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

llama-3-fantasy-writer-8b-GGUF — это набор GGUF-квантизаций модели llama-3-fantasy-writer-8b, разработанной maldv и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прежде всего для написания фантастики и творческих литературных материалов. В README указан формат промпта на основе шаблона Llama 3 с ролями system, user и assistant. Модель имеет 8 миллиардов параметров и относится к текстовым autoregressive-моделям; поддерживаемая модальность — текст. Сведения о языках и размере контекстного окна в README не указаны. Доступно множество вариантов квантования от Q8_0 и Q8_0_L до Q2_K и IQ2_M, что позволяет выбирать между качеством генерации и требованиями к памяти. Варианты Q6_K и Q5_K отмечены как высококачественные и рекомендуемые, а низкобитные варианты требуют меньше памяти, но дают более низкое качество. Модель подходит для локального запуска через совместимые инструменты, включая llama.cpp. Ограничения связаны с компромиссом между качеством и размером конкретной квантизации, а также с отсутствием в README данных о результатах тестирования, языковой поддержке и контекстном окне. Распространение указано по лицензии CC BY-NC 4.0, допускающей использование с обязательным указанием авторства и ограничивающей коммерческое применение.

CjangCjengh разработал LN-Korean-14B-v0.1 на основе Qwen1.5-14B-Chat, дообучив модель на данных переводов корейских ранобэ. Обучающая подборка включает корейско-китайские переводы 454 японских ранобэ и переводы с корейского на китайский для 14 корейских ранобэ. Модель предназначена для перевода художественного текста с корейского языка на упрощённый китайский. Это плотная языковая модель семейства Qwen2 с 13,4 млрд параметров, поддерживает генерацию текста и чатовый формат; максимальный контекст составляет 32 768 токенов. В метаданных также указаны корейский и китайский языки. Модель опубликована под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README заявляет поддержку только перевода с корейского на упрощённый китайский; качество на других жанрах и типах текстов не подтверждено.

DanVP разработал Moxhi MT 30 zh-vi — компактную модель машинного перевода с архитектурой Marian seq2seq: 8 слоёв энкодера и 2 слоя декодера, около 37 млн параметров. Она переводит китайский текст на вьетнамский; модель обучена с нуля на параллельном корпусе художественных текстов, включая веб-романы, сянься и уся, историческую, современную и научно-фантастическую прозу. Для идиом и классической китайской грамматики использовались дополнительные обучающие данные, затем проведён лёгкий этап preference tuning. Модель рассчитана на быстрый локальный или серверный перевод, когда важны небольшой размер и скорость. README рекомендует beam search с num_beams=4 и ограничением длины 512 токенов; метаданные указывают нативный контекст 512 токенов. Для ускорения CPU доступен экспорт CTranslate2 INT8. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение. Автор обозначает выпуск как экспериментальный. Сложности возможны с редкими именами собственными и узкоспециализированной терминологией вне обучающих доменов; результаты для публикаций следует проверять. Для производственного перевода README рекомендует использовать проверенный глоссарий и дополнительные правила контроля.

Карточка модели aomujohn/nsfw-image-detection-384 на Hugging Face совпадает с карточкой Marqo/nsfw-image-detection-384, поэтому описание составлено по ней. Marqo/nsfw-image-detection-384 — компактная модель классификации изображений от Marqo, предназначенная для выявления материалов NSFW. Она принимает изображения размером 384×384 пикселя и использует патчи 16×16 пикселей. По заявлению разработчика, модель примерно в 18–20 раз меньше других открытых моделей такого назначения и достигла точности 98,56% на собственной тестовой выборке. Модель обучена на проприетарном наборе из 220 тысяч изображений: по 100 тысяч примеров NSFW и SFW для обучения и по 10 тысяч каждого класса для тестирования. Данные включают фотографии, рисунки, мемы и изображения, созданные ИИ. Порог вероятности NSFW можно настраивать, балансируя точность и полноту. Модель распространяется по лицензии Apache-2.0.

Flova/omr_transformer — модель оптического распознавания музыкальной нотации, разработанная на основе Donut. Она принимает изображение нотной записи и преобразует его в простые ноты в формате LilyPond. Обучающие примеры включали искусственные изображения, рукописные записи и изображения с досок. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате PyTorch. Карточка описывает англоязычную версию; для использования требуется библиотека Transformers. Лицензия — Apache-2.0.

KiaBush/Persian-IPA-to-Speech-F5 — чекпойнт синтеза персидской речи, созданный дообучением F5-TTS v1 Base. Модель принимает последовательности IPA в Unicode, а не обычное персидское написание, и генерирует монофоническую речь с частотой 24 кГц. Архитектура основана на DiT с 22 слоями, размерностью 1024 и 16 головами внимания; для вокодирования используется Vocos. Веса EMA доступны в формате Safetensors, а для токенизации применяется собственный словарь из 2547 символов. Модель предназначена для синтеза речи по персидской фонетической транскрипции и поддерживает обусловливание по референсному аудио. Для обычного персидского текста README рекомендует сначала преобразовать его в IPA отдельной моделью Persian Text-to-IPA, затем передать транскрипцию в синтезатор. Качество зависит от точности IPA, корректности транскрипции референса и качества записи; для имён, чисел, сокращений и контекстных произношений рекомендуется проверять транскрипцию. Выпуск весов распространяется по лицензии CC BY-NC 4.0; право использовать голос референсной записи необходимо получать отдельно.

DavidAU/Psyonic-Cetacean-Ultra-Quality-20b-GGUF-imat-plus2 — это текстовая генеративная модель для творческого письма, создания художественной прозы, диалогов и ролевого взаимодействия. Она представляет собой высококачественный ремастер модели Psyonic-Cetacean 20B, первоначально созданной Jeb Carter. Ремастеринг и подготовку GGUF-квантов выполнил DavidAU. Модель имеет около 20 миллиардов параметров и распространяется в формате GGUF, включая варианты с разной степенью квантования и полноточную версию F32 размером около 78 ГБ. В README заявлена обработка на английском языке; поддерживаются текстовые сценарии, а сведения о мультимодальности, архитектуре и размере контекста не приведены. Версия Imatrix Plus 2 использует переработанные слияния и специальный датасет для снижения потерь качества при квантовании. Автор заявляет улучшения следования инструкциям, качества прозы, нюансов и глубины, а также более низкую perplexity по сравнению с исходными квантованными версиями. Модель ориентирована прежде всего на локальный запуск в KoboldCpp, text-generation-webui и SillyTavern, особенно для чата и roleplay. Для оптимальной работы рекомендуются настройки сглаживания; конкретные параметры зависят от используемого интерфейса. К ограничениям относятся значительные требования к дисковому пространству и вычислительным ресурсам, особенно для F32, а также отсутствие в README данных о контекстном окне, скорости, системных требованиях и независимых результатах тестирования. Лицензия — Apache-2.0.

QVQ-72B-Preview — экспериментальная модель команды Qwen, дообученная на базе Qwen2-VL-72B для усиления визуального рассуждения. Она принимает текст и изображения и формирует текстовые ответы; предназначена для диалога по изображениям, решения визуальных математических задач и ответов на вопросы, требующие анализа содержимого изображения. Поддерживает английский язык, имеет 71,5 млрд параметров и контекст длиной до 128 000 токенов. В README приведены результаты на мультимодальных тестах MMMU, MathVista и MathVision. Модель рассчитана на диалоги с одним ходом и не поддерживает видеовход. Среди ограничений — возможные переключения между языками, зацикливание рассуждений и галлюцинации при многошаговом анализе изображения; в простом распознавании объектов заметного преимущества перед базовой моделью не заявлено. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

RP-Stew-v4.0-34B — экспериментальная слитая модель для генерации текста и ролевых диалогов. Её собрал автор ParasiticRogue; архитектура — плотная Llama, около 33,9 млрд параметров. В README модель описана как тестовое слияние, призванное расширить возможности Stew; автор отмечает обнадёживающие результаты кратких тестов по сравнению с v3. Рекомендуемый формат общения — Chat-Vicuna-1.1. В слияние вошли Bagel-dpo-34b-v0.5, Nous-Capybara-34B-V1.9, Nyakura-CausalLM-RP-34B, Tess-2.0-Yi-34B-200K и Toxic-PiVoT-RP-34B. Метаданные указывают контекст до 200 000 токенов и формат Safetensors. Лицензия — Apache-2.0. README сообщает, что для этой версии пока требуется включить trust_remote_code; качество автор оценивал лишь в кратких тестах, поэтому оно не подтверждено широкими испытаниями.

Модель IlyaGusev/rubertconv_toxic_editor — русскоязычная модель разметки токенов на основе rubert-base-cased-conversational. Она назначает токенам один из четырёх классов для детоксикации текста: сохранить, заменить маской, удалить или вставить маску перед токеном. Результат используют вместе с отдельной моделью для заполнения масок. Модель предназначена для редактирования токсичных фрагментов и подготовки текста к детоксикации. Архитектура — BERT с классификационной головой для токенов; размер — 205,1 млн параметров, максимальный контекст — 512 токенов. Для обучения использован датасет russe_detox_2022; оценочные результаты в карточке не приведены. Модель принимает текст и выдаёт метки для его токенов. Поддерживаемый язык — русский. Распространяется в формате PyTorch по лицензии Apache-2.0.

SafeWatch-8B — модель-видеофильтр для проверки видеоматериалов на соответствие политикам безопасности. Её разработала Virtue-AI-HUB на основе дообучения мультимодальной диалоговой модели OpenGVLab/InternVL2-8B; веса опубликованы в формате safetensors по лицензии Apache-2.0. Модель принимает видео и инструкции с политиками безопасности, выявляет потенциально небезопасные события и формирует объяснения своих решений. Для анализа видео она выделяет клипы вокруг событий, кодирует выбранные кадры и сопоставляет их с политиками, отбирая наиболее информативные визуальные токены. В метаданных Hugging Face основная задача обозначена как text-generation; в карточке описан анализ видео, но поддерживаемые языки и максимальная длина входного видео не указаны. SafeWatch-8B предназначена для видеомодерации и оценки соответствия заданным правилам; в README упомянуты категории детской безопасности, огнестрельного оружия и происшествий. Ограничения README не описывает, поэтому качество на конкретных типах видео и надёжность объяснений следует оценивать отдельно.

MarsupialAI/SkunkApe-16b — языковая модель, созданная автором MarsupialAI методом rotating-stack merge из трёх дообученных моделей на базе Solar: Sao10K/Fimbulvetr-11B-v2, Sao10K/Solstice-11B-v1 и TheDrummer/Moistral-11B-v1. Это плотная авторегрессионная модель семейства Llama с 15,8 млрд параметров и контекстом 4096 токенов; предпочтительный формат промпта — Alpaca. Модель предназначена для генерации текста и развлекательного общения. Автор описывает модель как uncensored и предупреждает, что она способна генерировать нежелательный контент; при этом модель не заявлена как предназначенная специально для NSFW. Ответы могут содержать фактические ошибки и требуют проверки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор считает более новую версию 14B существенным улучшением и рекомендует её вместо этой модели.

Soubrette-LLaMa-70B — экспериментальное объединение языковых моделей для диалогов и ролевого общения, созданное TareksGraveyard с помощью mergekit. Модель основана на Steelskull/L3.3-MS-Nevoria-70b и объединяет её с EVA-LLaMA-3.33-70B-v0.1, Anubis-70B-v1, Euryale-v2.3, Negative_LLAMA_70B и Cirrus-x1 методом SCE. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM, примерно 69,5 млрд параметров и контекстом до 131 072 токенов. Она принимает текст и генерирует текст; репозиторий использует формат safetensors и библиотеку Transformers. README описывает работу как эксперимент по объединению моделей для ролевого общения, а метаданные указывают диалоговые возможности. Модель может подойти для ролевых диалогов и свободной генерации текста, однако её качество и поведение в конкретных сценариях не подтверждены оценками в карточке. Лицензия — Llama 3.3; применяйте модель в соответствии с её условиями.

Карточка модели Simon-Kotchou/ssast-base-patch-audioset-16-16 на Hugging Face совпадает с карточкой Simon-Kotchou/ssast-small-patch-audioset-16-16, поэтому описание составлено по ней. 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.

Stellar Odyssey 12b v0.0 — экспериментальное объединение языковых моделей, созданное автором карточки с помощью mergekit. В основу merge вошли mistralai/Mistral-Nemo-Base-2407, Sao10K/MN-12B-Lyra-v4, nothingiisreal/MN-12B-Starcannon-v2 и Gryphe/Pantheon-RP-1.5-12b-Nemo; применён метод della_linear. Архитектура — плотная MistralForCausalLM, размер — 12,1 млрд параметров. Модель предназначена для генерации текста в диалоговом формате ChatML и сценариев ролевого общения. В метаданных указан контекст до 1 024 000 токенов. Модель доступна в формате safetensors и использует библиотеку Transformers. Карточка описывает её как результат повторной попытки слияния, а доступ был ограничен на время тестирования, поэтому практическое качество и стабильность не подтверждены. Лицензия — CC BY-NC 4.0, с ограничением на коммерческое использование.

Sto'Vo'Kor 12B — экспериментальная разговорная модель ToastyPigeon, созданная дообучением Mistral Nemo Instruct 2407 на частной коллекции примерно из 30 млн токенов инструкций и многоходовых ролевых диалогов. Она предназначена для генерации текста, общения по инструкциям и ролевых бесед; поддерживает шаблон инструкций V3-Tekken и формат чата, рассчитанный на устойчивую обработку перепутанных ходов диалога. Модель имеет плотную архитектуру MistralForCausalLM и около 12,1 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Языки обучения или приоритетные языки в карточке не обозначены. Модель распространяется под лицензией Apache-2.0. Автор характеризует её как эксперимент и рекомендует использовать настройки семплирования, подходящие для Nemo; качество и поведение могут зависеть от сценария и параметров генерации.

Swin Transformer v2 Small — модель компьютерного зрения, разработанная авторами Swin Transformer и представленная в статье Liu и коллег. Это иерархический Vision Transformer с локальным оконным вниманием и объединением патчей между слоями. Модель содержит около 33 млн параметров и предварительно обучена на ImageNet-1k для классификации изображений с разрешением 256×256. Модель предназначена для отнесения изображения к одному из классов ImageNet-1k. Иерархические признаки также позволяют использовать архитектуру Swin Transformer как основу для задач распознавания с плотной разметкой после соответствующей адаптации или дообучения. Версия v2 применяет нормализацию после остаточных связей, косинусное внимание и непрерывное позиционное смещение, что улучшает стабильность обучения и перенос на другие разрешения. Для работы с этой моделью нужны изображения; результат классификации — метки классов. Она не является готовой моделью для других задач без подходящей адаптации. Распространяется по лицензии Apache-2.0.

Van-base — модель Visual Attention Network для классификации изображений, обученная на ImageNet-1k. Архитектура использует слой внимания на основе свёрток: обычные и крупные ядра, включая дилатированные свёртки, помогают учитывать локальные признаки и дальние зависимости на изображении. Модель предназначена для отнесения изображения к категориям ImageNet-1k и может служить основой для дальнейшей настройки под другие задачи компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не приводит размер модели и длину контекста.

litert-community/vgg11 — модель классификации изображений VGG11, основанная на предобученных весах PyTorch Vision для ImageNet-1k. Архитектуру VGG разработали Карен Симонян и Эндрю Зиссерман; эта конфигурация включает восемь сверточных слоёв и три полносвязных слоя с фильтрами 3 × 3. Репозиторий содержит конвертированную версию в формате TensorFlow Lite (TFLite). Модель предназначена для отнесения изображения к одному из классов ImageNet-1k. По приведённым результатам исходная модель достигает точности top-1 69,02% и top-5 88,628% на ImageNet-1k. Веса содержат около 133 млн параметров. Карточка предупреждает, что условия использования могут зависеть от лицензий PyTorch Vision и обучающего набора данных; перед применением необходимо проверить права для конкретного сценария. Результаты на ImageNet-1k не гарантируют качество на иных наборах данных или в специализированных областях.

Это модель Vision Transformer для классификации изображений, разработанная в экосистеме timm. Вариант архитектуры использует позиционные кодировки RoPE, регистровые токены и глобальное усреднение признаков; модель содержит около 38,7 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель обучена на ImageNet-1k и предназначена для отнесения изображений к классам этого набора данных. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. В README приведены сравнительные результаты близких вариантов архитектуры, но не отдельные метрики именно этой модели. Для работы нужны входные изображения; основной результат — метки классов, а извлечение признаков и эмбеддингов доступно как вспомогательный сценарий. Модель распространяется по лицензии MIT.

usyd-community/vitpose-base-simple — версия модели ViTPose, размещённая сообществом USYD; исходную архитектуру разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао, а перенос в Transformers выполнили Сангбум Чхве и Нильс Рогге. Модель предназначена для оценки позы человека по изображениям: она определяет координаты ключевых точек тела. Архитектура использует обычный плоский Vision Transformer в качестве backbone и лёгкий декодер для оценки позы. В карточке описаны результаты семейства ViTPose на MS COCO, но точный размер этой версии не приведён. Модель подходит для анализа поз на изображениях, в том числе как этап обработки видеокадров, а также для приложений фитнеса, наблюдения и анимации. В описании отмечены простота, масштабируемость и переносимость подхода; качество зависит от набора данных и условий съёмки. Карточка указывает, что модель обучалась на COCO, AI Challenger, MPII и CrowdPose, а оценивалась также на OCHuman. Лицензия — Apache-2.0. Модель принимает изображения и выдаёт координаты ключевых точек тела; обработка целого видео требует отдельного прохода по кадрам.

ViTPose+ Base — модель компьютерного зрения для оценки позы человека по изображению. Архитектура использует обычный Vision Transformer для извлечения признаков и лёгкий декодер для предсказания ключевых точек тела. Разработана Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao; версия на Hugging Face перенесена Sangbum Choi и Niels Rogge. Модель представлена в формате Safetensors и доступна через Transformers. Модель предназначена для определения координат суставов и других ключевых точек человека, например для анализа позы на фотографиях и кадрах видео. Карточка сообщает о результатах семейства ViTPose на наборах MS COCO, включая до 81,1 AP, но не приводит отдельной оценки именно этой версии Base. Для работы с видео кадры нужно обрабатывать отдельно; распознавание действий описано как последующая задача на основе поз, а не как непосредственный выход модели. Модель обучалась и оценивалась на нескольких наборах данных позы человека, включая MS COCO, AI Challenger, MPII и CrowdPose; OCHuman использовался для оценки окклюзий. Ограничения включают зависимость качества от данных и условий съёмки, а также возможность дальнейшего улучшения архитектуры декодера. Лицензия модели — Apache-2.0.

Yo-ByT5 — модель Ахмада Самуэля Гали для восстановления диакритических знаков в тексте на языке йоруба. Она дообучена на базе байтовой модели google/byt5-small архитектуры T5 и содержит 364,6 млн параметров. Модель принимает текст без диакритики и восстанавливает тоновые знаки и подточки, включая ẹ, ọ и ṣ. Модель предназначена для автоматической нормализации йоруба: например, для подготовки текстов, где знаки были утрачены при вводе или обработке. В тесте YAD на 3330 предложениях автор сообщает общий уровень ошибок восстановления 10,00% при жадном декодировании на исправленной версии эталона. Лицензия модели — Apache 2.0. Для обработки рекомендуется нормализация Unicode NFC. Входы длиннее 1024 байт следует разбивать на части по границам предложений или клауз. Обучающие данные включают MENYO-20k и текст современной Библии на йоруба; для этих данных указаны лицензии CC BY-NC 4.0 и CC BY-SA соответственно.

Young-Children-Storyteller-Mistral-7B — дообученная ajibawa-2023 версия Mistral-7B-v0.1, созданная для генерации историй и образовательных рассказов для детей 6–12 лет. Модель обучалась на наборе Children-Stories-Collection, включающем более 0,9 млн историй; для диалогов используется формат ChatML. Модель предназначена для создания детских сказок, приключений и рассказов, в том числе с интерактивными сюжетами и познавательными элементами. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В метаданных указан английский язык. Модель принимает текстовые запросы и генерирует текст. В README указано, что это версия qLoRA; лицензия репозитория — Apache-2.0. Качество и соответствие текста возрасту могут зависеть от запроса и генерации модели, поэтому результаты для детей требуют проверки взрослым.

10Eros Max H3 Transformer — производная модель на базе MiniMaxAI/MiniMax-H3, опубликованная ibyteohdear в формате Diffusers и файлах safetensors. Это доработанный чекпойнт для генерации видео по тексту и изображению; автор описывает его как модель с возможностью создавать контент для взрослых, сохраняя функции базовой модели. Версия beta_5 собрана из концептуальных grafts и consensus merges, а вариант TURBO включает гибридное turbo-слияние, которое, по словам автора, экономит 4,2 ГБ памяти при загрузке. Модель рассчитана на генерацию видео с настройкой через промпты и сэмплеры; README приводит несколько рабочих сочетаний сэмплера и числа шагов, а также отмечает, что нетурбо-вариант обычно лучше сохраняет аудио. Указана архитектурная основа MiniMax-H3 и pruned checkpoint с AdaLN rank-8. Для загрузки автор рекомендует AutoModel из Diffusers с trust_remote_code=True. Автор называет beta_3 и beta_4 повреждёнными тестовыми версиями и указывает beta_5 как функциональную. Проект обозначен как развивающийся и зависит от исправлений обучения H3. Лицензия указана как other; README ссылается на community license MiniMax-H3 и на лицензии исходных моделей LTX 2.3, Wan 2.2 и Krea 2 для перенесённых характеристик. Модель предназначена для контента для взрослых, поэтому не относится к категории general.

AURA — дообученная мультимодальная модель команды AuraTeam на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для непрерывного понимания видеопотоков в реальном времени и голосового взаимодействия. Модель опубликована в формате Safetensors и использует архитектуру Qwen3-VL; для базовой модели заявлены анализ изображений и видео, OCR и визуальное рассуждение. Репозиторий распространяется по лицензии Apache-2.0. AURA подходит для систем видеонаблюдения и интерактивных помощников, которым нужно отвечать на вопросы о текущем видеопотоке. Карточка описывает систему как мультимодальную и поддерживающую речевое взаимодействие, но не уточняет параметры аудиовхода и аудиовыхода, языки, длину контекста и качество распознавания или генерации речи.

tue-mps/coco_instance_eomt_large_640 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для высококачественной и эффективной сегментации. Архитектура основана на Vision Transformer и использует подход без специализированного декодера сегментации или модулей слияния признаков по пикселям. Веса содержат около 402,7 млн параметров; модель опубликована в форматах PyTorch и Safetensors и предназначена для сегментации экземпляров объектов на изображениях COCO. Семейство EoMT также поддерживает семантическую и паноптическую сегментацию с постобработкой, но для этой модели в метаданных подтверждена задача сегментации изображений, а README показывает сценарий сегментации экземпляров. Модель опубликована 26 марта 2025 года и распространяется по лицензии MIT. README не приводит измерений качества, требований к ресурсам или подробностей об ограничениях применения.

Карточка модели Aryan1245678/DecodeX-detectionEngine на Hugging Face совпадает с карточкой Hemgg/Deepfake-audio-detection, поэтому описание составлено по ней. Hemgg/Deepfake-audio-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-base на датасете audiofolder. Она предназначена для обнаружения дипфейкового аудио и различения поддельных и подлинных записей речи. Архитектура Wav2Vec2ForSequenceClassification содержит 113,3 млн параметров; модель принимает аудио с частотой дискретизации около 16 кГц. В README приведены точность 0,9545 и loss 0,2288 на оценочном наборе. Обучающие данные описаны как англоязычный набор речи с участниками разных этнических групп. Автор отмечает, что для повышения точности модели требуется расширение датасета. Модель распространяется по лицензии Apache-2.0.

Карточка модели jozhang97/deta-resnet-50 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.

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.