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

Bienvenu2004/donut-handball-pv5 — модель архитектуры vision-encoder-decoder, дообученная автором репозитория на основе Bienvenu2004/donut-handball-pv4 на наборе данных imagefolder. Она предназначена для преобразования изображений в текст и может использоваться в задачах, где требуется извлекать текстовое представление из изображения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Подробности о целевых сценариях, обучающих данных и оценке качества в карточке не приведены.

EoMT-DINOv3 ADE Semantic Large 512 — модель для семантической сегментации изображений, обученная на наборе ADE20K. Разработчик репозитория — tue-mps; архитектура EoMT (Encoder-only Mask Transformer) использует основу DINOv3 ViT-L/16. Модель содержит 402,7 млн параметров и рассчитана на изображения размером 512×512. Модель присваивает пикселям изображения семантические классы, что подходит для разметки сцен и анализа содержимого изображений. Архитектура EoMT выполняет сегментацию на основе ViT без отдельного специализированного декодера; README отмечает поддержку семантической, экземплярной и паноптической сегментации в семействе моделей при соответствующей постобработке, но эта версия обучена для семантической сегментации. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

gemma4-comfyui-mcp — локальная офлайн-модель, разработанная artokun на базе семейства Gemma 4 Heretic. Она дообучена как специализированный агент для ComfyUI и интеграции comfyui-mcp, поддерживая нативный формат вызова инструментов. Модель предназначена для работы через ComfyUI Agent Panel, Ollama, llama.cpp или совместимые OpenAI-клиенты без API-ключа. Основной сценарий использования — управление графами ComfyUI, запуск генерации изображений, видео и аудио, работа с моделями и custom nodes, выполнение и исправление workflow. Обучение проведено на 1 055 проверенных сервером траекториях использования 178 инструментов: 113 MCP-инструментов и 65 инструментов live-canvas panel_*. Доступны варианты Gemma 4 E2B, E4B и 12B; поставляются GGUF-квантизации, LoRA-адаптеры и конфигурации. Используется QLoRA с рангом 32, длина последовательности при обучении составляла 12–16K токенов, а в Ollama заявлен контекст 65 536 токенов. Gemma 4 описана как единая мультимодальная архитектура, однако возможности зрения у этих вариантов ограничены. Сильная сторона модели — вызов инструментов: выбор нужного действия, формирование JSON-аргументов и извлечение параметров из естественно-языковых запросов; результаты проверялись на живом сервере ComfyUI. Ограничения включают слабую способность визуально критиковать собственные результаты и трудности со сложной многоэтапной композицией графов. Вариант E2B может рассуждать слишком многословно и требует не менее 512 токенов для корректного вызова. Модель распространяется по лицензии Gemma.

hate-speech-berturk — модель классификации текста, дообученная для обнаружения оскорбительной речи и языка ненависти на турецком языке. Она основана на BERTurk base uncased и обучена на датасете Toraman22 v2; архитектура — BertForSequenceClassification, размер — 137,8 млн параметров, максимальная длина входа — 512 токенов. Модель относит текст к одному из трёх классов: нейтральный, оскорбительный или язык ненависти. В README сообщается, что модель обучалась пять эпох на случайном разделении данных 80/20 и достигла F1 0,9094 и точности 0,9092 на оценочной выборке. Она предназначена для модерации турецкоязычных текстов и исследовательских задач классификации токсичной речи. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет производные работы на тех же условиях с ограничением некоммерческого использования.

Мультиязычный классификатор сообщений из социальных сетей на основе XLM-RoBERTa large, разработанный Patricia-Carla Grigor, Bojan Evkoski и Petra Kralj Novak. Модель дообучена для выявления неприемлемых, оскорбительных и жестоких высказываний, а также подходящих комментариев; она присваивает тексту один из четырёх классов. Обучение проводилось на комментариях YouTube на английском и итальянском языках и сообщениях Twitter на словенском языке. В обучающих данных использованы разметки двух аннотаторов и подход, учитывающий разногласия между ними. Модель содержит 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors. Хотя базовая XLM-RoBERTa поддерживает 100 языков, обучение этой версии описано для английского, итальянского и словенского. На тестовых данных согласие модели с разметкой аннотаторов составило около 79–82%; F1 для класса violent — 24,79–44,97, а для inappropriate — 39,16–58,45 в зависимости от языка. Поэтому модель может пропускать отдельные случаи этих категорий и требует проверки результатов в чувствительных сценариях. Лицензия — MIT.

minoosh/hubert-base-ls960-finetuned-ie — модель классификации аудио, созданная дообучением facebook/hubert-base-ls960. Она основана на архитектуре HuBERT и содержит 113,3 млн параметров. Модель предназначена для отнесения аудиоданных к классам; в README указаны точность 0,6130 и loss 1,1686 на оценочном наборе. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Назначение метки «ie», состав классов, обучающий набор данных и подробные ограничения в карточке не раскрыты, поэтому применимость для конкретного сценария классификации аудио требует проверки.

IceLatteRP-7b — языковая модель на архитектуре Mistral, созданная автором репозитория icefog72 слиянием предварительно обученных моделей IceCoffeeRP и WestIceLemonTeaRP методом SLERP с помощью mergekit. Она предназначена для генерации текста и диалоговых сценариев с шаблоном Alpaca или, возможно, ChatML; карточка отмечает модель как рассчитанную не на любую аудиторию и для NSFW-контента. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, а длина контекста составляет 32 768 токенов. В репозитории указаны веса safetensors и варианты квантования EXL2 на 4,2, 6,5 и 8 бит на вес; также упомянута сборка GGUF. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. README приводит результаты оценивания на нескольких бенчмарках, однако не описывает их методику подробно.

InternVL2_5-HiMTok-8B — мультимодальная модель для сегментации изображений, разработанная авторами проекта HiMTok на основе дообучения OpenGVLab/InternVL2_5-8B на обучающей части серии датасетов RefCOCO. Она предназначена для сегментации объектов на изображении по текстовому описанию или запросу и формирует маски с использованием иерархических mask-токенов. Архитектура основана на InternVL2.5-8B; в репозитории указаны веса Safetensors. Модель подходит для экспериментов с сегментацией по выражениям и диалоговым взаимодействием с изображениями. Лицензия — Apache-2.0.

Japanese-opt-2.7b — дообученная модель генерации текста на базе facebook/opt-2.7b, созданная автором репозитория inarikami. Модель обучалась на японской Википедии и предназначена для продолжения и генерации текста на японском языке; в README приведён пример генерации по японскому началу фразы. Это плотная авторегрессионная модель семейства OPT с архитектурой OPTForCausalLM и 3,5 млрд параметров. Нативная длина контекста — 2048 токенов. Модель находится в разработке; карточка не сообщает результатов оценки качества или подробных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и у правообладателей базовой модели.

K2S3 разработала K2S3-Llama2-13b-v1.0 — плотную языковую модель на архитектуре Llama 2 с 13 млрд параметров. Она дообучена методом SFT с настройкой всех параметров на основе meta-llama/Llama-2-13b-chat-hf; при обучении добавлены новые корейские токены. Модель предназначена для генерации текста на корейском языке. В обучающие данные вошли Стандартный корейский словарь, материалы KULLM Корейского университета, аннотации магистерских и докторских диссертаций и примеры корейского языка из AI Hub. Контекст составляет 4096 токенов; веса доступны в формате safetensors. Модель может быть полезна для ответов на вопросы и создания текста на корейском языке, в том числе по академическим и справочным темам. Она лицензирована по условиям Llama 2; производительность за пределами корейского языка и устойчивость к фактическим ошибкам в карточке не охарактеризованы.

L3-8B-Helium3 — объединённая плотная языковая модель семейства Llama, созданная inflatebot с помощью mergekit и метода Model Stock. В слияние вошли inflatebot/helide-beta-r0, r3 и r4, а базой послужила inflatebot/helide-beta-r1; модель насчитывает 7,5 млрд параметров и использует формат safetensors. Модель предназначена для диалогов, ролевых игр и совместного написания историй. Разработчик описывает её как сочетание выразительной прозы и управляемости, с уклоном в нишевые фетиш-темы; поддерживается контекст до 8192 токенов. Язык модели в карточке явно не указан. Модель ориентирована на аудиторию, которой подходит взрослый контент. Условия лицензирования в предоставленных данных не описаны.

Statuo/LemonWizardv3 — слияние моделей Mistral, созданное автором карточки с помощью mergekit из KatyTheCutie/LemonadeRP-4.5.3 и Replete-AI/WizardLM-2-7b. Модель предназначена для генерации текста и творческих ролевых диалогов, в том числе с откровенным содержанием; автор сообщает, что слияние лучше справляется с таким контентом, чем WizardLM-2 отдельно. Для подсказок рекомендуется формат Alpaca. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. В метаданных указан контекст 32 768 токенов, однако автор проверял контекст лишь до 8 192 токенов и отмечает снижение связности на более длинных ответах. При слишком длинной генерации модель иногда начинает говорить от лица пользователя. Лицензия — CC BY-NC 4.0.

Sdff-Ltba/LightChatAssistant-2x7B — японская чат-модель для быстрой генерации диалогов и художественных текстов. Она основана на Mistral 7B и собрана автором из двух моделей с помощью метода ChatVector для усиления диалоговых способностей и последующего объединения в архитектуру MoE через mergekit. В метаданных указаны 7,1 млрд параметров и архитектура Mixtral с классом MixtralForCausalLM. Модель рассчитана прежде всего на общение и генерацию новелл на японском языке. Заявлена поддержка контекста до 32 768 токенов. Автор приводит пример запуска в KoboldCpp на видеокарте с 12 ГБ VRAM при использовании квантованной версии iQ3_XXS; это не формат файлов данного репозитория, где указаны safetensors. Лицензия в предоставленных данных не указана.

athirdpath представил эту инструктивную модель семейства Llama 3, дообученную на 0,6 эпохи на наборе athirdpath/Merge_Glue. По описанию автора, обучение было остановлено рано, чтобы модель восстановила поведение после слияния, не перенимая тон и логику данных GPT-3.5 и GPT-4. Модель предназначена для генерации текста в диалоговом формате и написания историй; пример в карточке показывает генерацию откровенного эротического рассказа. Размер — 14,9 млрд параметров, контекст — 8192 токена, архитектура — плотная Llama с causal language modeling. Веса опубликованы в формате safetensors. Лицензия указана как llama3. Карточка не приводит результатов оценки качества, поэтому надёжность ответов и пригодность для конкретных задач по ней оценить нельзя.

Карточка модели reallusion4free/ltx-2.3-10eros-v1.3-dmd-mlx-q4 на Hugging Face совпадает с карточкой MLXBits/ltx-2.3-10eros-v1.3-dmd-mlx-q4, поэтому описание составлено по ней. Это квантованный вариант LTX-2.3 10Eros v1.3, подготовленный MLXBits для запуска на Apple Silicon. Модель предназначена для генерации видео по текстовому описанию, а также заявлена в метаданных как модель для генерации видео по изображению и тексту. Веса основаны на TenStrip/LTX2.3-10Eros и включают слитую дистилляцию JoyAI Echo DMD; трансформер квантован до int4, тогда как часть компонентов сохранена в bf16. Текстовый энкодер Gemma 3 12B в пакет не включён и загружается отдельно. Пакет содержит только дистиллированный трансформер и рассчитан на запуск через ltx-2-mlx с режимом --distilled. Двухэтапный путь с dev-трансформером и режим one-stage-dev недоступны. Квантование уменьшает размер трансформера примерно до 11,6 ГБ, но может снизить детализацию и точность следования запросу по сравнению с int8. Модель предназначена для взрослого контента; лицензия указана как other.

MaskFormer — модель компьютерного зрения, разработанная командой MaskFormer и обученная на COCO для паноптической сегментации. Этот вариант использует небольшой Swin-backbone и предназначен для семантической сегментации изображений. Модель предсказывает набор масок и соответствующие им метки классов; единая схема MaskFormer также применяется для семантической, экземплярной и паноптической сегментации. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке репозитория.

MORES_emotions9 — мультиязычная модель классификации эмоций на основе XLM-RoBERTa large, дообученная на размеченных вручную предложениях. Её разработали в рамках проекта MORES (Moral Emotions in Politics) для анализа эмоциональной окраски политической коммуникации и сравнительных исследований. Модель относит текст к одной из девяти категорий: гнев, страх, отвращение, грусть, радость, отсутствие этих эмоций, энтузиазм, надежда или гордость. Данные для обучения охватывают английский, немецкий, французский, польский, словацкий, чешский и венгерский языки; они дополнены переводами. В README указаны точность 0,72 и macro F1 0,72. Модель используется в Babel Machine — инструменте для сравнительных исследований. Для загрузки требуется авторизация из-за ограниченного доступа к репозиторию. Модель распространяется по лицензии CC BY 4.0. Качество различается между классами: например, F1 для гнева составляет 0,55, а для отвращения — 0,94, поэтому результаты стоит интерпретировать с учётом категории и языка.

MotherEarth-Proverbs-8B-GGUF — это квантизированная версия текстовой модели MotherEarth/MotherEarth-Proverbs-8B, подготовленная пользователем mradermacher в формате GGUF. Модель ориентирована на генерацию текста, ролевые сценарии и работу с темами коренных народов, пословиц, мудрости, климата, биоразнообразия и окружающей среды. В README не указана конкретная организация-разработчик базовой модели; известно только, что GGUF-квантизацию выполнил mradermacher. Модель имеет размер 8B параметров и поддерживает английский язык. Доступны варианты с разными уровнями квантизации — от Q2_K и IQ3_XS до Q8_0 и f16, с размером файлов примерно от 3,3 до 16,2 ГБ. В качестве быстрых рекомендуются Q4_K_S и Q4_K_M, а Q8_0 отмечен как вариант с лучшим качеством среди квантизированных сборок. Формат GGUF подходит для запуска в совместимом локальном программном обеспечении, однако конкретные требования к оперативной памяти, контекстному окну и поддерживаемым модальностям в README не указаны. Сильная сторона модели — наличие широкого набора квантизированных вариантов, позволяющих выбирать компромисс между размером, скоростью и качеством, а также тематическая специализация на экологических и культурных сюжетах. Ограничениями являются отсутствие подробных сведений об архитектуре, обучающих данных, результатах оценки, контекстной длине и мультимодальности; качество также зависит от выбранного типа квантизации. Лицензия указана как other, без дополнительных условий в README.

Модель nsfw-detection-mini разработана Керемом Бозганом, Абдуллахом Кырманом и Фатихом Чагатаем Акйоном для автоматической модерации визуального контента. Это бинарный классификатор изображений на базе EfficientNet-B4, дообученной на изображениях с NSFW-контентом: он относит изображение к безопасному или NSFW-классу. Модель можно применять также к кадрам видео; она рассчитана на мобильное использование и содержит около 17 млн параметров. Основной сценарий — первичный отбор изображений с явной наготой для платформ с пользовательским контентом, социальных приложений, форумов, родительского контроля, игр и стриминговых сервисов. В карточке приведены F1-оценки 97,90% для безопасного класса и 97,89% для NSFW-класса; эти показатели относятся к описанному авторами сравнению и не гарантируют аналогичное качество на других данных. Модель распознаёт именно явную наготу: откровенная одежда или намёки без явной наготы могут быть отнесены к безопасному классу. Она не определяет сексуальное намерение и не подходит для юридической классификации, наблюдения за людьми или решений с серьёзными последствиями; для окончательной модерации рекомендуется проверка человеком. Лицензия — Apache-2.0.

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.

Helsinki-NLP/opus-mt-fi_nb_no_nn_ru_sv_en-SAMI — модель машинного перевода семейства Marian, разработанная Helsinki-NLP. Она переводит с финского, норвежского букмола и нюношка, русского, шведского и английского на северносаамский и несколько других саамских языков: южносаамский, луле-саамский, инари-саамский и колтта-саамский. Модель построена на архитектуре Transformer-align, содержит 28,8 млн параметров и рассчитана на контекст до 512 токенов. Для выбора языка перевода в начале предложения требуется специальный токен вида >>id<< с допустимым кодом целевого языка. В README указаны предварительная нормализация текста, токенизация SentencePiece и обучающие данные OPUS и Giella. Для направления с финского на колтта-саамский приведены результаты тестирования: BLEU 58,4 и chr-F 0,776. Модель подходит для перевода отдельных текстов на саамские языки. Лицензия — Apache 2.0. Результаты могут зависеть от языкового направления; опубликованный пример оценки относится только к одному тестовому направлению.

EllLaky/petri_esplicita_batteri — модель классификации изображений, созданная с помощью AutoTrain и дообученная на основе Falconsai/nsfw_image_detection. Она использует архитектуру ViT и содержит 113,2 млн параметров; назначение — распознавать категории изображений, связанные с NSFW-модерацией. В README приведены метрики на валидационной выборке: F1, точность, полнота, AUC и accuracy равны 1,0, однако состав выборки и методика оценки не описаны, поэтому эти результаты не гарантируют аналогичного качества на новых данных. Репозиторий содержит веса в формате safetensors. Сведения о лицензии, поддерживаемых языках и ограничениях использования не приведены в доступных материалах.

Qwen3-ASR Rakuten Multilingual — дообученная Rakuten на Qwen/Qwen3-ASR-1.7B плотная модель распознавания речи для многоязычных сценариев обслуживания клиентов. Принимает аудио длительностью до 30 секунд на высказывание, поддерживает частоту дискретизации 16 кГц с автоматическим пересэмплированием и выдаёт текстовую расшифровку. Заявлена поддержка 18 языков: английского, китайского, французского, португальского, корейского, вьетнамского, хинди, тайского, индонезийского, тамильского, урду, непальского, узбекского, монгольского, сингальского, бирманского, японского и итальянского. Модель обучена на 1 624 974 высказываниях; веса в формате SafeTensors, bf16, размер около 3,8 ГБ. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Qwen3-Jan-V1-4B-Grand-Horror-Day1-to-Day7-Evolved-Imatrix-GGUF — текстовая генеративная модель в формате GGUF, разработанная DavidAU на базе Jan-v1-4B. Модель ориентирована прежде всего на англоязычную генерацию художественных текстов, включая рассказы, продолжение сцен, построение сюжета и подсюжетов, roleplay и интерактивное повествование. Особый акцент сделан на хорроре, графичных и нецензурированных сценариях, однако автор указывает, что модель может применяться и для других жанров и задач. Заявлены архитектурная база Qwen3 с размером около 4B параметров и контекстом до 256k токенов. Модель работает с текстом и поставляется в виде набора квантизированных вариантов GGUF, обозначенных как Day1–Day7. По описанию автора, варианты создавались посредством поэтапной эволюции квантов, датасетов и imatrix, поэтому версии могут различаться по степени настройки и характеру генерации. Поддерживаемый язык в карточке указан как English. Сильными сторонами заявлены выразительная проза, проработка деталей, чувство темпа и особенно подробная генерация хоррора. Ограничения включают отсутствие приведённых количественных бенчмарков, зависимость результата от выбранного кванта и параметров генерации, а также потенциально неприемлемое для некоторых аудиторий содержание. Модель распространяется по лицензии Apache-2.0.

REDCELL-26B-A4B-OSINT-Cyber-APEX-GGUF — специализированная модель, разработанная terrorswift на основе unsloth/gemma-4-26B-A4B-it. Это supervised fine-tune (SFT) с применением 16-битного LoRA, ориентированный на OSINT, киберразведку (CTI) и расследовательскую журналистику. Модель предназначена для исследователей OSINT, команд threat intelligence, CERT и журналистов, а не для общего назначения или использования как «uncensored» модель. Архитектура основана на Gemma 4 с Mixture-of-Experts: 26 млрд параметров всего и около 4 млрд активных. Указано контекстное окно 262144 токена. Модель поддерживает генерацию текста на английском языке; в метаданных также заявлены мультимодальность и работа с vision, однако подробности этих возможностей не приведены. Публикуется в формате GGUF для локального запуска через llama.cpp и совместимые инструменты. Доступны варианты F16, Q8_0 и несколько APEX-квантизаций размером примерно от 11,4 до 25 ГБ; рекомендуемым вариантом назван APEX-I-Balanced. Сильные стороны модели — специализация на аналитическом tradecraft, оценке источников, явной калибровке уверенности, методологии OSINT и CTI, а также пригодность для локального запуска на потребительском оборудовании. Общие ограничения, качество на конкретных задачах и результаты бенчмарков в README не указаны. Согласно описанию, базовое безопасное поведение и способность к рассуждению унаследованы от исходной модели, а активные и юридически чувствительные методы сбора данных должны применяться с осторожностью. Модель распространяется по лицензии Apache-2.0.

Модель thu-coai/roberta-base-cold — дообученная для выявления оскорбительной речи версия hfl/chinese-roberta-wwm-ext. Она классифицирует китайские тексты по наличию оскорбительного содержания и предназначена для автоматической модерации и исследований по обнаружению токсичной речи. Модель построена на архитектуре BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. В README указаны результаты на тестовой выборке COLDataset: точность 82,75% и macro-F1 82,39%. Модель опубликована авторами thu-coai; условия лицензии в доступных данных не приведены.

Xenova/segformer_b0_clothes — модель сегментации изображений, созданная сообществом Xenova на основе mattmdjaga/segformer_b0_clothes. Она предназначена для выделения областей одежды и других элементов на фотографиях людей, например для анализа изображений одежды, виртуальной примерки, обработки каталогов и фоновой сегментации. Модель совместима с библиотекой Transformers.js и рассчитана на использование в JavaScript-приложениях, включая веб-среду. В репозитории представлены ONNX-веса для архитектуры SegFormer B0. Модель работает с изображениями и возвращает набор масок сегментации с метками, среди которых указаны Background и Hair; полный перечень классов в README не приведён. Размер модели, максимальный контекст, поддерживаемые языки, точность и подробные характеристики обучения не указаны. В примере оценки для результатов указано значение score: null. Сильной стороной модели является возможность запуска через Transformers.js и использования ONNX-весов в приложениях, совместимых с этим форматом. Ограничения включают отсутствие данных о качестве, производительности, размере и полном наборе классов, поэтому пригодность для конкретных изображений и сценариев требует отдельной проверки. Лицензия в README не указана.

SenseNova-SI-1.1-Qwen3-VL-8B — мультимодальная модель для пространственного понимания, разработанная командой SenseNova на основе Qwen3-VL-8B-Instruct. Она дообучена на наборе SenseNova-SI-8M, содержащем восемь миллионов разнообразных примеров, отобранных по таксономии пространственных способностей. Модель принимает текст и изображения и предназначена для диалогового анализа визуальных сцен, пространственных отношений и задач визуального рассуждения. Модель относится к семейству Qwen3-VL и использует плотную архитектуру Qwen3VLForConditionalGeneration. В README семейство SenseNova-SI описано как сохраняющее сильные возможности общего мультимодального понимания и показывающее результаты на тестах пространственного интеллекта; конкретные показатели в карточке относятся к семейству в целом и не выделены для этой версии. Модель распространяется по лицензии Apache-2.0. Данных о размере контекста и поддерживаемых языках для данной версии в предоставленных источниках нет.

Sentence-RooseBERT — англоязычная модель для получения векторных представлений предложений на основе Sentence-BERT и доменной модели RooseBERT, обученной на политических дебатах и парламентских речах. Она предназначена для сравнения смысловой близости, поиска и извлечения текстов, кластеризации политических аргументов и классификации по сходству эмбеддингов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст; максимальная длина контекста — 514 токенов. Для обучения RooseBERT использовались 11 ГБ англоязычных стенограмм политических дебатов 1919–2025 годов из разных стран, а также заседаний Генеральной Ассамблеи и Совета Безопасности ООН. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель экспериментальная и ещё не прошла формальную оценку: качество на прикладных задачах неизвестно. Она наследует возможные смещения политических речевых корпусов и не предназначена для генерации текста или токенной разметки.

Silicon-Maid-7B — англоязычная текстовая модель для генерации ответов, созданная SanjiWatsuki на основе объединения xDAN-AI/xDAN-L1-Chat-RL-v1 и chargoddard/loyal-piano-m7. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на ролевые диалоги, следование карточкам персонажей и творческое продолжение текста; автор также позиционирует её для общего использования. В README отмечено, что объединение снизило навыки рассуждения и программирования относительно исходной модели. Лицензия — CC BY 4.0. Метка NSFW в метаданных указывает на возможность откровенного контента.