходит не для всех аудиторий. Модель поддерживает контекст до 192 000 токенов, расширенный с исходных 32 768 токенов с использованием метода YaRN. В репозитории представлены квантизированные варианты GGUF, подготовленные с использованием NEO Imatrix; для выходного тензора заявлена точность до 16 бит, что должно способствовать качеству рассуждений и генерации. Поддерживаются режимы reasoning и thinking, а для работы рекомендуются Jinja или ChatML-шаблоны. Автор советует выделять не менее 8 000–16 000 токенов под контекст и вывод при использовании режима рассуждений. Сильными сторонами модели являются большой контекст, ориентация на художественную генерацию, ролевые сценарии и потенциально более свободное создание контента благодаря uncensored-модификации. Ограничения включают зависимость качества от выбранного GGUF-кванта, параметров семплирования и совместимости шаблона чата; конкретные результаты тестов, языковой охват и точные характеристики отдельных квантов в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

ReVisual-R1-final — мультимодальная модель для диалога и рассуждений по изображениям, разработанная автором репозитория csfufu как дообученная версия Qwen/Qwen2.5-VL-7B-Instruct. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Для неё заявлено контекстное окно до 128 000 токенов. README описывает трёхэтапное обучение: текстовый cold-start для формирования рассуждений, мультимодальное обучение с подкреплением для согласования зрения и логики, затем текстовое обучение с подкреплением для улучшения краткости и связности. Модель предназначена для визуально-математических задач и текстовых рассуждений; автор заявляет высокие результаты на девяти бенчмарках, но не приводит их названия или численные результаты в карточке. Распространяется под лицензией Apache-2.0.

Это GGUF-квантизация модели Gemma4-31b-Gembrain-Equinox, разработанной rpDungeon и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу text-generation и ориентирована прежде всего на творческое письмо и ролевые сценарии. Доступна в форматах от BF16 до различных вариантов 8-, 6-, 5-, 4- и 3-битной квантизации, что позволяет выбирать между качеством, размером файлов и требованиями к оперативной памяти. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Заявленный размер базовой модели — 31B параметров; поддерживаемая модальность — текстовая. README не содержит достоверных сведений о языках, длине контекста, точной архитектуре, результатах бенчмарков или ограничениях безопасности, поэтому эти характеристики оценить нельзя. Квантизация уменьшает требования к ресурсам, но может снижать качество по сравнению с полноразмерными весами, особенно в младших вариантах. Модель распространяется под лицензией Gemma. Для работы требуется совместимый рантайм и prompt format, указанный в README; некоторые недавно поддержанные модели могут потребовать обновления используемого приложения.

Это дообученный чекпойнт SAM 2.1 Hiera Small от автора репозитория sshibinthomass, предназначенный для выделения бытовых предметов масками по подсказке в виде рамки. Модель основана на facebook/sam2.1-hiera-small и использует архитектуру SAM 2; для работы с ней в README приведён пример на библиотеке Transformers. Модель принимает изображение и координаты рамки, а выдаёт несколько вариантов маски с оценками IoU; в описанном режиме выбирается кандидат с наибольшей предсказанной оценкой. Обучение проведено на 512 примерах COCO 2017 instance segmentation, с отдельными наборами валидации и тестирования. На тестовой выборке выбранные маски достигли IoU 0,730; эти результаты относятся к указанному эксперименту и не гарантируют качество на иных данных. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Чекпойнт ориентирован на сегментацию бытовых объектов и требует изображение вместе с рамкой-подсказкой; сведения о поддержке видео или других языках в карточке не приводятся.

Abdrah/scout-eccv-itm-v3 — модель из проекта SCOUT, представленного на воркшопе ECCV 2026. Она предназначена для поиска людей по текстовому описанию в видео и повторной сортировки результатов retrieval-системы. Модель объединяет визуальные признаки видеоэнкодера ExPLoRA V-JEPA2 и состояния токенов текстового энкодера EmbeddingGemma, адаптированного с помощью LoRA; двунаправленный fusion-трансформер и головы ITC/ITM обучены для сопоставления текста и изображений. Модель выдаёт L2-нормализованные векторы изображения и текста. В репозитории находятся обученные веса и конфигурация; замороженные веса базовых энкодеров загружаются из их источников отдельно. В описанной авторами системе результаты ITM следует сочетать с порядком ITC: отдельное ранжирование только по ITM показало худший результат, чем ITC. Размер модели — 656,1 млн параметров, из них обучаемых 120,3 млн. Лицензия — Apache-2.0.

StreetCLIP — модель семейства CLIP, разработанная авторами исследования Lukas Haas, Silas Alberti и Michal Skreta для геолокализации изображений и задач, связанных с географией и климатом. Она построена на OpenAI CLIP ViT-L/14-336 и дообучена с помощью синтетических подписей, созданных из меток классов по специализированному шаблону. Модель обучалась на 1,1 млн геотегированных уличных изображений городской и сельской местности из 101 страны. StreetCLIP сопоставляет изображения с текстовыми описаниями и поддерживает классификацию без дополнительного обучения. Её можно использовать для оценки страны, региона или города, откуда происходит изображённая сцена, а также дообучать для анализа зданий, инфраструктуры и природной среды. Английский язык указан в карточке; модель принимает изображения и текстовые метки, а выдаёт оценки соответствия изображения классам. В карточке сообщается о сильных результатах на тестах IM2GPS и IM2GPS3K. Обучающие данные смещены в сторону западных стран и не включают Индию и Китай, поэтому качество может различаться в зависимости от региона и типа изображений. Авторы не рекомендуют применять модель для геолокации личных фотографий пользователей. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели SYNAPSEai1/SynapseMusicV12-SFT на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

ankekat1000/toxic-bert-german — модель на базе bert-base-german-cased от deepset, дообученная для бинарной классификации токсичности комментариев на немецком языке. Она относит комментарии к токсичным или нетоксичным; токсичность включает грубость, оскорбления, ненависть и другие формулировки, из-за которых пользователи могут чувствовать неуважение. Модель подходит для автоматической модерации комментариев на немецкоязычных новостных сайтах и платформах онлайн-обсуждений. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,3 млн параметров и принимает текст длиной до 512 токенов. Для дообучения использовали более 14 тысяч комментариев, размеченных краудсорсинговым способом. В тестовой оценке указаны точность 86% и macro F1 75%; для класса токсичных комментариев F1 составляет 0,59, поэтому модель может пропускать токсичные сообщения. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

Venus-103b-v1.2 — текстовая генеративная модель, созданная путём чередования слоёв Sao10K/Euryale-1.3-L2-70B и GOAT-AI/GOAT-70B-Storytelling; автор вдохновлялся Goliath-120b. Модель имеет архитектуру LlamaForCausalLM, около 103 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса Safetensors; для ExLlama2-квантованных вариантов автор указывает отдельные ветки. Модель предназначена для генерации творческого текста и историй, в том числе контента для взрослых; автор отмечает отсутствие выраженной цензуры и переносимость высоких значений температуры генерации. По его наблюдениям, следование инструкциям уступает версии v1.1, а форматирование иногда бывает некорректным, например незакрытые звёздочки или кавычки. Лицензия указана как Llama 2; применяйте модель с учётом её условий.

Карточка модели facebook/vfusion3d на Hugging Face совпадает с карточкой jadechoghari/vfusion3d, поэтому описание составлено по ней. VFusion3D — модель генерации и реконструкции 3D-объектов по изображению, представленная исследователями Meta и Оксфордского университета; работа опубликована на ECCV 2024. Это крупная feed-forward модель семейства LRM, обученная на небольшом объёме 3D-данных и большом количестве синтетических данных с разных ракурсов, полученных с помощью видеодиффузионных моделей. Модель принимает изображение и по умолчанию выдаёт 3D-представление в виде плоскостей, пригодное для дальнейшей обработки. Также можно экспортировать 3D-сетку в формате OBJ или видео с рендерингом объекта с разных ракурсов. Подходит для быстрого преобразования изображений в объёмные объекты и прототипирования 3D-содержимого. Репозиторий содержит веса Safetensors; лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но некоммерческое.

AdamCodd/vit-base-nsfw-detector — модель классификации изображений, созданная AdamCodd дообучением google/vit-base-patch16-384. Она использует архитектуру Vision Transformer с примерно 113,2 млн параметров и относит изображения к одному из двух классов: SFW или NSFW. Модель рассчитана на проверку фотографий, рисунков и других изображений, например для фильтрации контента. На оценочном наборе автор сообщает точность 96,54%. Модель намеренно относит к NSFW изображения с выраженным обнажением или декольте. Для изображений, созданных генеративными моделями, качество заметно ниже: точность составляет 86%; автор предупреждает, что обучение не включало такие изображения. Квантизированный вариант ONNX может иметь немного меньшую точность. Лицензия — Apache-2.0.

Модель Gary A. Stafford — дообученная версия трансформера Wav2Vec2 для бинарной классификации аудио: она оценивает, произнесена ли речь человеком или создана системой синтеза речи либо клонирования голоса. Модель рассчитана на обнаружение синтетической речи, в том числе сгенерированной ElevenLabs, Amazon Polly, Hexgrad Kokoro, Hume AI, Speechify и Luvvoice. Архитектура — Wav2Vec2ForSequenceClassification на 402,7 млн параметров. При дообучении были заморожены сверточный экстрактор признаков и нижние 12 из 24 слоёв трансформера; верхние 12 слоёв и классификационная головка обучались на наборе из 1 866 сбалансированных аудиофрагментов длительностью 2,5–13 секунд. На вход подаётся аудио, которое приводится к моно и частоте 16 кГц; модель выдаёт оценки двух классов: «реальная речь» и «синтетическая речь». Карточка сообщает об обучении базовой модели на 53 языках, но не устанавливает, для каких языков детектор надёжно работает. На валидационной выборке из 187 фрагментов указаны точность 97,9% и ROC-AUC 0,998; автор предупреждает, что высокая оценка отражает адаптацию к близкой предметной области и не доказывает обобщение на другие генераторы или реальные условия. Модель распространяется под лицензией Apache-2.0; для оценки качества на новых источниках рекомендуется отдельная проверка.

DavidCombei/wavLM-base-Deepfake_V1 — модель классификации аудио на архитектуре WavLM, дообученная на основе microsoft/wavLM-base. В карточке указаны 113,3 млн параметров и формат PyTorch; модель создана 8 июля 2024 года. Модель предназначена для классификации аудио. Название репозитория указывает на обнаружение дипфейков, однако README не описывает назначение подробнее и не раскрывает обучающий датасет. На указанном наборе оценки получены loss 0,2510 и accuracy 0,9693; условия и методика оценки не приведены. Лицензия и ограничения применения в предоставленных данных не описаны.

Модель разработана Samuel Olubukun как дообученная версия Coqui XTTS-v2 для синтеза речи на йоруба. Она принимает текст и короткий аудиофрагмент длительностью 3–10 секунд, чтобы синтезировать речь с переносом характеристик голоса; также сохраняет возможности базовой модели по клонированию голоса и межъязыковому переносу. Архитектура XTTS-v2 включает авторегрессионный GPT-декодер и вокодер спектрограмм на основе дискретного VAE; размер модели — 521,8 млн параметров. Для поддержки йоруба расширен BPE-токенизатор и добавлен языковой тег [yo]. Модель обучена на 8 000 пар аудио и текста из йоруба-раздела OpenBibleTTS. Она особенно подходит для синтеза формальной начитанной речи на йоруба, в том числе с голосом из короткого образца. Обучающие данные ограничены библейской тематикой и литургическим регистром, поэтому естественность разговорной, быстрой или неформальной речи может быть ниже. Автоматические метки дикторов и выравнивание сегментов могут содержать неточности. Лицензия унаследована от Coqui Public Model License / MRCUL.

Модель valentinafevu/yolos-fashionpedia — дообученная версия YOLOS для обнаружения одежды и связанных с ней предметов и деталей на изображениях. Она распознаёт категории одежды, например рубашки, брюки, платья, обувь и сумки, а также аксессуары и элементы конструкции: воротники, рукава, карманы, молнии, пайетки и другие украшения. Модель разработана сообществом Hugging Face и обучена на датасете Fashionpedia; в репозитории указаны архитектура YOLOS и 28,3 млн параметров. Модель подходит для автоматической разметки модных изображений, поиска предметов гардероба на фотографиях и анализа деталей одежды. Она принимает изображения и выдаёт найденные объекты с классами и рамками. Метаданные указывают поддержку английского языка, хотя основная задача — визуальное обнаружение объектов. Лицензия MIT допускает использование и распространение согласно её условиям. Результаты ограничены заданным набором классов Fashionpedia: модель не предназначена для общего обнаружения объектов и может пропускать предметы или неверно определять категории на сложных, частично закрытых либо нестандартных изображениях.

YuE-s2-1B-general — модель семейства YuE, разработанного HKUSTAudio для генерации музыки по тексту. Серия YuE предназначена для преобразования текста песни в цельную композицию длительностью в несколько минут с вокальной партией и музыкальным сопровождением; модель заявлена как универсальная по жанрам и стилям вокала. Репозиторий содержит плотную авторегрессионную модель архитектуры Llama с 1,8 млрд параметров в формате Safetensors и контекстом 8192 токена. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для запуска README направляет к GitHub-проекту.

Карточка модели ACE-Step/acestep-v15-turbo-shift3 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Карточка модели Tuananh20015/acestep-v15-turbo-shift3 на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Artistic_Interests_continuous — модель классификации текста на базе DeBERTa-v3-base, дообученная ajrayman. Она предназначена для предсказания непрерывной оценки, связанной с художественными интересами, по тексту. В карточке приведены результаты оценки: RMSE 0,2337, MAE 0,1878 и корреляция 0,2377; описание набора данных и подробности сценариев применения отсутствуют. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa и принимает последовательности длиной до 512 токенов. Доступна в формате safetensors; лицензия — MIT.

caformer_b36.sail_in1k — модель классификации изображений и визуальный backbone семейства CAFormer/MetaFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для определения объектов и сцен на изображениях, а также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит около 98,8 млн параметров; для входных изображений указан размер 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors, модель поддерживается библиотекой timm. Лицензия — Apache-2.0. Качество распознавания ориентировано на классы ImageNet-1k. Модель не предназначена для понимания текста или обработки других модальностей; применение на изображениях, отличающихся от обучающего набора, может потребовать дополнительной проверки или адаптации.

CAT-Translate-3.3B — языковая модель CyberAgent для двустороннего перевода между японским и английским языками. Это плотная авторегрессионная модель семейства Llama с 3,1 млрд параметров, рассчитанная на контекст до 8192 токенов и работающая через Transformers; для запуска перевода ей требуется инструкция в prompt. Модель дообучена на базе sbintuitions/sarashina2.2-3b. В обучении использовались синтетические параллельные корпуса, двухэтапное supervised fine-tuning и обучение с подкреплением Multi-Objective GRPO; для эффективного обучения применялась LoRA. Разработчики оценивали переводы в направлениях японский—английский и английский—японский на наборах, связанных с диалогами, судебным переводом, медициной, патентами и деловой тематикой. Модель предназначена для перевода текстов и диалогов между японским и английским, в том числе в прикладных сценариях из оценки разработчиков. Репозиторий распространяется по лицензии MIT. Результаты бенчмарков приведены разработчиками; они не гарантируют одинаковое качество на произвольных текстах и доменах.

JoseVilla/cfe-telmex-classification-finetuned-v2 — модель классификации изображений, разработанная JoseVilla и дообученная на основе JoseVilla/cfe-telmex-classification-finetuned-v1. Она построена на архитектуре Swin и содержит около 33 млн параметров. Модель предназначена для отнесения изображений к категориям; конкретные классы и целевые сценарии в карточке не описаны. На указанном наборе для оценки модель достигла accuracy 1,0 и loss 0,1568. Эти результаты относятся только к приведённому набору и не гарантируют такого же качества на других данных. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

EoMT (Encoder-only Mask Transformer) — модель компьютерного зрения на базе Vision Transformer, разработанная авторами работы «Your ViT is Secretly an Image Segmentation Model». Этот вариант предназначен для паноптической сегментации изображений: он выделяет области и объекты на сцене и формирует их маски. Семейство EoMT также поддерживает семантическую и экземплярную сегментацию с соответствующей постобработкой. Модель содержит 113,2 млн параметров и доступна в форматах PyTorch и safetensors для библиотеки Transformers. Архитектура обходится без специализированного декодера и модулей слияния пиксельных признаков, что позволяет использовать ViT для сегментации. Лицензия — MIT. В карточке нет сведений о наборах данных, языках или контексте; как модель обработки изображений, она не рассчитана на естественный язык.

ConvNeXt-V2 Base — модель компьютерного зрения из библиотеки timm для классификации изображений и извлечения визуальных признаков. Она содержит около 88,7 млн параметров и использует свёрточную архитектуру ConvNeXt-V2. Предобучение выполнено с помощью FCMAE, затем модель дообучена на ImageNet-22k и ImageNet-1k. Модель предназначена для определения объектов и категорий на изображениях, а также может служить визуальной основой для извлечения карт признаков и эмбеддингов. В карточке приведены результаты классификации для входов 224 × 224 при обучении и 288 × 288 при тестировании. Репозиторий содержит веса PyTorch и safetensors и предназначен для работы с timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Это модель для классификации по категориям ImageNet; карточка не заявляет о специальной настройке для других областей или языков.

Карточка модели jozhang97/deta-resnet-50-24-epochs на Hugging Face совпадает с карточкой jozhang97/deta-swin-large, поэтому описание составлено по ней. jozhang97/deta-swin-large — модель обнаружения объектов DETA, разработанная Джеффри Оуянг-Чжаном, Джанг Хён Чо, Синьи Чжоу и Филиппом Крэненбюлем. Она основана на работе «NMS Strikes Back» и возвращает назначение IoU и подавление немаксимумов (NMS) в трансформерные детекторы. Модель предназначена для обнаружения объектов на изображениях. В карточке указана конфигурация Swin-Large; DETA обучается и работает с сопоставимой скоростью с Deformable-DETR и сходится быстрее. Авторы сообщают о результате 50,2 mAP за 12 эпох на COCO. Это модель компьютерного зрения на архитектуре DETA; в репозитории представлены веса PyTorch и safetensors. Лицензия в доступных данных не указана.

Карточка модели jozhang97/deta-swin-large-o365 на Hugging Face совпадает с карточкой jozhang97/deta-swin-large, поэтому описание составлено по ней. jozhang97/deta-swin-large — модель обнаружения объектов DETA, разработанная Джеффри Оуянг-Чжаном, Джанг Хён Чо, Синьи Чжоу и Филиппом Крэненбюлем. Она основана на работе «NMS Strikes Back» и возвращает назначение IoU и подавление немаксимумов (NMS) в трансформерные детекторы. Модель предназначена для обнаружения объектов на изображениях. В карточке указана конфигурация Swin-Large; DETA обучается и работает с сопоставимой скоростью с Deformable-DETR и сходится быстрее. Авторы сообщают о результате 50,2 mAP за 12 эпох на COCO. Это модель компьютерного зрения на архитектуре DETA; в репозитории представлены веса PyTorch и safetensors. Лицензия в доступных данных не указана.

Emerhyst-20B — текстовая генеративная модель на архитектуре Llama, представленная в формате safetensors с весами FP16. По README, это слияние Amethyst 13B и Emerald 13B; при создании также использовались PygmalionAI/pygmalion-2-13b, Xwin-LM/Xwin-LM-13B-V0.1, The-Face-Of-Goonery/Huginn-13b-FP16 и адаптеры zattio770/120-Days-of-LORA-v2-13B и lemonilia/LimaRP-Llama2-13B-v3-EXPERIMENT. В метаданных указано 19,8 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста по инструкциям и ролевых диалогов; README приводит шаблон Alpaca и рекомендации по использованию LimaRP v3 в SillyTavern. Карточка содержит результаты Open LLM Leaderboard: среднее 51,85, ARC 61,69 и HellaSwag 84,98. Метаданные помечают модель как NSFW, поэтому она ориентирована в том числе на контент для взрослых. Лицензия CC BY-NC 4.0 требует указания авторства и не разрешает коммерческое использование.

Remidesbois/Falcon-OCR-Poneglyph — модель распознавания французского текста в речевых пузырях манги, разработанная на основе Falcon-OCR и дообученная на проверенных транскрипциях корпуса Poneglyph. На вход подаётся уже обрезанный пузырь, на выходе модель выдаёт распознанный текст; детектор областей и разметки страницы не обучался. Модель сохраняет архитектуру Falcon-OCR и предназначена для OCR французских реплик в манге. Обучение выполнено полным дообучением на 9707 пузырях. Приведённые в карточке метрики CER 0,5261% и WER 1,8267% относятся к отдельному оценивавшемуся чекпойнту, а не к опубликованным весам после переобучения на всём корпусе. Независимой тестовой оценки опубликованного чекпойнта нет; результаты также не показывают обобщение на полностью неизвестные серии манги. Модель распространяется по лицензии Apache-2.0. Лицензия модели не распространяет права на исходные изображения манги. Для инференса описан совместимый режим с FP32 master weights и BF16 autocast; прямое хранение весов в BF16 может привести к дополнительным отличиям. Для распознавания требуется предварительно выделить речевые пузыри.