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

xuyuan-trial-sentiment-bert-chinese — модель классификации текста на основе архитектуры BERT, созданная дообучением hfl/chinese-bert-wwm-ext. Она предназначена для классификации тональности китайского текста. В карточке приведён результат оценки на тестовой выборке: Macro-F1 0,9899 и loss 0,0247; сведения о наборе данных и методике оценки отсутствуют. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. Результаты на указанной выборке не гарантируют такого же качества на других данных; из-за отсутствия описания датасета и меток область надёжного применения оценить нельзя.

Aura Uncensored OAS 8B — разговорная языковая модель на архитектуре Llama 3, созданная объединением нескольких предварительно обученных моделей с помощью mergekit и метода Model Stock. В основу слияния положена Undi95/Llama3-Unholy-8B-OAS; также объединены Aura, BlueMoon, Luna, Theory of Mind и RP Format QuoteAsterisk от ResplendentAI. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, а её контекстное окно составляет 8192 токена. Модель предназначена для диалоговой генерации ответов и ролевого общения; автор описывает её как попытку получить менее ограниченную версию Aura. Данные не подтверждают отдельные специализированные задачи или языки, поэтому их не следует приписывать модели. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Autolycus-Mistral — экспериментальная чат-модель на архитектуре Mistral, созданная как доработка OpenHermes 2.5 Mistral. Она предназначена для генерации ответов на английском языке в стиле естественной, разговорной прозы, в том числе с намеренными выдумками и embellishments. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для диалогов используется шаблон ChatML. Модель может подойти для художественных или сатирических текстов, где допустимы вымысел и свободная подача. Она лицензирована по Apache-2.0. Карточка прямо предупреждает о вымышленных фактах и ненадёжных цитатах, поэтому модель не подходит для получения достоверных ответов, фактологического поиска и задач, требующих проверяемых источников.

Chokri–English Translation Model — дообученная Meta модель NLLB-200 distilled 600M для перевода между языком чокри и английским. Это encoder-decoder архитектура семейства M2M-100 с 463,7 млн параметров и контекстом до 1024 токенов. Чокри — тибето-бирманский язык, на котором говорят в округе Пхек штата Нагаленд в Индии. Модель обучена на примерно 8 000 проверенных человеческих парах предложений, главным образом из перевода Нового Завета на чокри, дополненного материалами сообщества. Поскольку у NLLB нет отдельного токена языка чокри, модель использует `lus_Latn` как прокси-токен для чокри. Подходит для перевода предложений с чокри на английский и обратно, в том числе для текстов на региональных вариантах языка. Преимущество модели — поддержка низкоресурсного языка, ранее не охваченного системами машинного перевода. Качество может снижаться на бытовых и технических текстах из-за преобладания библейских данных; диалектные различия и отсутствие обозначения тона в орфографии также могут приводить к неоднозначности. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

prithivMLmods/Coloring-Book-Flux-LoRA — LoRA-адаптер для базовой модели black-forest-labs/FLUX.1-dev, разработанный пользователем или организацией prithivMLmods. Он предназначен для генерации изображений в стиле раскраски по текстовым описаниям, включая чёрно-белые контурные рисунки и карандашные наброски с различными объектами, персонажами и сценами. Для активации адаптера в запросе рекомендуется использовать триггерную фразу «Coloring Book». Модель ориентирована на сценарии создания иллюстраций для раскрасок и стилизованных монохромных изображений. Это текстово-изобразительная diffusion-модель, подключаемая к FLUX.1-dev через Diffusers. Указаны размер LoRA-сети 64 и alpha 32; обучение проводилось на 10 изображениях высокого разрешения с использованием разметки Florence-2 на английском языке. Рекомендуемый размер изображения — 1024×1024. README не сообщает точные языковые ограничения базовой модели или дополнительные поддерживаемые модальности. Модель может быть полезна для быстрого получения изображений в едином стиле раскраски, однако её качество ограничено небольшим обучающим набором. Автор предупреждает, что модель находится на стадии обучения, не является финальной версией и в некоторых случаях может создавать артефакты или работать неудовлетворительно. В качестве лицензии указана CreativeML Open RAIL-M; веса доступны в формате Safetensors.

ConvNeXT Large — свёрточная модель компьютерного зрения, разработанная авторами статьи «A ConvNet for the 2020s» и обученная на ImageNet-1k. Она классифицирует изображения по 1000 классам ImageNet и рассчитана на входное разрешение 224×224 пикселя. Архитектура ConvNeXT основана на свёрточной сети, дизайн которой модернизирован под влиянием Vision Transformers и Swin Transformer. Модель предназначена для классификации изображений общего назначения; доступны реализации для PyTorch и TensorFlow. Модель не описана собственной карточкой разработчиков: карточку подготовила команда Hugging Face. Для задач, отличных от классификации по классам ImageNet, потребуется подходящая дообученная версия. Лицензия — Apache-2.0.

Darkhn_G3-27B-Animus-V12.0-Redux-GGUF — это квантизированная версия модели G3-27B-Animus-V12.0 от Darkhn, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель ориентирована на диалоговые сценарии, чат и roleplay, включая тематику Wings of Fire. В метаданных также указана категория image-text-to-text, однако README не содержит подробного описания возможностей обработки изображений, поэтому мультимодальность нельзя подтвердить однозначно. Модель относится к семейству Gemma и имеет размер 27 млрд параметров. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством ответов, размером файлов и требованиями к оперативной памяти. Рекомендуемыми названы, в частности, Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS. Для работы предусмотрен формат prompt с маркерами ролей Gemma; запуск возможен через LM Studio, llama.cpp и другие совместимые проекты. Сильными сторонами являются широкий выбор квантизаций, высокая заявленная точность старших вариантов и пригодность для локального запуска. Ограничения включают значительные требования к памяти: размер файлов варьируется примерно от 12,55 ГБ для IQ3_M до 54,03 ГБ для BF16. README не указывает поддерживаемые языки, размер контекстного окна и результаты независимого тестирования. Модель распространяется по лицензии Apache-2.0; в тегах отмечено содержание не для всех аудиторий, включая NSFW.

DeepLabV3Plus с энкодером Tu-ResNet18 — модель семантической сегментации изображений, опубликованная в репозитории smp-test-models на Hugging Face. Она предназначена для выделения и классификации областей на изображении по пикселям и может использоваться в задачах, где требуется получить маску сегментации. Модель загружается через библиотеку segmentation-models-pytorch и сохранена в формате safetensors. В карточке не приведены метрики качества и название обучающего набора данных, поэтому оценить точность и область применимости по этим сведениям нельзя. Лицензия репозитория — MIT.

Это крупная модель EoMT-DINOv3 для сегментации отдельных объектов на изображениях. Она использует архитектуру Encoder-only Mask Transformer на основе Vision Transformer DINOv3 ViT-L/16 с позиционными rotary embeddings и содержит около 402,7 млн параметров. Модель обучена на COCO и рассчитана на изображения с разрешением 1280×1280; для сегментации применяются разные варианты постобработки общей архитектуры. Модель предназначена для выделения масок отдельных объектов на изображении и может использоваться в компьютерном зрении для анализа изображений и подсчёта объектов. README связывает архитектуру EoMT с исследовательской работой, представленной на CVPR 2025; данных о самостоятельных ограничениях качества нет. Репозиторий распространяется под лицензией MIT.

Falah/fashion-model — модель генерации изображений на основе Stable Diffusion, дообученная Falah методом DreamBooth на концепции, связанной с модой. Её можно использовать для создания изображений по текстовым описаниям и проверки освоенной концепции в интерфейсе AUTOMATIC1111; в карточке также упоминается fast-Colab-A1111. Модель распространяется в формате Diffusers/PyTorch с весами Safetensors и лицензией CreativeML OpenRAIL-M. Карточка не приводит подробностей о датасете, разрешении или конкретных стилевых характеристиках изображений.

FocalNet Tiny — модель компьютерного зрения для классификации изображений, основанная на архитектуре Focal Modulation Networks, представленной Yang и соавторами. Модель обучена на ImageNet-1k и рассчитана на изображения разрешением 224×224 пикселя; её выпустила команда FocalNet, а карточку подготовила команда Hugging Face. Вместо self-attention модель использует фокальную модуляцию: свёрточные слои собирают визуальный контекст разных масштабов, механизм с весами выбирает полезный контекст для каждого фрагмента изображения, а затем этот контекст передаётся в представление фрагмента. Модель выдаёт класс изображения из 1000 классов ImageNet-1k и может служить основой для сценариев классификации. В исследовании семейство FocalNet также оценивалось на задачах обнаружения объектов и сегментации, но эта версия предназначена для классификации. Модель доступна в формате PyTorch по лицензии Apache-2.0. Она принимает изображения и выдаёт метки классов; сведения о языках к ней не относятся. Карточка не приводит конкретных показателей качества или ограничений, поэтому применимость к изображениям вне ImageNet-1k следует проверять отдельно.

G4-12B-Station-Keeper — персональная модель с дообучением под руководством автора на основе Gemma 4 12B IT. Она предназначена для ролевых диалогов и творческого письма: особенно хорошо подходит для сдержанной научной фантастики, спокойных разговоров и историй о повседневных практических задачах, небольших конфликтах, станциях, кораблях и поселениях. Модель сохраняет узнаваемый стиль Gemma и тяготеет к компетентным персонажам, мягкой иронии и неспешному развитию сюжета. Модель работает с текстом и поддерживает диалог. В карточке указаны английский язык, архитектура Gemma4 Unified, плотная модель и формат весов safetensors. Лицензия — Apache 2.0. Автор описывает её как личный эксперимент, а не как релиз с ведущими бенчмарками; тестирование в SillyTavern не выявило явных проблем взаимодействия.

Gemma-3-12b-it-MAX-HORROR-Imatrix-GGUF — это текстовая instruct-модель в формате GGUF, созданная DavidAU на основе Google Gemma 3 12B Instruct. Модель предназначена для генерации текста, диалогов, следования инструкциям, творческого письма и ролевых сценариев, при этом оптимизирована под выраженную хоррор-стилистику и может выдавать мрачный, напряжённый или графичный контент. Заявленный контекст составляет 128K токенов. Доступны различные варианты квантования, включая IQ1_S–IQ4XS, IQ4_NL, Q4–Q8 и другие; в конфигурациях «MAXED» входные и выходные тензоры сохраняются в BF16, что должно повышать качество ценой увеличенного размера файла. Автор рекомендует IQ3, IQ4XS и IQ4NL для творческих задач, а Q5, Q6 и Q8 — для более общего использования. Horror Imatrix, созданный DavidAU на основе собственного датасета, заявлен как средство улучшения следования инструкциям, качества ответов и связности идей, а также усиления хоррор-оттенка. Сильными сторонами модели являются большой контекст, широкий выбор квантований для разных устройств и специализация на творческой генерации хоррора. Ограничения включают зависимость качества и характера ответов от выбранного квантования, возможное наличие нецензурной лексики и графического контента, а также отсутствие в README подтверждённых сведений о языках, мультимодальности, точной архитектуре и результатах независимого тестирования. Модель распространяется по лицензии Gemma.

DavidAU опубликовал эту разговорную модель на основе Google Gemma 3 1B IT, изменённую методом abliteration с помощью Heretic v1.0.1. Она предназначена для генерации текста и диалогов с меньшей склонностью к отказам, в том числе для творческих сценариев с грубым, мрачным или откровенным содержанием. Модель имеет плотную архитектуру Gemma 3, содержит около 1 млрд параметров и поддерживает контекст до 32 768 токенов; для работы используется библиотека Transformers и формат Safetensors. В описании приведены результаты тестирования: 17 отказов из 100 запросов и KL-дивергенция 0,09; автор сообщает, что при изменении стремился сохранить поведение исходной модели. Для некоторых запросов к грубому или откровенному тексту может потребоваться более конкретная инструкция. Это производная модель, лицензия и отдельные условия использования в предоставленных данных не указаны.

gipformer-68M-rnnt — компактная модель распознавания вьетнамской речи от G-Group AI Lab. Она построена на архитектуре Zipformer Transducer (RNNT) и распространяется в формате ONNX для запуска через ONNX Runtime. Модель предназначена для транскрибации вьетнамской речи, включая записи колл-центров с шумом и региональными акцентами, а также медицинские разговоры, эфирную и прочую речь. По данным карточки модели, она показывает высокие результаты на вьетнамских ASR-бенчмарках и рассчитана на эффективное выполнение на мобильных и встраиваемых устройствах, в том числе локально и офлайн. Это может быть полезно для приложений, которым важно обрабатывать аудио на устройстве. В README указано 68M в названии модели; отдельное значение числа параметров в предоставленных данных не приведено. Модель ориентирована на вьетнамский язык. Лицензия — MIT. Заявления о качестве основаны на бенчмарках из README; фактическая точность зависит от условий записи и соответствия аудио тестовым данным.

SHK4K/hadith-segmentation-bert — дообученная SHK4K модель на базе AraBERTv0.2-base для разметки токенов в классических арабских хадисах. Она определяет границу между иснадом — цепочкой передатчиков — и матном, основным текстом высказывания, присваивая токенам метки начала и продолжения этих фрагментов. Модель построена на архитектуре BERT и содержит 162,4 млн параметров. Она принимает текст на арабском языке, использует задачу классификации токенов и поддерживает контекст до 512 токенов. В README отмечено, что качество может зависеть от наличия диакритических знаков; для сложных случаев рекомендуется нормализовать текст перед обработкой. Модель распространяется по лицензии MIT.

HPSv2-hf — версия модели HPSv2 в формате Hugging Face CLIPModel, подготовленная adams-story путём конвертации весов из формата OpenCLIP. Модель обучена предсказывать человеческие предпочтения между изображениями, созданными ИИ, сопоставляя изображения и текстовые описания через CLIP-эмбеддинги. Модель подходит для оценки соответствия сгенерированного изображения текстовому запросу и ранжирования изображений по предполагаемым человеческим предпочтениям. README сообщает, что текстовые и визуальные эмбеддинги совпадают с исходной моделью после конвертации; для обработки используется стандартный CLIPProcessor с процессором openai/clip-vit-base-patch32. Репозиторий содержит веса PyTorch. Это конверсия исходной модели, а не новое дообучение; автор карточки отдаёт заслугу создателям HPSv2. Условия лицензирования в предоставленных данных не описаны.

japanese-sexual-moderation-v2 — модель классификации текста, разработанная oshizo и дообученная на studio-ousia/luke-japanese-large-lite. Она оценивает, насколько короткий японский текст содержит сексуальный контент, выдавая регрессионный балл, обычно находящийся в диапазоне от 0 до 1. Модель построена на архитектуре LUKE и содержит 436,2 млн параметров; максимальный контекст — 514 токенов. Модель подходит для модерации коротких японских сообщений и сортировки текстов по степени сексуального содержания. Балл можно интерпретировать как градацию от почти несексуального до очень сексуального содержания. Длинные тексты не входили в обучение: их рекомендуется делить по строкам. Балл иногда может быть ниже 0 или выше 1, поэтому пороги следует подбирать с учётом данных приложения. Лицензия — MIT. Модель предназначена для оценки сексуального содержания текста; карточка помечена как не для всех аудиторий.

L3-Umbral-Mind-RP-v3.0-8B-GGUF — это GGUF-квантизированная версия текстовой генеративной модели L3-Umbral-Mind-RP-v3.0-8B, разработанной Casual-Autopsy и подготовленной к распространению пользователем bartowski. Модель основана на архитектуре, совместимой с Transformers и llama.cpp, имеет около 8 млрд параметров и предназначена для генерации текста, включая сценарии ролевого взаимодействия, что следует из названия RP исходной модели. Репозиторий содержит варианты с разным уровнем квантизации — от F32 до Q2_K и IQ2_M — объёмом примерно от 2,95 до 32,13 ГБ. Варианты Q4–Q6 заявлены как обеспечивающие хорошее или очень высокое качество при сниженных требованиях к памяти; для запуска рекомендуется использовать llama.cpp или LM Studio. Для общения необходимо применять указанный шаблон prompt с ролями system, user и assistant. В README не указаны точные сведения о языках, размере контекстного окна, мультимодальности, результатах тестирования и ограничениях исходной модели. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять в репозитории исходной модели.

Llama-3.3-SuperSwallowX-70B-RP-v0.1 — объединённая с помощью mergekit методом Model Stock языковая модель семейства Llama, созданная автором nitky на основе нескольких моделей для диалогов и генерации текста. В состав объединения входят инструктивные модели Llama 3.1 и 3.3 на 70 млрд параметров, а также EVA-LLaMA, Lumimaid, Euryale, Hanami и Anubis. Модель имеет 69,5 млрд параметров, архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Основной заявленный сценарий — ролевая генерация на японском языке; также модель поддерживает английский. README приводит пример оценки на Japanese-RP-Bench и сообщает об испытании в text-generation-webui с пресетом min_p и температурой 1. Для использования автор рекомендует формат диалога instruct-модели; качество может ухудшаться при отклонении от него. Репозиторий содержит веса safetensors и имеет лицензию CC-BY-NC-SA-4.0, предусматривающую некоммерческое использование и распространение производных на тех же условиях.

duyntnet/llama-3-cat-8b-instruct-v1-imatrix-GGUF — набор квантизированных GGUF-версий модели Cat-llama3-instruct, разработанной на основе Llama 3 8B и дообученной TheSkullery. Репозиторий содержит quantization модели TheSkullery/llama-3-cat-8b-instruct-v1 с использованием imatrix. Модель предназначена для генерации текста в формате instruction-following, включая сценарии, где важны точное соблюдение системного промпта, полезность ответов и вовлечённость в заданный персонаж или сцену. Она ориентирована на ролевые диалоги и максимальное погружение в образ. Известный язык модели — английский; заявленная модальность — текстовая. Архитектура, размер базовой модели Llama 3 8B, формат GGUF и наличие квантизированных вариантов указаны в README, однако конкретные уровни квантизации и требования к ресурсам не приведены. Сильными сторонами заявлены высокая приверженность системным инструкциям, стремление предоставлять полезную информацию и выразительное ролевое взаимодействие. Ограничения, результаты тестирования и точные параметры контекста не указаны. Лицензия обозначена как other, без дополнительных условий в представленном README.

Модель kubota/luke-large-defamation-detection-japanese разработана на основе studio-ousia/luke-japanese-large и дообучена для автоматического выявления клеветы и оскорбительных высказываний на японском языке. Это классификатор последовательностей семейства LUKE с 436,2 млн параметров, принимающий текст и возвращающий одну из четырёх категорий: высказывание без признаков клеветы, угроза, оскорбление или высказывание, порочащее репутацию. Модель обучалась на сбалансированном наборе данных, объединяющем источники для анализа японских публикаций; в метаданных указан датасет kubota/defamation-japanese-twitter. Максимальная длина контекста составляет 514 токенов. Модель подходит для первичной сортировки японских сообщений и поиска потенциально проблемных высказываний в пользовательском контенте. Классификация не заменяет контекстную и юридическую оценку: карточка не приводит метрики качества, а формулировки могут быть неоднозначны вне контекста. Лицензия — CC BY-SA 4.0.

Lumimaid-NSFW-Reddit_Merge — объединённая разговорная языковая модель на архитектуре Llama, созданная с помощью mergekit методом SLERP из NeverSleep/Lumimaid-v0.2-8B и athirdpath/Llama-3.1-Instruct_NSFW-pretrained_e1-plus_reddit. Репозиторий содержит веса в формате safetensors; размер модели — 7,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста в диалогах, творческого письма и ролевых сценариев. Вторая исходная модель ориентирована на NSFW-содержание и Reddit, поэтому объединённая модель рассчитана в том числе на взрослые сценарии. Метаданные указывают интерфейс чата и tool calling. Лицензия и сведения о языковой поддержке в предоставленных источниках отсутствуют.

LuxemBERT-v2 — языковая модель на архитектуре BERT, разработанная Isabella Olariu, Cedric Lothritz, Tegawendé F. Bissyandé и Jacques Klein для люксембургского языка. Модель представляет собой двунаправленный Transformer для masked language modeling и доступна в библиотеке Transformers как модель fill-mask. Модель предназначена для восстановления замаскированных токенов и последующей адаптации к задачам обработки люксембургского текста, включая разметку частей речи, распознавание именованных сущностей, классификацию намерений и новостных материалов. Она продолжает предварительное обучение LuxemBERT на расширенном корпусе люксембургских текстов с применением методов аугментации данных. Модель содержит 136,3 млн параметров, использует 12 Transformer-блоков и поддерживает контекст до 514 токенов. Основной язык — люксембургский. Модель ориентирована на текстовые задачи и не предназначена для генерации длинных текстов или обработки изображений, аудио и видео. В исследовательской оценке её результаты зависели от downstream-задачи; для некоторых задач она уступала базовым моделям. Лицензия в доступных данных не установлена.

Mask2Former Swin Base COCO Panoptic — модель компьютерного зрения, обученная на COCO для паноптической сегментации изображений. Модель разработана командой Mask2Former и выпущена в репозитории Facebook; карточку модели подготовила команда Hugging Face. Архитектура Mask2Former объединяет предсказание масок и соответствующих им меток. В этом варианте используется базовый Swin-бэкбон, многомасштабный декодер пикселей с деформируемым вниманием и Transformer-декодер с маскированным вниманием. Чекпойнт предназначен для паноптической сегментации; семейство также поддерживает семантическую сегментацию и сегментацию экземпляров. Модель подходит для выделения объектов и областей сцены на изображениях COCO-подобного содержания. В метаданных указана лицензия other, поэтому условия использования следует проверять в репозитории модели.

Mask2Former — модель компьютерного зрения, разработанная авторами архитектуры Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта версия с backbone Swin Base, предварительно обученным на ImageNet-21k, дообучена на COCO для сегментации экземпляров объектов на изображениях. Модель предсказывает маски и соответствующие им классы; архитектура также предназначена для семантической и паноптической сегментации, однако этот чекпойнт указан для сегментации экземпляров. В архитектуре используются многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Модель подходит для выделения отдельных объектов и присвоения им классов на изображениях. В метаданных указаны формат PyTorch и лицензия other. Языковые возможности не являются основным назначением модели.

Mixnu — корейская языковая модель с архитектурой Mixture of Experts, разработанная Jean Seo и соавторами. В основе модели лежит Llama 2 7B с расширенным токенизатором, а четыре экспертные модели, обученные на отдельных наборах данных, объединены в модель MoE. В README указан итоговый размер 19 млрд параметров; метаданные Hugging Face указывают 6,7 млрд параметров. Репозиторий содержит веса Safetensors, модель использует контекст до 4096 токенов и запускается через Transformers. Модель предназначена прежде всего для генерации текста на корейском языке, включая повседневные запросы и темы медицины, права, технологий и финансов. Расширенный токенизатор Llama 2 рассчитан на корейский текст: в приведённом авторами сравнении доля неизвестных токенов ниже, чем у исходного токенизатора Llama 2. Авторы оценивали также стиль, локализацию, сохранение английского языка и склонность к галлюцинациям. Лицензия — Apache-2.0. Оценка авторов включает качественную проверку людьми и ответы GPT-4o; README не приводит подробных количественных результатов. Следует учитывать расхождение между указанным в README размером 19 млрд и метаданными 6,7 млрд параметров, а также проверять фактическое качество на целевых задачах.

Moderator — модель классификации изображений для выявления наготы и сексуальной активности, разработанная Desert Ant Labs. Она предназначена для проверки изображений перед загрузкой или показом в приложениях и работает локально на устройстве: изображение не покидает его. Модель выдаёт оценку NSFW от 0 до 1, пороговое решение и оценки по областям: соски, гениталии, ягодицы, нагота и сексуальная активность. Доступны режимы с разным балансом скорости и полноты обнаружения. Опубликованы квантованные варианты для Core ML и LiteRT/TFLite размером около 9–10 МБ; заявлена поддержка мобильных, настольных и веб-платформ. Обучающие данные, по README, состоят из лицензированных и синтетических изображений. В тесте на 464 изображениях при пороге 0,5 режим accurate показал полноту 87,8% и специфичность 93,7%; результат зависит от состава данных и условий съёмки. Модель рассчитана на модерацию контента взрослых, не валидирована для изображений с несовершеннолетними, аниме и откровенно цензурированного контента. Для решений, где классификатор является единственным фильтром, рекомендуется проверка человеком. В метаданных указана лицензия other, поэтому конкретные права использования следует сверить с условиями репозитория.

Nete-13B — языковая модель для генерации текста, созданная Undi95 на основе рецепта Xwin-MLewd и описанная автором как улучшенная версия Xwin-MLewd-13B. Это плотная Llama-модель с 12,9 млрд параметров; репозиторий содержит веса FP16, а максимальный контекст составляет 4096 токенов. Модель предназначена для ответов на инструкции и творческого письма, включая ролевые сценарии и контент для взрослой аудитории. В README указано использование Alpaca-шаблона запросов. В рецепте перечислены Mlewd-v2.4-13B, Xwin-LM-13B-V0.2, Thespis-13b-v0.4, PsyMedRP-v1-13B и LimaRP-Llama2-13B-v3-EXPERIMENT, а также LoRA Storytelling-v2.1-13B. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель помечена как NSFW; сведения о поддерживаемых естественных языках и сравнительных оценках качества в предоставленных данных отсутствуют.

Карточка модели zxhezexin/openlrm-mix-large-1.1 на Hugging Face совпадает с карточкой zxhezexin/openlrm-mix-small-1.1, поэтому описание составлено по ней. OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.