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

ToastyPigeon/Gemma-4-12B-full-CPT-ITVec — производная текстовая модель на базе Google Gemma-4-12B, созданная автором ToastyPigeon. Сначала в базовую модель внесли слияние LoRA-дообучения на прозе, рассказах и чатах, затем добавили с весом 1,0 разность весов между instruct- и базовой версиями Gemma-4-12B. Такой подход призван сохранить стилистические особенности дообучения и вернуть следование инструкциям и форматирование instruct-модели. Модель предназначена для экспериментов с автодополнением текста и написанием историй, а также как основа для последующих RP- и стилевых дообучений. Это плотная модель семейства Gemma 4 с унифицированной мультимодальной архитектурой; в репозитории указаны веса safetensors, а vision- и audio-компоненты оставлены такими же, как у базовой модели. Карточка описывает обучение на англоязычных наборах прозы и чатов, включая эротическую прозу; лицензия, размер контекста и численность параметров в предоставленных данных не указаны. Модель ориентирована на взрослые эксперименты с художественным стилем и не предназначена для производственного развертывания или использования несовершеннолетними. Результат task-vector-слияния может отличаться от поведения исходной instruct-модели; мультимодальные компоненты сохранены от базы, но карточка не описывает проверку их работы. Условия лицензии следует сверить с лицензией базовой модели и репозитория.

Easy German GPT2 Model — языковая модель на базе немецкого GPT-2, дообученная автором на корпусах текстов на немецком языке в формате «лёгкого языка» (leichte Sprache). Дообучение в течение одной эпохи проводилось на 25 112 примерах, включавших энциклопедические и новостные тексты; архитектура — GPT-2 с плотной сетью, формат весов — PyTorch. Модель предназначена для генерации текста на немецком языке в упрощённом стиле. Её можно применять для создания простых новостных или справочных текстов и как основу для экспериментов с упрощением немецкого языка. Максимальная длина контекста составляет 1024 токена. На тесте из вручную выровненных текстов perplexity для новостей на лёгком немецком составила 17,3053 против 23,8257 у исходного German GPT-2, тогда как для стандартных новостей показатель модели хуже: 48,6314 против 24,0301. В README не указана лицензия, поэтому условия использования определить нельзя. Результаты указывают на специализацию модели на лёгком немецком и более слабое соответствие стандартному немецкому; отдельные оценки качества и ограничения применения за пределами описанного теста не приведены.

Pantheon-RP-1.8-24b-Small-3.1-GGUF — это GGUF-квантизированная версия языковой модели Pantheon-RP-1.8-24b-Small-3.1, разработанной Gryphe и подготовленной пользователем bartowski с помощью llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста, диалогов и ролевых сценариев; в метаданных указаны специализация на roleplay, instruct- и chat-применения, а также английский язык. Для общения рекомендуется формат промптов ChatML. Модель содержит около 24 миллиардов параметров. README не сообщает точную архитектуру, максимальный размер контекста или поддержку дополнительных модальностей, поэтому эти характеристики неизвестны; по назначению и pipeline_tag это текстовая, а не мультимодальная модель. Доступны варианты от BF16 до различных уровней Q8, Q6, Q5, Q4, Q3 и IQ-квантизации: более крупные файлы обычно сохраняют более высокое качество, а облегчённые варианты требуют меньше памяти. Файлы совместимы с llama.cpp, LM Studio и другими проектами на его основе. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и ориентация на ролевые диалоги. Ограничения связаны с потенциальной потерей качества в более агрессивно сжатых вариантах, значительными требованиями к памяти у высококачественных сборок и отсутствием в README подробных данных о тестировании, контексте и безопасности применения. Указанная лицензия — Apache-2.0.

KomdigiITS-8B-DFKClassification-Merged — модель с архитектурой Mistral3ForConditionalGeneration, разработанная организацией aitf-komdigi на базе aitf-komdigi/KomdigiITS-8B-DFK-CPT. Она дообучена с помощью LoRA и объединена в модель для мультимодальной классификации контента по категориям дезинформации, клеветы, разжигания ненависти и нейтрального содержания. В обучающем наборе также использовались задачи текстовой классификации и извлечения ключевых слов. Модель принимает текст и изображения и предназначена для анализа материалов на индонезийском языке. В README указана максимальная длина последовательности 4096 токенов; метаданные подтверждают поддержку изображений и архитектуру Mistral3. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Карточка модели IMUGLYHUH/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B на Hugging Face совпадает с карточкой DavidAU/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B, поэтому описание составлено по ней. DavidAU создал L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B — объединённую разговорную модель генерации текста на архитектуре LlamaForCausalLM, основанную на NousResearch/DeepHermes-3-Llama-3-8B-Preview и Undi95/Llama-3-LewdPlay-8B-evo. Веса представлены в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена прежде всего для творческого письма, ролевых диалогов, развития сюжетов и сцен, а также может применяться для загадок, логических задач и общего общения. Она поддерживает английский язык и использует управляемый системными подсказками режим рассуждений; автор отмечает, что его качество ниже, чем у исходной DeepHermes. Для диалога требуется шаблон Llama 3 Instruct или совместимый шаблон, а автор сообщает о нестабильной активации рассуждений и необходимости повторных генераций. Модель явно предназначена для создания откровенного контента, включая графические сцены насилия и сексуальный контент. Лицензия — Apache-2.0; сама лицензия не гарантирует допустимость любого сгенерированного содержания в конкретном контексте.

Lelantos-Maid-DPO-7B — объединённая модель Mistral для генерации диалогового текста и ролевых сценариев. Автор объединил SanjiWatsuki/Lelantos-DPO-7B и NeverSleep/Noromaid-7B-0.4-DPO с помощью mergekit методом slerp; модель имеет 7,1 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста по текстовым запросам. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0. Данные карточки описывают объединение моделей, но не приводят отдельных оценок качества или ограничений для конкретных сценариев.

nbeerbower/llama-3-gutenberg-8B — текстовая генеративная модель на архитектуре Llama, созданная nbeerbower дообучением nbeerbower/llama-3-bophades-v3-8B на наборе jondurbin/gutenberg-dpo-v0.1. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст длиной до 8192 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов. Обучение проводилось с помощью A100 в Google Colab; в карточке приведены результаты отдельных бенчмарков, включая IFEval и BBH. Специализация на текстах Гутенберга следует из обучающего набора, однако README не описывает конкретные гарантии качества или поддерживаемые языки. Репозиторий содержит веса в формате safetensors и помечен лицензией other. README указывает, что модель регулируется Meta Llama 3 Community License Agreement; перед использованием следует ознакомиться с её условиями.

grimjim выпустил Nephilim v1 8B — объединённую методом SLERP языковую модель на архитектуре Llama 3 для генерации текста и диалоговых сценариев. В README указано, что основой служит WhiteRabbitNeo/Llama-3-WhiteRabbitNeo-8B-v2.0, а mlabonne/NeuralDaredevil-8B-abliterated добавлена с очень малым весом. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и рассчитана на контекст до 8192 токенов. Модель предназначена для диалогов и творческой генерации, включая ролевые сценарии; среди исходных моделей также заявлена специализация на задачах кибербезопасности. Карточка описывает тестирование с инструкцией Llama 3 Instruct Direct и параметрами генерации temperature 1,0–1,2 и minP 0,01. Возможны вредоносные ответы. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; также действуют дополнительные ограничения использования WhiteRabbitNeo и условия лицензии Llama 3.

llama-3-spicy-8B — объединённая авторегрессионная языковая модель семейства Llama 3, созданная nbeerbower методом Model Stock с помощью mergekit. В объединение вошли cgato/L3-TheSpice-8b-v0.8.3 и Undi95/Llama-3-LewdPlay-8B-evo, а в качестве базовой использована nbeerbower/llama-3-stinky-v2-8B. Модель содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM, принимает текст и выдаёт текст; заявленное контекстное окно — 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевые беседы и откровенный текст, что отражено в описании базовой модели и одном из компонентов объединения. Файлы доступны в формате safetensors, для работы используется библиотека Transformers. Лицензия — llama3; условия применения следует сверять с её текстом и условиями исходных моделей объединения.

Llama 3 Dare — созданная ModelsLab объединённая модель на архитектуре Llama 3 для генерации диалогового текста. Она объединяет четыре модели: Orenguteng/Llama-3-8B-Lexi-Uncensored, nbeerbower/llama-3-spicy-abliterated-stella-8B, Azazelle/L3-RP_io и aifeifei798/llama3-8B-DarkIdol-2.1-Uncensored-1048K; слияние выполнено методом dare_ties с помощью mergekit. Размер модели — 7,5 млрд параметров, нативный контекст — 8192 токена. Модель предназначена для диалогов и свободной генерации текста, в том числе ролевых сценариев. В карточке описана как uncensored-модель с ослабленными ограничениями на ответы. Она принимает текст и выдаёт текст; метаданные указывают лицензию Apache-2.0. README не приводит отдельные результаты оценки качества, поэтому пригодность для конкретных сценариев стоит проверять на собственных примерах.

Meme-Trix MoE 14B A8B v2 — экспериментальная разговорная языковая модель от Naphula, созданная слиянием Morpheus v2 и Assistant Pepe. Она предназначена для генерации текста, диалогов и ролевых повествований; автор рекомендует использовать шаблон чата Llama 3. Архитектура Mixtral/MoE основана на Llama 3.1 8B, в метаданных указано 7,5 млрд параметров и контекст до 1 073 152 токенов. Карточка приводит настройки сэмплирования для генерации. Модель ориентирована на англоязычный текст. README предупреждает, что она может создавать графические сцены насилия и эротический контент. Репозиторий распространяется по лицензии Apache-2.0.

yzhuang/Meta-Llama-3-8B-Instruct_fictional_arc_Italian_v2 — диалоговая языковая модель на основе Meta-Llama-3-8B-Instruct, дообученная на наборе данных generator. Она предназначена для генерации текста и диалоговых ответов; название репозитория указывает на фокус на итальянских вымышленных сюжетах, но README не описывает эту специализацию подробнее. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В метаданных указаны формат safetensors и лицензия other. Подробности обучения, оценок качества и практических ограничений в карточке не приведены.

Ministral-3-8B-Nymphaea-RP — дообученная версия Ministral 3 8B Instruct 2512, созданная пользователем 0xA50C1A1 на базе весов Mistral AI. Модель ориентирована на ролевые диалоги, творческое письмо и сценарии использования с расширенной свободой генерации. Она также предназначена для локального запуска на системах с ограниченным объёмом видеопамяти; автор отдельно указывает оптимизацию пользовательской смешанной GGUF-квантизации для 8–12 ГБ VRAM. Модель имеет размер 8B параметров и распространяется через Transformers; доступны варианты GGUF, включая Q5_Mix, а также отдельный vision-проектор mmproj. Во время дообучения vision encoder был заморожен, поэтому заявлено сохранение исходных возможностей работы с изображениями. Дообучение выполнено методом DoRA с применением Darkmere dataset, включающего синтетические и написанные людьми рассказы, а также данные для roleplay и creative writing. README не указывает поддерживаемые языки и размер контекста. К сильным сторонам относятся специализация на ролевом взаимодействии и художественном тексте, сохранение vision-возможностей и варианты квантизации для маломощных локальных систем. При этом утверждения о превосходстве над Llama 3.3 8B Instruct являются субъективной оценкой автора и не подтверждены приведёнными тестами. Из-за предварительного удаления ограничений безопасности через Heretic модель описывается как largely uncensored, поэтому её ответы могут быть менее ограниченными и требовать дополнительного контроля. Модель распространяется по лицензии Apache-2.0.

DavidAU/MN-WORDSTORM-pt3-RCM-POV-Nightmare-18.5B-Instruct-GGUF — текстовая instruct-модель для генерации художественных текстов и ролевого взаимодействия. Она создана автором DavidAU как крупное объединение моделей на базе Mistral Nemo: MN-Rocinante-12B-v1.1, MN-12B-Celeste-V1.9 и MN-Magnum-v2.5-12B-kto, каждая из которых объединена с Mistral Nemo Instruct 12B. Модель ориентирована на английский язык и распространяется в формате GGUF. Основные сценарии применения — написание и продолжение сцен, создание сюжетов и подсюжетов, сторителлинг, развитие персонажей, диалогов и ролевых историй во всех жанрах. Заявлены сильные стороны в качестве прозы, следовании инструкциям, передаче голоса персонажей, юморе, эмоциональной выразительности, детализации мира, напряжённом действии, неожиданных поворотах и клиффхэнгерах. Модель имеет текстовую модальность, размер 18,5 млрд параметров и заявленное контекстное окно более 128 тысяч токенов. Модель специально настроена на интенсивные хоррор-сценарии и ситуации кошмара, поэтому может генерировать нецензурную лексику, NSFW-материалы, насилие, графические и тревожные сцены. Это делает её менее подходящей для безопасной или строго модерируемой генерации без дополнительной фильтрации. Для работы в README указаны шаблоны Alpaca, ChatML и Mistral Instruct. Лицензия — Apache 2.0.

Модель viddexa/nsfw-detection-2-nano разработана Kerem Bozgan, Abdullah Kırman и Fatih Çağatay Akyön для автоматической модерации визуального контента. Это дообученная на изображениях EfficientNet-B0, компактная свёрточная модель для классификации изображений; в README указано около 4 млн параметров и поддержка пяти классов: Normal, Porn, Hentai, Drawing и Sexy. Её можно применять к изображениям и кадрам видео для первичной фильтрации откровенного контента. Модель предназначена для предварительного выявления обнажённости и сексуального контента в пользовательских публикациях, социальных приложениях, играх и потоковых сервисах, а также для родительского контроля. В описанном сравнении она показывает макро-F-score 93%; на классе Sexy результат ниже — 85,15%. Класс Normal соответствует изображениям без откровенного контента, а Sexy охватывает неоднозначные случаи с провокационной одеждой или намёками. README рекомендует проверку человеком и предупреждает, что модель не определяет сексуальное намерение и не подходит для правовой оценки изображений. Лицензия — Apache-2.0.

mergekit-community/nsfw_merge_testv5 — слитая языковая модель на архитектуре Llama, созданная сообществом с помощью mergekit методом Model Stock. В README указано, что в основу слияния вошли DreadPoor/Derivative-8B-Model_Stock и DreadPoor/abliteration-OVA-8B-r128-LORA; также объединены модели и адаптеры для повествовательного и описательного письма, длинных текстов, медицинских и психологических тем, биологии, анатомии, социологии и сексуальности. Модель предназначена для диалоговой генерации текста. Она содержит 7,5 млрд параметров, принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов и поддержку chat. Репозиторий использует формат safetensors. В тегах отмечено, что модель не подходит для всех аудиторий, поэтому её тематика может включать взрослое содержание. Лицензия в предоставленных данных не указана.

NVComposer — модель TencentARC для синтеза новых ракурсов по нескольким входным изображениям. Она использует диффузионную архитектуру с двумя потоками: один генерирует целевые виды, другой одновременно оценивает позы камер для входных изображений. Модуль выравнивания признаков с учётом геометрии переносит геометрические априоры из плотных стереомоделей во время обучения. Модель предназначена для генеративного синтеза многовидовых изображений, в том числе когда входные изображения не выровнены заранее. По описанию авторов, качество синтеза улучшается при увеличении числа входных видов, а явная внешняя оценка поз или предварительная реконструкция не требуются. Карточка также помечает задачу image-to-3d. Репозиторий содержит чекпойнт PyTorch; для загрузки указан файл NVComposer-V0.1.ckpt. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

Pantheon-RP-1.5-12b-Nemo-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Pantheon-RP-1.5-12b-Nemo, разработанной Gryphe. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена прежде всего для диалогов и roleplay-сценариев, а также для других задач генерации текста и работы в instruct-формате. Заявленный язык — английский. Доступны варианты от полного F32 до низкобитных Q2 и IQ-квантизаций, с размерами файлов примерно от 4,44 до 49 ГБ. Более качественные варианты Q5–Q8 требуют больше памяти, тогда как Q3 и Q2 подходят для систем с ограниченными ресурсами, но могут заметно уступать в качестве. Формат GGUF обеспечивает использование через совместимые инструменты, включая llama.cpp и LM Studio. Архитектура исходной модели, размер контекстного окна и поддерживаемые модальности в README не указаны; модель описана как текстовая. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и специализация исходной модели на roleplay-диалогах. Ограничения включают отсутствие сведений о точном формате промптов, контекстном окне и характеристиках базовой архитектуры, а также неизбежное снижение качества в наиболее компактных вариантах. Указанная лицензия — Apache-2.0.

Polaris-VGA-27B-Post1.0e-i1-GGUF — GGUF-квантизированная версия vision-language модели Polaris-VGA-27B-Post1.0e, разработанной prithivMLmods и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на работу с визуальными данными и связана с задачами object detection, localization и visual grounding, то есть обнаружением объектов на изображениях и указанием их расположения по текстовому запросу. Заявленный язык — английский. Модель имеет размер 27B параметров и предназначена для запуска через совместимые инструменты, включая llama.cpp и vLLM; для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Репозиторий содержит набор вариантов квантизации от IQ1 до Q6, различающихся размером, скоростью и качеством; среди рекомендуемых указаны i1-Q4_K_M и i1-Q4_K_S. Длина контекста, точная архитектура, поддерживаемые форматы изображений и результаты бенчмарков в README не указаны. Сильной стороной модели является сочетание крупного размера и мультимодальной специализации на визуальном распознавании и grounding, а множество вариантов квантизации позволяет адаптировать требования к памяти и производительности. Ограничения связаны с возможным снижением качества у низкобитных вариантов, необходимостью совместимого мультимодального проектора и отсутствием подробных сведений о точности и эксплуатационных требованиях. Модель распространяется по лицензии Apache-2.0.

Prose Rewriter 4B v2.2 — модель для переписывания прозы, созданная автором репозитория на базе Qwen/Qwen3-4B-Base с дообучением LoRA rank 32, слитым с весами с коэффициентом 1,20. Модель переформулирует абзац, написанный большой языковой моделью, стремясь сделать текст более естественным и сохранить исходный смысл. Это плотная причинная языковая модель Qwen3 примерно с 3,7 млрд параметров и контекстом 32 768 токенов; доступны веса Safetensors и варианты GGUF Q8_0 и Q4_K_M. Модель рассчитана на английскую художественную прозу, диалоги и повествование от первого или третьего лица. Она принимает один абзац за вызов в специальном формате source/rewrite и предназначена для перефразирования, а не для диалога или выполнения инструкций. В оценке автора версия 2.2 реже повторяла фразы и предложения и реже добавляла неподтверждённое исходником содержание, чем версия 2.1. Однако модель всё ещё может придумывать местоимения или другие детали, повторяться и заметно сокращать текст; при коротком вводе она может дополнять, обрезать или выдумывать содержание. Практический минимум — около 15 слов, а техническая документация не является целевым жанром. Модель распространяется по лицензии AGPL-3.0.

Карточка модели OpenGVLab/pvt_v2_b2 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.

Карточка модели DavidAU/Qwen2.5-1.5B-VibeThinker-heretic-uncensored-abliterated на Hugging Face совпадает с карточкой raithdemis/Qwen2.5-1.5B-VibeThinker-heretic-uncensored-abliterated, поэтому описание составлено по ней. raithdemis/Qwen2.5-1.5B-VibeThinker-heretic-uncensored-abliterated — диалоговая языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, созданная дообучением WeiboAI/VibeThinker-1.5B и обработкой Heretic v1.0.1 для снижения частоты отказов. Предназначена для генерации текста в диалогах и ролевых сценариях; автор также указывает возможность генерации контента для взрослых. Заявленная длина контекста — 128k токенов. По данным карточки, доля отказов после обработки составила 5 из 100 против 61 из 100 у исходной модели, а KL-дивергенция — 0,01. Это показатели, приведённые автором, а не независимая оценка качества. Карточка отмечает, что для получения явно заданного стиля или уровня откровенности иногда нужны дополнительные инструкции. Модель опубликована в формате safetensors для Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Blasserman/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness-Q4_K_M-GGUF — это квантизированная версия в формате GGUF модели DavidAU/Qwen3.6-9B-Heretic-Uncensored-Thinking-Sweet-Madness. Конвертацию выполнил Blasserman с использованием llama.cpp и GGUF-my-repo. Модель основана на Qwen3.6 с 9 млрд параметров; вариант Q4_K_M предназначен для более экономичного запуска по сравнению с полноразмерными весами. Модель ориентирована на генерацию и продолжение художественных текстов, создание сюжетов и подсюжетов, написание сцен, ролевые сценарии и работу с художественной прозой разных жанров, включая научную фантастику и романтику. В метаданных указаны английский и китайский языки. Карточка также обозначает модель как uncensored и abliterated, однако подробности соответствующей настройки и результаты оценки не приведены. Модель предназначена для локального запуска через llama.cpp в CLI или серверном режиме. В README приведён пример запуска с контекстом 2048 токенов, но точный максимальный контекст модели не указан. Данные о мультимодальных возможностях, производительности, системных требованиях, качестве рассуждений и ограничениях отсутствуют; тег image-text-to-text сам по себе не позволяет подтвердить полноценную поддержку изображений. Для модели указана лицензия Apache-2.0.

Sapiens2-5B-Body-Part — модель Meta для попиксельной сегментации частей человеческого тела на изображениях. Она выделяет 29 классов: 28 частей тела и фон. Модель построена на Vision Transformer Sapiens2 с предобученным backbone facebook/sapiens2-pretrain-5b и специализированной головой сегментации; в репозитории указано 5,3 млрд параметров, формат весов — safetensors. Модель предназначена для анализа изображений с людьми и исследований в области человекоцентричного компьютерного зрения. Лицензия указана как Sapiens2 License, а в метаданных Hugging Face — как other; перед использованием следует ознакомиться с условиями лицензии проекта.

Simon-Kotchou/ssast-small-patch-audioset-16-16 — модель Self-Supervised Audio Spectrogram Transformer (SSAST) для анализа аудио, основанная на архитектуре Vision Transformer, применённой к спектрограммам. Модель предобучена на AudioSet и LibriSpeech; в репозитории указано 28,3 млн параметров. Классификационная голова не обучена, поэтому перед классификацией её необходимо дообучить на целевой задаче. Модель предназначена для построения систем классификации аудио после настройки классификационной головы. Она принимает аудио, преобразованное в спектрограмму, и выдаёт классовые оценки. Для работы используется Transformers; веса опубликованы в формате safetensors. Лицензия — BSD 3-Clause.

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.

StarVector-8B-im2svg — мультимодальная модель ServiceNow Research, Mila — Quebec AI Institute и ÉTS Montréal для генерации SVG-кода по изображению или текстовому запросу. Архитектура объединяет визуальный энкодер на основе Vision Transformer, адаптер и языковую модель; размер модели — 11,1 млрд параметров. Входные изображения преобразуются в визуальные токены, а текст обрабатывается языковой частью модели. Модель предназначена для векторизации иконок, логотипов и технических диаграмм, а также для создания векторной графики по текстовому описанию. В карточке заявлены английский язык и обучение на наборе SVG-Stack; результаты оценивались на SVG-Bench. Модель не рассчитана на фотографии, сложные иллюстрации и 3D-графику, а качество зависит от типа входного изображения и точности запроса. Лицензия — Apache 2.0.

SwinV2 CR Small NS 224 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Это независимая реализация Swin Transformer V2, созданная Кристофом Райхом и Россом Уайтманом до выхода официального кода; веса предварительно обучены Россом Уайтманом на ImageNet-1k. Модель содержит около 49,7 млн параметров и рассчитана на изображения размером 224 × 224. Архитектура использует иерархический Swin Transformer V2; вариант NS применяет LayerNorm в конце каждого этапа. Модель также подходит для получения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Она предназначена для обработки изображений и не описана как мультимодальная; качество на задачах и наборах данных, отличных от ImageNet-1k, отдельно не характеризуется.

Карточка модели SYNAPSEai1/SynapseMusicV12-Base 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.

usyd-community/vitpose-base — модель оценки позы человека на изображениях, основанная на архитектуре ViTPose. Её разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао; версию для Transformers перенесли Сангбум Чой и Нильс Рогге. Модель использует обычный Vision Transformer для извлечения признаков изображения и лёгкий декодер для предсказания ключевых точек тела. Модель предназначена для определения координат суставов человека на изображении и может служить компонентом систем анализа движений, фитнес-приложений и анимации. В карточке описаны результаты семейства ViTPose на MS COCO, но конкретная метрика этой версии не приведена. Обучение семейства проводилось на MS COCO, AI Challenger, MPII и CrowdPose; OCHuman использовался для оценки устойчивости к перекрытиям. Модель принимает изображения и выдаёт координаты ключевых точек тела. Карточка отмечает, что дальнейшее улучшение возможно за счёт более сложных декодеров и структур FPN; результаты при сильных перекрытиях и перенос на другие наборы данных могут зависеть от условий применения. Лицензия модели — Apache-2.0.