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

MohamedRashad/diffusion_fashion — модель генерации изображений на основе Stable Diffusion, дообученная на базе openjourney для создания изображений модной одежды и товаров. Она предназначена для генерации изображений по текстовым запросам, связанным с одеждой и fashion-продукцией, и распространяется в формате Diffusers с весами safetensors. Модель принимает текстовые описания и генерирует изображения; для запуска в README показан StableDiffusionPipeline из библиотеки diffusers с использованием CUDA и float16. Карточка указывает лицензию OpenRAIL. Качество и надёжность генерации для запросов вне модной тематики в карточке не охарактеризованы.

flammen18X-mistral-7B — текстовая генеративная модель на архитектуре Mistral, разработанная FlammenAI как дообучение flammenai/flammen18-mistral-7B. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена для ролевых диалогов с персонажами, творческого письма и генерации текста общего назначения. Дообучение выполнено методом Direct Preference Optimization на датасете ResplendentAI/NSFW_RP_Format_DPO; README также указывает использование LoRA и обучение на A100 в Google Colab. Модель распространяется в формате safetensors по лицензии Apache-2.0. По тематике датасета и тегам Hugging Face она рассчитана в том числе на контент для взрослых.

DavidAU представил Gemma 3 1B IT Heretic Extreme Uncensored Abliterated — экспериментально обработанную версию Gemma 3 1B IT, созданную методом abliterating с помощью Heretic v1.0.1 для снижения частоты отказов. Это плотная авторегрессионная языковая модель на 1 млрд параметров для диалогов и генерации текста; она принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. Автор сообщает о 3 отказах из 100 запросов против 99 из 100 у исходной модели и KL-дивергенции 0,33. Модель предназначена для диалогов и генерации контента с меньшим числом отказов, включая ролевые сценарии; для откровенного или грубого стиля иногда требуется явно задать лексику и уровень детализации. Эти показатели приведены автором и не описывают качество на других задачах. Карточка не указывает лицензию, поэтому условия использования следует сверить с репозиторием базовой модели Google Gemma 3 1B IT.

Модель bookbot/gpt2-indo-medium-kids-stories разработана Уилсоном Вонгсо на основе предварительно обученной GPT-2 Medium для индонезийского языка. Это причинная языковая модель GPT-2 с 345 млн параметров, дообученная на детских историях из Room to Read и Let's Read. Она генерирует продолжение текста на индонезийском языке; например, может сочинять или продолжать детские рассказы по заданному началу. Для обучения использовались Transformers Trainer и PyTorch. Контекст модели — до 1024 токенов. На отложенной части обучающей выборки указаны значение функции потерь 3,579 и perplexity 35,84. Модель распространяется по лицензии MIT. В результатах могут проявляться смещения исходной GPT-2 и набора детских историй.

IMSyPP/hate_speech_nl — одноязычная модель классификации публикаций в социальных сетях на нидерландском языке. Она разработана на основе предварительно обученной языковой модели BERTje и дообучена для отнесения текста к одному из четырёх классов: приемлемый, неподобающий, оскорбительный или содержащий насилие. Модель обучали на 20 000 публикациях YouTube, Twitter и Facebook и проверяли на отдельной выборке из 2 000 публикаций. Модель использует архитектуру BERT для классификации последовательностей, принимает текст и выдаёт метку класса. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Для обработки текста рекомендуется токенизатор BERTje. Модель подходит для модерации нидерландоязычного контента в социальных сетях. Лицензия — MIT.

Horus Hiero Mini 4B — мультиязычная модель TokenAI на архитектуре Qwen3.5, предназначенная для понимания и перевода древнеегипетских иероглифов на современные языки. Она также поддерживает многоязычный диалог и заявлена для работы со 150 языками. По карточке, модель содержит около 4 млрд параметров; метаданные указывают 3,4 млрд и контекст до 524 288 токенов. Основной формат репозитория — Safetensors; для локального развёртывания также описаны варианты GGUF с разной квантизацией. Модель принимает текст, изображения и видео и выдаёт текст. Заявленный контекст позволяет работать с длинными материалами, а специализированное назначение делает её подходящей для перевода и изучения иероглифических текстов. Карточка приводит результаты нескольких бенчмарков, но не описывает методику их получения. Лицензия в предоставленных данных не указана.

Это портированная в Transformers модель S3PRL на базе HuBERT для идентификации говорящего в аудиозаписях. Она классифицирует каждое высказывание по личности говорящего из заранее заданного набора; в задаче SUPERB использовался набор VoxCeleb1. Модель содержит 113,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц. Модель предназначена для классификации речевых фрагментов по личности говорящего, например, в системах анализа записей или при оценке качества распознавания говорящего. Для модели приведена точность 0,8071 в реализации Transformers и 0,8142 в S3PRL на тесте. Это результаты конкретной постановки SUPERB и набора VoxCeleb1; они не гарантируют качество на других наборах данных и при неизвестном модели наборе говорящих. Лицензия — Apache-2.0.

Genetic Lemonade Final v2 — диалоговая модель zerofata для ролевых сценариев и творческого письма. Это плотная причинная языковая модель семейства Llama с 69,5 млрд параметров; в репозитории используются веса Safetensors, а для работы указана библиотека Transformers. Модель дообучена методом SFT с QLoRA на базе zerofata/L3.3-GeneticLemonade-Final-70B. Контекстное окно составляет 131 072 токена. Модель рассчитана на ролевые диалоги, в том числе с персонажами аниме, и на создание повествовательных ответов с активным развитием сцены и последовательным изображением персонажей. В карточке описана как uncensored-модель для RP и ERP; также обучалась на примерах творческого письма и инструкций, а ещё на кратких пересказах страниц аниме-фэндомов. Автор отмечает снижение позитивного уклона и более приятный стиль по сравнению с Unleashed v3. По оценке автора, модель может чаще допускать логические ошибки и иногда отвечать слишком кратко. Лицензия — Llama 3. Использование и распространение следует сверять с её условиями.

DavidAU выпустил версию Llama 3.2 3B Instruct, обработанную методом Heretic для снижения частоты отказов. Это плотная авторегрессионная языковая модель семейства Llama с 3,2 млрд параметров, предназначенная для диалогов и генерации текста; она принимает текст и выдаёт текст. В карточке заявлены контекст до 128 тыс. токенов и результаты проверки: 12 отказов из 100 запросов при низком KL-дивергенте 0,09. README отмечает, что для получения откровенного или грубого контента иногда нужны более прямые инструкции.

nruigrok/local_politics — дообученная модель классификации текста на базе GroNLP/bert-base-dutch-cased. Это BERT для последовательной классификации с 136,3 млн параметров и контекстом до 512 токенов. По названию репозитория модель предназначена для классификации текстов о местной политике; README сообщает F1 0,9017 и loss 0,4758 на тестовой выборке, но не описывает классы и набор данных. Лицензия в доступных сведениях не указана.

Карточка модели MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q8, поэтому описание составлено по ней. Это 8-битная MLX-версия LTX-2.3 10Eros v1.3 DMD, подготовленная для запуска на компьютерах Apple Silicon. Веса основаны на TenStrip/LTX2.3-10Eros; DMD-дистилляция JoyAI Echo объединена с базовой моделью, а линейные слои трансформера квантованы до int8. Модель принимает текстовые описания и изображения для генерации видео; текстовый энкодер Gemma 3 12B загружается отдельно и не входит в пакет. Модель предназначена для генерации видео по текстовому запросу и изображению с помощью ltx-2-mlx. Это дистиллированная сборка, рассчитанная на режим --distilled; варианты запуска, которым нужен dev-трансформер, здесь недоступны. Модель ориентирована на контент для взрослых. В README указана лицензия «other»; дополнительных условий лицензии в предоставленных данных нет.

Mask2Former-Swin-Small — модель компьютерного зрения семейства Mask2Former, выпущенная в репозитории Facebook и обученная на COCO для сегментации объектов. Это компактная версия с backbone Swin; модель предсказывает маски и соответствующие им классы объектов на изображении. Этот чекпойнт предназначен для instance segmentation: выделения отдельных объектов и определения их классов. Архитектура Mask2Former использует многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с masked attention. Семейство Mask2Former также поддерживает семантическую и паноптическую сегментацию, но данный чекпойнт предназначен для сегментации экземпляров. Модель принимает изображения и выдаёт маски сегментации с метками классов. Она обучена на COCO, поэтому её назначение ограничено задачами распознавания объектов, представленными в этом наборе данных. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

ggapar/Ministral-DFK-CPT-TRIAL — дообученная модель на архитектуре Mistral3 для четырёхклассовой классификации контента на индонезийском языке. Она предназначена для выявления дезинформации, клеветы и языка ненависти, а также нейтрального фактического содержания и обычного общения. Обучение выполнено методом QLoRA 4-bit с LoRA-адаптером ранга 16 и alpha 32 на датасете Brodip/DatasetSFT_DFK_TRL; использован нативный шаблон чата Ministral и длина последовательности до 2048 токенов. Модель принимает текст и определяет категорию DFK, помогая анализировать индонезийские публикации и высказывания. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Качество классификации и ограничения применения в README не описаны.

Mistral-Heretica-12B-GGUF — набор GGUF-квантизаций модели Mistral-Heretica-12B, разработанный AnkitAI. Исходная модель создана mrcuddle как Task Arithmetic-слияние Mistral-Nemo-Instruct-2407, Lumimaid-v0.2-12B и absolute-heresy. Модель предназначена прежде всего для неконтентно-ограниченного ролевого взаимодействия и творческого письма, а также для локальной генерации текста через llama.cpp и совместимые интерфейсы, включая LM Studio, Ollama, KoboldCpp и SillyTavern. Модель содержит 12 млрд параметров и использует архитектуру Mistral. Доступны варианты квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 7 до 12 ГБ; Q4_K_M рекомендован как сбалансированный вариант. Основной формат инструкций — Mistral Instruct, также может работать ChatML. Заявлен английский язык. Обученный контекст базовой Mistral-Nemo достигает 128k токенов, но для этой модели надёжным считается контекст до 16k, поскольку при большей длине качество снижается. Сильные стороны модели — локальный запуск, хорошее соотношение качества и размера в квантизированных вариантах, а также ориентация на ролевые сценарии и креативную прозу. Модель чувствительна к температуре: слишком высокие значения могут приводить к несвязным ответам, поэтому рекомендуется умеренная температура 0,5–0,7. Лицензия базовой модели явно не указана; поскольку в составе есть Lumimaid-v0.2-12B с лицензией CC-BY-NC-4.0, модель следует считать предназначенной для некоммерческого использования, пока условия не будут дополнительно проверены у авторов исходных компонентов.

Undi95/Mistral-RP-0.1-7B — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса fp16; в карточке указаны формат safetensors и лицензия CC BY-NC 4.0. Модель предназначена для генерации текста по инструкциям и ролевых диалогов; README приводит шаблон Alpaca и настройки LimaRP v3 для использования в SillyTavern. В качестве компонентов при создании названы Mistral-7B-v0.1, Synthia-7B-v1.3 и LoRA Mistral-7B-small_pippa_limaRP-v3-lora. Карточка помечает модель как NSFW, поэтому она рассчитана в том числе на взрослые сценарии. Модель принимает текст и генерирует текст. README не приводит результаты оценки качества; применимость зависит от промпта и настроек генерации. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Odette-26B-A4B-QAT-Voice — голосовой дельта-адаптер для Google Gemma 4 26B A4B Instruct с QAT-весами. Он объединяет три стилистических компонента: Dark Scarlett, MeroMero и Pantheon Reasoning. Модель предназначена для текстовых диалогов и творческого письма с заданной манерой общения; её накладывают на совместимую GGUF-модель, а не обучают заново. Адаптер рассчитан прежде всего на GGUF-сборки Gemma 4 26B A4B, созданные из контрольной точки QAT `google/gemma-4-26B-A4B-it-qat-q4_0-unquantized`. README указывает размер дельты около 1,5 ГБ и форму тензора [262144, 2816]. Метаданные задают основной язык карточки как английский и задачу text-generation. Для применения требуется совместимая базовая модель и инструмент voice; в описании также отмечена совместимость с некоторыми стандартными и модифицированными сборками, но точное соответствие обеспечивается для QAT-варианта. Указана лицензия Apache-2.0, однако README сообщает, что условия использования донорских компонентов Scarlett ограничивают личное применение и требуют совершеннолетия; также следует учитывать условия Gemma. Поэтому перед распространением адаптированной модели нужно проверить условия всех исходных компонентов. Адаптер не является самостоятельной моделью и предназначен для текстовой генерации, а не для синтеза звука.

Карточка модели CompassioninMachineLearning/Olmo-3-7b-final-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Olmo7b-urban-olmo-20260920-full-CPT-final-step-1500, поэтому описание составлено по ней. BrandonHowe разработал Olmo7b-urban-olmo-20260920-full-CPT-final-step-1500 как дообученную модель генерации текста на базе allenai/Olmo-3-1025-7B. Это плотная языковая модель архитектуры OLMo 3 примерно с 6,9 млрд параметров, рассчитанная на контекст до 65 536 токенов. Модель обучали продолжать предобучение на наборе CompassioninMachineLearning/urban_12738_cleaned; карточка указывает 10 072 уникальных документа и повторные предъявления части данных. Модель принимает текст и генерирует текст. Её можно применять для генерации и продолжения текстов по городской тематике, однако обучение само по себе не подтверждает улучшения в сочувствии или иных качествах: такие свойства следует оценивать отдельно. Веса сохранены в BF16 в формате safetensors; адаптер для загрузки не требуется. В карточке не указана лицензия.

silencesys/paraphrase-xlm-r-multilingual-v1-fine-tuned-for-medieval-latin — модель Sentence-Transformers на базе XLM-RoBERTa, дообученная для работы с латинскими текстами средневекового периода. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель рассчитана на поиск текстов по смыслу и группировку похожих фрагментов на средневековой латыни. Для использования предусмотрены Sentence-Transformers и Transformers; при работе через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Данные README указывают на обучение с DenoisingAutoEncoderLoss. В карточке и метаданных лицензия не приведена. Оценки качества для средневековой латыни в предоставленных материалах не указаны.

NovaCorp Pervert-Maid-RP3-3.2-1B — объединённая языковая модель, разработанная NovaCorp на основе Novaciano/Eminence_Of_Pervertions-3.2-1B и NovaCorp/RP3-MaidElla-3.2-1B методом Arcee Fusion. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов. Она предназначена для ролевого общения, генерации историй и творческих текстов, а также исследовательского диалога; заявлены прямые, буквальные ответы, редкие автоматические отказы и сниженная склонность к морализаторству. Модель поддерживает диалог на английском и испанском языках и распространяется в формате Safetensors для Transformers. Указанная лицензия — llama3.2. Она может подойти для творческих сценариев, где важны последовательность и гибкость стиля, однако разработчик предупреждает, что её не следует применять в критически важных или строго модерируемых системах. Низкий уровень автоматических отказов и иногда резкий тон требуют контроля поведения при использовании.

tsdocode/phobert-finetune-hatespeech — модель классификации текста на основе PhoBERT, разработанная для выявления оскорбительных и разжигающих ненависть высказываний на вьетнамском языке. Она относит текст к одному из трёх классов: Normal (обычный), OFFENSIVE (оскорбительный) или HATE (ненавистнический). В README указаны наборы данных VLSP2019 и ViHSD, использованные для задачи обнаружения языка ненависти в социальных сетях. Модель построена на архитектуре RoBERTa, содержит 162,4 млн параметров, принимает текст и выдаёт метку класса; длина контекста — 258 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

visolex/phobert-v2-hsd — модель классификации вьетнамского текста, созданная дообучением vinai/phobert-base-v2 на наборе ViHSD. Она относит сообщения к одному из трёх классов: нейтральный текст (CLEAN), оскорбительный или неприемлемый текст (OFFENSIVE) и язык ненависти, включая экстремистские высказывания и серьёзные угрозы (HATE). Модель основана на архитектуре PhoBERT V2, варианте RoBERTa с послоговой токенизацией, и содержит 113,2 млн параметров. Модель предназначена для выявления оскорблений и языка ненависти во вьетнамских комментариях, в том числе при модерации материалов в социальных сетях. ViHSD включает около 10 тысяч таких комментариев. В README приведены результаты на тестовой выборке: accuracy 0,9341 и macro-F1 0,8048. Модель распространяется по лицензии MIT.

PIGReward — модель оценки пользовательских предпочтений для генерации изображений по текстовому описанию. Она основана на Qwen2-VL-7B-Instruct и предназначена для сравнения двух изображений с учётом запроса и контекста визуальных предпочтений пользователя. Модель выдаёт оценки по отдельным критериям, объяснение и выбор предпочтительного изображения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и принимает текст вместе с изображениями. Размер контекста — 32 768 токенов. Она подходит для персонализированного ранжирования результатов text-to-image генерации; лицензия — Apache-2.0.

Qwen3.5-Queen-27B — дообученная автором на Qwen/Qwen3.5-27B разговорная модель для ролевого общения и творческого письма в образе «Queen». По карточке она рассчитана на ролевые сценарии, в том числе мрачное ролевое общение, написание постов и тредов для X, эссеобразных текстов, песен и ответов на творческие запросы. Модель использует семейство Qwen3.5; в репозитории указаны веса safetensors и библиотека Transformers. Карточка также заявляет адаптацию для мобильных устройств и быстрые ответы. Примеры README показывают англоязычные тексты с саркастичной, интеллектуальной и драматичной подачей, а также использование эмодзи и заданного стиля. Автор указывает, что модель предназначена только для английского языка. Метаданные описывают базовую Qwen3.5-27B как мультимодальную, однако карточка производной модели не подтверждает явно сохранение анализа изображений; основной сценарий этой модели — генерация текста. Лицензия — Apache-2.0.

Qwen3-8B-Hivemind-Instruct-Heretic-Abliterated-Uncensored-NEO-Imatrix-GGUF — текстовая генеративная модель для диалогов, ролевых сценариев, творческого письма, создания и продолжения сюжетов, включая научную фантастику, романтику и хоррор. Модель разработана в рамках проекта Nightmedia и DavidAU с использованием Qwen3 и методов Heretic для снижения количества отказов; среди использованных исходных моделей также указаны проекты Gen-Verse и TeichAI, а базовая архитектура связана с семейством Qwen. Модель имеет размер 8B, предназначена для text-generation и распространяется в формате GGUF с NEO Imatrix-квантизациями. В README заявлен контекст до 256k токенов и поддержка английского языка. Приведены результаты на ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и Winogrande, однако методика и условия измерений не уточнены. Заявлены сниженное количество отказов и отсутствие фильтрации, но для получения более эксплицитного стиля иногда требуются дополнительные указания в запросе. Модель ориентирована на пользователей, которым нужны яркая проза, ролевое взаимодействие и генерация контента для взрослых, включая нецензурную лексику и NSFW-тематику. Это одновременно является ограничением для безопасных или модерируемых сценариев: поведение может быть неподходящим для всех аудиторий, а заявленные характеристики и бенчмарки следует воспринимать с учетом отсутствия подробностей о тестировании. Лицензия — Apache-2.0.

Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, дообученная на базе Qwen/Qwen3-8B-Base. Разработчик BrandonHowe выпустил самостоятельную BF16-сборку второго этапа обучения: веса объединены и сохранены в формате safetensors, адаптер для загрузки не требуется. Модель предназначена для генерации текста и диалоговых сценариев. При дообучении использовался набор CompassioninMachineLearning/urban_12738_cleaned: 10 072 отдельных документа с повторными предъявлениями и 200 документов для валидации. Контекст составляет 32 768 токенов; карточка также указывает интерфейс вызова инструментов. Данные обучения сами по себе не подтверждают улучшение способности к состраданию, поэтому это качество следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Tune-A-Video-library/redshift-man-skiing — модель генерации видео по тексту на базе nitrosocke/redshift-diffusion. Она создана с использованием подхода Tune-A-Video: базовую модель диффузии изображений адаптировали для генерации видео и настроили на запрос «a man is skiing». Примеры показывают лыжника в образах известных персонажей и в стиле Redshift, ориентированном на детализированные 3D-рендеры. Модель предназначена для создания коротких тематических видеосцен по текстовым запросам. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

prajdabre/rotary-indictrans2-en-indic-1B — плотная модель условной генерации из семейства RotaryIndicTrans, созданная Праджабре как независимое воспроизведение исследования по развитию возможностей длинного контекста у многоязычных моделей машинного перевода. В модели IndicTrans2 заменены синусоидальные позиционные эмбеддинги на Rotary Positional Embedding, после чего модель дообучена для дополнительного выравнивания; размер — 1 млрд параметров. Модель предназначена прежде всего для перевода с английского на индийские языки на уровне документов и длинных контекстов. Перед генерацией требуется предварительная обработка текстов с помощью IndicTransToolkit и IndicProcessor. Для коротких предложений качество может быть несколько ниже, а для генерации может потребоваться настройка параметров beam search и штрафов. В тестах пример с входом длиной 1457 запускался на одной GPU A100; версия 1B требует значительных вычислительных ресурсов или уменьшения размера beam. Лицензия — MIT.

RinKana/sentence-t5-base-iran-us-news-embedder — дообученная модель Sentence Transformers на базе sentence-transformers/sentence-t5-base, разработанная для создания векторных представлений английских новостных заголовков и текстов об Иране и США. Она кодирует предложения и абзацы в плотные 768-мерные векторы, которые можно сравнивать по косинусному сходству для поиска и сопоставления новостных материалов. Модель использует архитектуру T5EncoderModel; библиотека Sentence Transformers. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов, поэтому для практического использования следует учитывать ограничение в 256 токенов. Модель обучена на 2 057 парах предложений и абзацев с использованием MultipleNegativesRankingLoss. В опубликованной оценке retrieval качество невысокое: cosine_accuracy@5 составляет 0,0218. Модель принимает текст и выдаёт эмбеддинги; её применение ориентировано на англоязычные новостные тексты. Лицензия в предоставленных данных не указана.

SpellMtei — M1 (ByT5) — это дообученная модель Google ByT5-small, опубликованная nyobemedoc для исправления орфографии на языке манипури (мейтей) в письменности мейтей-майек. Она использует байтовую архитектуру T5 и обучена преобразовывать испорченный текст в исправленный на синтетических примерах: ошибки моделируются с учётом особенностей письменности и фонологии языка. Модель принимает текст и выдаёт исправленный текст; байтовая токенизация позволяет работать с письменностью без отдельного словаря токенов. На замороженном синтетическом тестовом наборе из 1 012 предложений модель снизила долю символьных ошибок с 6,26% до 2,86%, удалив 54% ошибок. Однако она склонна переписывать уже корректный текст: в тесте были изменены 60% чистых предложений. Обучение проводилось в течение шести эпох; для генерации в README описан beam search с шириной 4 и максимальной длиной 1024 токена. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

Swin Transformer V2 — модель компьютерного зрения от Microsoft для классификации изображений. Она предварительно обучена на ImageNet-21k и дообучена на ImageNet-1k с разрешением 256×256; модель содержит 33 млн параметров и выдаёт оценки для 1000 классов ImageNet. Архитектура Swin Transformer строит иерархические карты признаков, объединяя патчи на последовательных уровнях, и применяет внимание внутри локальных окон. В версии V2 используются остаточная нормализация после блока и косинусное внимание для стабильности обучения, а также непрерывное позиционное смещение для переноса на изображения высокого разрешения. Модель принимает изображения и возвращает метки классов и оценки. Модель предназначена для классификации изображений общего назначения и может служить основой для других задач распознавания. Карточка указывает лицензию Apache-2.0. Она обучена распознавать классы ImageNet-1k, поэтому её ответы ограничены этой таксономией и не заменяют специализированную разметку объектов или другие задачи компьютерного зрения.