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

STELLAR — семейство моделей компьютерного зрения, разработанное Microsoft для получения компактных разреженных визуальных представлений. Модели используют энкодер Vision Transformer, инициализированный весами MAE, и факторизуют признаки на 16 семантических токенов и пространственные карты. Доступны варианты с энкодерами ViT-B/16, ViT-L/16 и ViT-H/14; ширина признаков составляет 768, 1024 и 1280 соответственно. Модели обучены без учителя на ImageNet-1K с входными RGB-изображениями 224×224. Представления STELLAR подходят для извлечения признаков и экспериментов с классификацией, сегментацией, поиском изображений, визуализацией и реконструкцией. Полный чекпойнт содержит энкодер, разреженные токены, проекции, декодер реконструкции и кластеризационные головы; для VQ-декодирования реконструкции отдельно требуется токенизатор MaskGIT-VQGAN. Модель заявляет высокую компактность представления, но энкодер по-прежнему обрабатывает плотную сетку патчей, поэтому уменьшение числа латентных значений само по себе не ускоряет его вычисления. Признаки ImageNet могут требовать адаптации при переносе в другие предметные области; семантические токены не гарантируют соответствия объектам, классам или языковым эмбеддингам. README характеризует выпуски как исследовательские артефакты, не проверенные для безопасного принятия производственных решений. Лицензия репозитория — MIT.

Tenebra_30B_Alpha01 — экспериментальная разговорная языковая модель автора SicariusSicariiStuff на базе архитектуры Llama. Она предназначена для генерации текста и диалогов, в том числе для обсуждения философских и мрачных тем. Модель имеет 32,3 млрд параметров, принимает текст и генерирует текст; нативный контекст составляет 16 384 токена. В карточке указаны английский язык и форматы весов Safetensors. Автор описывает модель как созданную с использованием нестандартных наборов данных и подчёркивает её экспериментальный, раскованный стиль. В README также упоминается экспериментальное расширение для синтеза речи на базе Tortoise, однако оно не является заявленной возможностью самой модели в метаданных. Модель характеризуется как довольно нецензурированная, поэтому ответы могут содержать взрослые или резкие темы. Лицензия в предоставленных сведениях не указана.

ukr-detect/ukr-toxicity-classifier — дообученная командой ukr-detect модель XLM-RoBERTa для бинарной классификации токсичности украинских текстов. Она основана на FacebookAI/xlm-roberta-base и предназначена для определения, является ли текст токсичным; модель можно использовать в конвейере text-classification библиотеки Transformers. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты на тестовом наборе: F1, точность и полнота по 0,99. Модель обучена на полуавтоматически собранном датасете украинской токсичности. Модель распространяется по лицензии OpenRAIL++. Метрики из карточки относятся к указанному тестовому набору; качество на других данных может отличаться.

MCG-NJU выпустила VideoMAE Base — видеомодель на архитектуре Masked Autoencoder и Vision Transformer, предварительно обученную без учителя на Something-Something-v2 в течение 800 эпох. Модель содержит 113,2 млн параметров и представлена в формате PyTorch. VideoMAE принимает видео как последовательность патчей размером 16×16 и обучается восстанавливать скрытые фрагменты. Чекпойнт предназначен прежде всего для дообучения на задачах анализа видео: его представления можно использовать как признаки для классификатора. В исходном виде модель предсказывает значения пикселей замаскированных патчей; метаданные относят её к задаче классификации видео. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке отсутствуют результаты оценки и подробности о данных предварительной обработки, поэтому качество на конкретных наборах данных следует проверять отдельно.

VideoScore2 — модель TIGER-Lab для многомерной оценки сгенерированных видео. Она анализирует визуальное качество, соответствие видео текстовому описанию и физическую или обыденную правдоподобность, выдавая оценки и подробные обоснования. Модель дообучена на Qwen/Qwen2.5-VL-7B-Instruct: в обучении использовались supervised fine-tuning и reinforcement learning с GRPO на датасете VideoFeedback2, включающем 27 168 видео с человеческими оценками и пояснениями. Модель имеет плотную мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает визуальные данные и текстовые запросы; контекст — до 128 000 токенов. Карточка демонстрирует применение для оценки видео и приводит результаты на внутренних и внешних бенчмарках. Метаданные указывают английский язык. Распространяется по лицензии Apache-2.0.

VisionGuardrail-4B-GGUF — мультимодальная модель-классификатор безопасности визуального контента от prithivMLmods. Она основана на Qwen/Qwen3.5-4B и обучена на датасете ImageShield-Guardrail-Pro. Модель предназначена для анализа изображений с текстовым запросом и классификации материалов как Safe или Unsafe, прежде всего для выявления NSFW-контента, наготы, откровенной одежды, сексуально провокационных поз, эротических сцен и других чувствительных визуальных элементов. Заявленный язык — английский. Модель выпускается в формате GGUF с вариантами BF16 и квантованиями Q3–Q5; размер файла BF16 составляет 8,42 ГБ, а квантованных вариантов — примерно 2,07–3,07 ГБ. Для мультимодальной работы также предоставляется файл mmproj-bf16 размером 676 МБ. Сильной стороной является детализированный анализ одежды, степени открытости тела, поз, композиции и контекста изображения с консервативным подходом к классификации. При этом это экспериментальная версия, которая может демонстрировать непредсказуемое поведение и артефакты рассуждений; README не указывает размер контекста и метрики качества. Модель предназначена для исследовательских задач и модерации контента, а её использование должно соответствовать требованиям безопасности, этики и законодательства. Лицензия — Apache-2.0.

Модель разработана Peter Rupnik, Nikola Ljubešić, Ivan Porupski и Darinka Verdonik при финансировании проекта MEZZANINE. Это Wav2Vec2BertForAudioFrameClassification — дообученная версия facebook/w2v-bert-2.0 с 402,7 млн параметров, которая определяет заполненные паузы вроде «эээ» и «э-эм» в аудиозаписи. Модель выдаёт метку 0 или 1 для каждого 20-миллисекундного кадра; последовательные положительные кадры объединяются в интервалы. Модель обучена на размеченной словенской речи из корпуса ROG-Artur и оценивалась на словенском, хорватском, сербском, польском и чешском материале. На тестовой части ROG-Artur F1 составила 0,943; для чешского, хорватского и польского в ParlaSpeech указаны F1 0,874, 0,913 и 0,924 соответственно с постобработкой. Качество зависит от языка, сегментации аудио и постобработки: короткие предсказания и события на границах аудиофрагмента могут давать ложные срабатывания. Лицензия — Apache-2.0.

xdfdet — набор моделей для обнаружения поддельных видео с лицами, разработанный Мертом Кая и Венерой Адановой. Модели используют EfficientNet-B4 и классифицируют видео по 12 RGB-кадрам с выровненными и нормализованными лицами; на выходе дают вероятность того, что каждый кадр подлинный. Среднее по кадрам используют как оценку видео. Grad-CAM создаёт тепловую карту областей лица, влияющих на предсказание. В наборе выпущено восемь контрольных точек, исследующих влияние аугментаций и маскирования частей лица. На FaceForensics++ лучший опубликованный результат одной контрольной точки — AUC 0,8981; среднее для соответствующей настройки по трём запускам — 0,8971. Модель предназначена для анализа манипуляций с лицами, но на 398 видео DFDC AUC составляет 0,60–0,66, и большинство подделок проходит как подлинные. Точность по возрасту, полу и тону кожи не оценивалась; одна оценка не подтверждает подлинность видео и не должна служить единственным основанием для решения о человеке. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях с соблюдением её требований.

Мультиязычный классификатор токсичности текста от TextDetox, созданный дообучением XLM-RoBERTa large на бинарной задаче классификации токсичности с использованием обновлённого датасета textdetox/multilingual_toxicity_dataset. Модель предназначена для автоматической проверки текстов и определения, относятся ли они к токсичным. Классификатор охватывает 15 языков. В карточке приведены оценки F1 0,9225 для английского, 0,9525 для русского и 0,96 для украинского. Модель имеет 658,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате Safetensors. Для использования требуется библиотека Transformers; лицензия — OpenRAIL++. Классификация бинарная и не объясняет причину присвоенной метки. Приведённые оценки относятся только к указанным языкам и могут не отражать качество на других текстах и доменах; автоматическую метку следует проверять в контексте предполагаемого применения.

Anthrobomination-70B — англоязычная чат-модель Mawdistical для генерации текста и ролевых диалогов, в том числе с откровенным содержанием. Это плотная причинно-языковая модель архитектуры Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; веса представлены в формате safetensors и рассчитаны на работу через Transformers. Модель создана как слияние нескольких моделей, включая RAWMAW-70B, EVA-LLaMA-3.33-70B-v0.0, Wayfarer-Large-70B-Llama-3.3 и другие варианты Llama на 70 млрд параметров. Модель предназначена для свободного общения и творческого письма, особенно для ролевых сценариев и furry-тематики. В карточке рекомендован диапазон temperature 0,6–0,9 с подбором настройки под задачу. Модель лицензирована по CC BY-ND 4.0; лицензия требует указания авторства и не разрешает распространение производных версий.

nunuing/audio_cls_korean — модель классификации аудио на основе Wav2Vec2, дообученная на Kkonjeong/wav2vec2-base-korean. Она предназначена для отнесения аудиозаписей к классам; набор классов и обучающие данные в карточке не описаны. Модель содержит 113,3 млн параметров и распространяется в формате safetensors через библиотеку Transformers. На оценочном наборе указаны accuracy 0,8739 и loss 1,0013. Лицензия в предоставленных данных не указана.

mergekit-community/because-im-bored-nsfw2-linear — объединённая линейным методом модель семейства Llama, созданная с помощью mergekit. Она включает because_im_bored_nsfw1 и модели, связанные с длинными историями, описательным стилем и генерацией длинного текста. Модель предназначена для диалоговой генерации и написания длинных историй, в том числе ролевого контента для взрослых. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. В метаданных указан контекст до 1 048 576 токенов. Карточка не сообщает отдельные сведения о поддерживаемых языках или качестве на конкретных задачах. Условия использования определяются лицензией репозитория на Hugging Face.

ruanchaves/bert-base-portuguese-cased-hatebr — модель классификации текста на основе BERTimbau, дообученная для обнаружения оскорбительной речи на португальском языке. Она относит текст к одному из двух классов: неоскорбительный или оскорбительный. Модель предназначена для модерации португалоязычных текстов, например публикаций и пользовательских комментариев. Архитектура — BERT для классификации последовательностей; в модели 136,1 млн параметров, она принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена на наборе HateBR. Карточка указывает, что набор данных предназначен исключительно для академических и исследовательских целей; коммерческое и иное неакадемическое использование требует предварительного письменного согласия SINCH. Это условие следует учитывать при использовании модели.

Модель gravitee-io/bert-mini-toxicity — компактный классификатор токсичности текста, разработанный Gravitee и дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Она относит текст к одному из двух классов: «токсичный» или «нетоксичный», например для модерации пользовательских сообщений и комментариев. Модель основана на BERT Mini, содержит около 12 млн параметров и рассчитана на последовательности до 512 токенов. Для работы доступны форматы Safetensors и ONNX. Карточка описывает обучение и оценку на нескольких языках; метаданные перечисляют поддержку английского, русского, украинского, немецкого, испанского, китайского, арабского, хинди, итальянского, французского, иврита и японского. В README приведены результаты тестирования, которые различаются по языкам. Компактный размер подходит для сценариев, где важны скорость и небольшие вычислительные затраты. Качество неодинаково для разных языков, поэтому результаты классификации могут требовать проверки и не должны трактоваться как универсальная оценка токсичности. Модель распространяется по лицензии OpenRAIL++.

Экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный методом GRPO для планирования следующих глав книги. Обучение проводилось на 7 075 примерах планирования, а шаги выбирались по 1 120 отложенным примерам с оценкой по непрерывной контрастивной награде на восьми генерациях для каждого примера. Модель использует плотную архитектуру Qwen3 и содержит 3,7 млрд параметров; контекст — до 262 144 токенов. Она принимает текст и генерирует текстовые планы. В README описаны награда за улучшение собственного плана и штрафы за сходство с планами других книг и контрольными примерами той же книги. Карточка не приводит отдельной оценки качества на тестовом наборе и не указывает лицензию.

tue-mps/coco_instance_eomt_large_1280 — модель для сегментации отдельных объектов на изображениях, основанная на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для эффективной сегментации с использованием Vision Transformer. Вариант large содержит 402,7 млн параметров и предназначен для instance segmentation на изображениях с разрешением 1280 пикселей. Модель принимает изображения и выделяет экземпляры объектов, формируя маски сегментации. Архитектура EoMT позволяет использовать ViT без специализированного декодера; семейство также поддерживает семантическую и паноптическую сегментацию с соответствующей постобработкой. Репозиторий использует Transformers, PyTorch и формат safetensors. Модель ориентирована на компьютерное зрение, включая анализ сцен и выделение объектов на изображениях. Лицензия — MIT. Карточка не приводит подробностей о точном наборе классов COCO, метриках качества или известных ограничениях.

Модель cooperleong00/deberta-v3-large_toxicity-scorer — классификатор токсичности текста на базе DeBERTa-v3-large, разработанный для исследования Self-Detoxifying Language Models via Toxification Reversal. Она дообучена на 90 тысячах примеров RealToxicityPrompts, чтобы предсказывать вероятности токсичности, близкие к оценкам Perspective API, и служить высокопроизводительной офлайн-заменой этого API при оценке сгенерированного текста. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README указаны точность 94,87% и AUROC 98,54% на отложенной выборке из 10 тысяч примеров; заявленная пропускная способность — около 27 тысяч примеров в секунду. Эти показатели относятся к указанной авторами выборке и не гарантируют такое же качество на других текстах. Лицензия в предоставленных данных не указана.

Набор управляющих векторов для DeepSeek-V4-Flash, опубликованный пользователем gghfez. Векторы направляют поведение базовой модели при генерации текста, меняя тон повествования, фокус на диалогах или описании, сложность языка и другие стилистические характеристики без переобучения весов модели. Набор предназначен для творческого письма и настройки ответов DeepSeek-V4-Flash через llama.cpp или ikllama.cpp. В README перечислены оси оптимизма и нигилизма, эмпатии и социопатии, честности и макиавеллизма, скромности и нарциссизма, диалога и повествования, простого и витиеватого языка, описательности и откровенности, сострадания и жестокости. Для применения требуются базовая модель и поддерживающий векторы сервер; лицензия — CC BY-NC 4.0. Это не самостоятельная языковая модель, а производный набор файлов формата GGUF для DeepSeek-V4-Flash. Автор отмечает, что вектор сострадания и жестокости требует доработки из-за отказов модели, а витиеватое направление языкового вектора может приводить к бесконечным рассуждениям. Язык карточки — английский; подтверждённый размер и длина контекста не указаны.

DETRPose-L-COCO — модель оценки позы нескольких людей в реальном времени, описанная авторами работы DETRPose: Real-Time End-to-End Multi-Person Pose Estimation via Modified Transformer Decoder and Novel Denoising Keypoints. Она использует гибридный энкодер RT-DETR и облегчённую архитектуру декодера D-FINE. Специализированный Pose-LQE улучшает оценку уверенности, а обучение с зашумлёнными ключевыми точками и функцией потерь Keypoint Similarity Varifocal предназначено для точной локализации. Модель предназначена для обнаружения людей и определения их позы на изображениях, в том числе в видеопотоке с веб-камеры. Для варианта DETRPose-L в README указаны обучение на COCO, 32,8 млн параметров, AP 72,5, задержка 9,50 мс и вычислительная сложность 107,1 GFLOPs. Эти показатели приведены авторами карточки и зависят от условий измерения. Модель опубликована в формате safetensors под лицензией Apache-2.0.

KomdigiITS-8B-DFK-SFT-V2 — индонезийская мультимодальная модель семейства Mistral 3, дообученная RantiRepo на базе aitf-komdigi/KomdigiITS-8B-DFK-CPT. Модель принимает текст и изображения и предназначена для диалоговой работы с мультимодальными материалами, связанными с DFK — дезинформацией, клеветой и разжиганием ненависти. В обучении использованы LoRA с рангом 16 и alpha 32, три эпохи и набор из 42 981 обучающего и 5 370 проверочных примеров. В датасете указаны классификация текста, извлечение ключевых слов и мультимодальные данные DFK. Репозиторий содержит веса safetensors, использует Transformers и распространяется по лицензии Apache-2.0. Карточка не уточняет контекстное окно и качество по отдельным задачам.

DirectSAM-1800px-0424 — модель сегментации изображений из работы «Subobject-level Image Tokenization», разработанная Делонгом Ченом, Сэмюэлом Кахьявая, Цзяньфэном Лю, Баоюанем Вангом и Паскалем Фунгом. Она предназначена для выделения границ объектов на изображениях и получения масок сегментации на уровне подобъектов. Модель построена на архитектуре SegFormer с 84,6 млн параметров. Финальный многоклассовый классификатор заменён одноклассовым, а все параметры дообучены на SA-1B. Обучение включало этапы с разрешениями 1024×1024 и 1800×1800 пикселей. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Модель подходит для сегментации и выделения границ на изображениях высокого разрешения. Карточка не сообщает отдельную лицензию, поэтому условия использования следует сверить в репозитории модели.

distilled-embeddinggemma — статическая модель эмбеддингов Model2Vec, созданная путём дистилляции google/embeddinggemma-300m. Она предназначена прежде всего для быстрого поиска санскритских текстов по смыслу и сопоставления запросов с фрагментами; в README приведены примеры на деванагари и английском. Модель использует таблицу эмбеддингов без трансформера на этапе вывода: 256 измерений, float16, PCA-256, mean pooling и нормализацию; размер таблицы — около 2,5 млн параметров. Метаданные указывают архитектуру StaticModel, библиотеку model2vec, формат safetensors и контекст 1 000 000 токенов. README сообщает, что на тесте гибридного поиска по санскритским стихам модель сохранила 89% качества учителя, при этом кодирование выполнялось примерно в 39 000 фрагментов в секунду на CPU. Статическое усреднение не учитывает порядок слов и контекст, поэтому хуже справляется с формами, где сандхи и сложение слов скрывают соответствия, а также с английскими перефразированиями. Для таких сценариев автор рекомендует использовать её как компонент гибридного поиска вместе с полнотекстовым поиском и лексическими данными. Лицензия модели — MIT; для распространения производной модели следует также учитывать условия Google Gemma для базовой модели.

EGM-Qwen3-VL-4B — мультимодальная модель визуальной привязки из семейства EGM (Efficient Visual Grounding Language Models), разработанная NVIDIA. Она дообучена на Qwen3-VL-4B-Thinking в два этапа: supervised fine-tuning и обучение с подкреплением GRPO. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса доступны в формате safetensors. Размер модели — 4 млрд параметров. Модель принимает изображение и текстовый запрос и формирует текстовый ответ с локализацией объекта, указанного в запросе. Она предназначена для задач визуальной привязки, в том числе поиска объектов по описаниям с несколькими пространственными и смысловыми отношениями. В README сообщается средний IoU 90,9 на наборе RefCOCO и прирост 3,7 пункта относительно базовой модели. Модель ориентирована на английский язык. Результаты и заявленная специализация относятся к визуальной привязке; их не следует трактовать как подтверждение превосходства на других задачах компьютерного зрения или мультимодального анализа. Лицензия — Apache-2.0.

EoMT-DINOv3 COCO Panoptic Small 640 — компактная модель сегментации изображений, опубликованная пользователем tue-mps. Она основана на архитектуре Encoder-only Mask Transformer с визуальным трансформером DINOv3 ViT-S/16 и содержит 28,3 млн параметров. Модель обучена для паноптической сегментации изображений COCO с входным разрешением 640×640; подход EoMT позволяет использовать общий трансформерный бэкбон для семантической, экземплярной и паноптической сегментации с разной постобработкой. Модель принимает изображения и выдаёт сегментационную разметку. В README отмечены позиционные эмбеддинги RoPE и преимущества предобучения DINOv3; репозиторий использует формат safetensors и библиотеку Transformers. Она предназначена для распознавания и разделения объектов и областей сцены на изображениях. Лицензия — MIT.

Estragon-9B — специализированная текстовая модель Blugart для генерации кода на GDScript под Godot 4.7. Это дообученная методом SFT и GRPO плотная модель семейства Qwen3.5 с 7,2 млрд параметров; для обучения с подкреплением использовалась оценка headless-сборкой Godot. Модель предназначена для написания идиоматичного кода с актуальным API Godot 4.7, включая скрипты игровой логики и выполнение технических требований в запросе. По README, на наборе GDScript-Eval v2 модель набрала 248 из 300 при одном жадном запуске и 285 из 300 при восьми попытках; результаты зависят от системного промпта, который входит в рекомендуемую настройку. Нативное окно контекста — 262 144 токена. Модель принимает текст и выдаёт текст с кодом; она ориентирована на GDScript и не является универсальным помощником. Известные слабые места — редкие методы API, длинные цепочки требований и временная логика таймеров и tween-анимаций. Лицензия — Apache-2.0.

FashionGPT-70B-V1 — языковая модель ICBU-NPU на архитектуре Llama 2, созданная объединением двух адаптеров с базовой моделью Llama 2-70B. Она предназначена для генерации текста и многоходовых диалогов по шаблону System/User/Assistant. При обучении использовались наборы OpenOrca, airoboros-gpt4-1.4.1 и Samantha; карточка приводит результаты оценки ARC, HellaSwag и MMLU. Модель содержит 68,7 млрд параметров и поддерживает контекст до 4096 токенов. В метаданных указан английский язык и лицензия Llama 2. Испытания проводились на английском; ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением необходимы тестирование и настройка безопасности под конкретный сценарий.

Модель touchtech/fashion-images-perspectives-vit-large-patch16-384-v2 — дообученная Touchtech версия Vision Transformer ViT-Large от Google для классификации изображений одежды и модных образов. Она принимает изображения и предсказывает категории, связанные с датасетом fashion-images-perspectives-v4. Модель содержит 402,7 млн параметров, использует архитектуру ViTForImageClassification и распространяется в формате Safetensors. На указанном в карточке наборе для оценки достигнуты loss 0,1395 и accuracy 0,9655. Модель предназначена для классификации модных изображений; качество на других наборах данных и в иных сценариях может отличаться. Лицензия — Apache-2.0.

Это дообученная модель Umair Khan на базе Falconsai/nsfw_image_detection для классификации изображений по наличию NSFW-контента. Она использует архитектуру ViTForImageClassification и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт метку класса; основное применение — автоматическая проверка изображений при модерации контента. В README указана точность 1,0 и потеря 0,0000 на оценочном наборе, однако состав и размер набора, схема классов и методика оценки не описаны, поэтому эти результаты не гарантируют такое же качество на новых данных. Модель распространяется по лицензии Apache-2.0.

FlatDolphinMaid-8x7B — экспериментальная объединённая модель Undi95 на архитектуре Mixtral 8x7B MoE. Она создана слиянием Dolphin 2.7, Mixtral Base и Noromaid v0.1 Instruct v3 методом SLERP и предназначена для генерации текста в ответ на инструкции, диалогов и ролевых сценариев, включая ERP. В README указано, что модель стала менее склонной к ролевому и эротическому контенту, чем Noromaid, при сопоставимой средней оценке ERP-бенчмарка; также отмечена типичная для Mixtral проблема повторов. Репозиторий содержит веса fp16 в формате safetensors, а контекст составляет 32 768 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели guccigidda/gemma-3-1b-it-heretic-extreme-uncensored-abliterated на Hugging Face совпадает с карточкой DavidAU/gemma-3-1b-it-heretic-extreme-uncensored-abliterated, поэтому описание составлено по ней. 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.