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

Deepseek-Distill-NSFW-visible-w-NSFW-FFS — слитая модель генерации текста на архитектуре Llama, созданная сообществом mergekit-community методом SLERP из Deepseek-R1-Distill-NSFW-RPv1 и nsfw_merge_test_vFFS. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для чат-диалогов, ролевых сценариев и генерации длинных повествовательных текстов, включая контент для взрослой аудитории. Репозиторий содержит веса safetensors для библиотеки Transformers; метаданные указывают интерфейс для вызова инструментов. Модель помечена как не для всех аудиторий и может генерировать откровенный контент. Лицензия в предоставленных данных не указана.

Baselhany/Distilation_Whisper_base_CKP2 — дообученная версия OpenAI Whisper Base для распознавания арабской речи. Модель содержит 51,7 млн параметров и рассчитана на преобразование аудио в текст; она обучена на наборе quran-ayat-speech-to-text. В README приведены результаты оценки на тестовой выборке: loss 0,0949 и WER 0,2085. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache-2.0.

ml6team разработала эту модель на базе DistilBERT для выявления токсичных и потенциально вредоносных комментариев на немецком языке. Модель дообучена на объединении пяти немецких наборов данных о токсичности, оскорблениях, ненормативной лексике и языке ненависти; разные исходные метки сведены к классам «токсичный» и «нетоксичный». Обучающая выборка содержит 23 515 примеров. Модель принимает текст и классифицирует комментарии, например для модерации публикаций в социальных сетях и интернет-сообществах. Контекст — до 512 токенов. На отложенной части объединённого набора данных указаны точность 78,50% и F1 50,34%; полнота составляет 39,22%, поэтому часть токсичных комментариев может остаться незамеченной. Определение токсичности зависит от контекста, а обучающие данные охватывают ограниченный набор интернет-площадок и сообществ, поэтому качество на других тематиках и площадках может быть ниже. Модель предназначена только для немецкого языка. В предоставленных данных лицензия не указана.

Overfit-GM/distilbert-base-turkish-cased-offensive — модель классификации текста на базе DistilBERT, разработанная пользователем или организацией Overfit-GM. Она предназначена для анализа турецкоязычных текстов и классификации сообщений, связанных с оскорбительным или токсичным содержанием. Модель работает с текстом на турецком языке, использует регистрочувствительный вариант DistilBERT и поддерживает контекст длиной до 512 токенов. Для использования применяется лицензия Apache-2.0. Данные о размере модели, точных классах, качестве и методике обучения в доступных источниках отсутствуют.

ehcalabres/distilgpt2-abc-irish-music-generation — дообученная модель на базе distilgpt2 для генерации текста в формате ABC, предназначенного для записи ирландской музыки. Она использует плотную авторегрессионную архитектуру GPT-2 и принимает текстовый контекст, продолжая его последовательностью токенов. Максимальная длина контекста — 1024 токена. Модель опубликована в форматах PyTorch и safetensors по лицензии Apache-2.0. README указывает, что данные дообучения неизвестны, а дополнительные сведения о модели, её применении и оценке не приведены.

Модель badmatr11x/distilroberta-base-offensive-hateful-speech-text-multiclassification разработана Purvesh Patel и дообучена на базе distilroberta-base для многоклассовой классификации оскорбительной и разжигающей ненависть речи. Она принимает текст и относит его к классам, предусмотренным обучающим набором badmatr11x/hate-offensive-speech; карточка сообщает точность 94,50%. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для автоматической предварительной модерации англоязычных текстов и анализа токсичной речи. Она распространяется по лицензии MIT. Заявленная точность дана без описания методики оценки, поэтому её не следует считать гарантией качества на других данных; результат также ограничен набором классов и языком обучения.

Intel/dpt-large-ade — модель семантической сегментации изображений, разработанная Intel и дообученная на наборе ADE20K. Она основана на Dense Prediction Transformer (DPT): использует Vision Transformer в качестве backbone и дополнительные neck и head для предсказания классов пикселей. Модель насчитывает около 402,7 млн параметров и распространяется в формате PyTorch. Модель предназначена для сегментации сцен на изображениях. По данным авторов, на ADE20K она достигла 49,02% mIoU на момент публикации. Лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или условия применения.

Flux Klein 9b Virtual Try-On LoRA — адаптер LoRA, созданный Lovis Odin при поддержке fal.ai для модели Flux Klein 9b Edit. Он предназначен для виртуальной примерки одежды и редактирования изображений: по фотографии человека или манекена, изображениям верхней и нижней одежды генерирует изображение человека в указанном комплекте. Модель принимает три изображения в фиксированном порядке: человек, верхняя одежда и нижняя одежда; на выходе формируется одно изображение, рассчитанное преимущественно на полноразмерный кадр. Поддерживаются футболки, худи, куртки, джинсы, юбки, брюки и шорты, а также разные позы, типы телосложения, мужчины и женщины. Максимальное заявленное разрешение — до 1024 пикселей. Для работы требуется промпт с триггерным словом TRYON в начале; рекомендуются 28 шагов инференса, guidance_scale 2.5 и lora_scale 1.0. Предусмотрены веса для fal.ai API и Diffusers, а также отдельная версия для ComfyUI. Сильные стороны модели — специализированная генерация реалистичной виртуальной примерки, перенос описанной одежды с референсов и совместимость с фотографическими или AI-сгенерированными входными изображениями. Для лучших результатов рекомендуются точное описание внешности и одежды, чистый фон и одинаковое освещение на всех входных изображениях. README не содержит подробностей о внутренней архитектуре базовой модели, языковой поддержке или систематических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Forgotten-Hubris-24B-v0.1 — экспериментальная текстовая генеративная модель автора merviscishes, созданная слиянием восьми предварительно обученных моделей семейства Mistral с помощью mergekit и метода Karcher Mean. Модель содержит 23,4 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации диалогов и художественных историй, в том числе ролевых сцен, эротики и насилия. Автор описывает её как эксперимент и отмечает, что проверил работоспособность и способность выдавать провокационный контент, но не проводил систематическую оценку качества и не проверял специально ролевые сценарии. Долгосрочная цель автора — подготовить её к написанию длинной художественной прозы. В карточке указана лицензия Apache-2.0. Модель может генерировать откровенный, жестокий или иной нежелательный контент; автор предупреждает о возможности вредных и потенциально незаконных ответов. Языки в предоставленных данных не обозначены.

SafeShield AI от Sourabh Saxena — модель классификации текста на основе дообученной MuRIL-base-cased, предназначенная для выявления языка вражды и оскорбительного содержания в Hinglish (смеси хинди и английского) и английском. Архитектура — BERT с головой классификации последовательностей; по метаданным модель содержит 264,8 млн параметров и принимает текст длиной до 512 токенов. README описывает два класса: NOT и HOF. Модель подходит для предварительной фильтрации публикаций и помощи при модерации с проверкой человеком, а также для исследований токсичности в Hinglish. На тестовом наборе из 5 907 примеров указаны точность 73,90% и macro F1 0,7352. Хинди и английский перечислены в метаданных; основное назначение — Hinglish и английский текст. Качество ниже на тонкой или контекстной враждебности; README также сообщает о частых ложных срабатываниях на очень коротких текстах и пропусках враждебных примеров средней длины. Результаты могут хуже переноситься на другие платформы, новые выражения, чистый хинди и другие языки. Автор рекомендует человеческий контроль и не советует использовать модель для полностью автоматической модерации или решений с юридическими последствиями. Лицензия в предоставленных данных не указана.

Komdigi-3b-pad-merged — дообученная мультимодальная модель языка и зрения от aitf-komdigi для задач защиты детей в цифровой среде. Она построена на архитектуре Mistral3 в стиле Pixtral и предназначена для анализа текста и изображений, классификации контента по возрастному рейтингу и категориям безопасности с объяснением, а также генерации ключевых слов. Модель ориентирована прежде всего на индонезийский контент; её можно применять в системах модерации, тегирования и индексирования, а также в прототипах рекомендаций возрастного рейтинга с участием человека. Лицензия — Apache 2.0. Модель может ошибаться на неоднозначном контенте, сленге, сарказме и культурно специфичных выражениях; при анализе изображений она может пропускать тонкие признаки вредного содержания. Объяснения могут быть недостаточно привязаны к входным данным, а результаты и ключевые слова — зависеть от формулировки запроса. Для чувствительных решений необходима проверка человеком; модель не предназначена для самостоятельного принятия юридических решений или автоматического удаления контента.

LewdPoppy-8B-RP — слитая разговорная языковая модель на базе архитектуры Llama, созданная с помощью mergekit методом SLERP из Nitral-AI/Poppy_Porpoise-0.72-L3-8B и Undi95/Llama-3-LewdPlay-8B-evo. Модель содержит 7,5 млрд параметров и принимает текстовые запросы, генерируя текст; размер контекста составляет 8192 токена. Модель предназначена для диалогов и ролевых сценариев, в том числе с откровенной тематикой, что отражено в её названии и одном из объединённых чекпойнтов. README не приводит оценок качества, конкретных языковых возможностей или инструкций по применению. Лицензия в предоставленных данных не указана.

Это специализированный визуальный энкодер стиля китайского сценического текста на основе DINOv2 ViT-S/14, дообученный для представления типографики и визуального оформления, а не распознавания содержания надписи. Он принимает плотно обрезанное изображение текстового фрагмента или строки; предварительная обработка сохраняет пропорции и дополняет изображение до 112 × 448 пикселей. Модель возвращает L2-нормированные векторы общего визуального стиля, типографики и оформления заливки, обводки, тени и прозрачности, а также локальные токены для исследовательских экспериментов. Основной сценарий — извлечение признаков и сравнение стиля китайских надписей в контролируемом синтетическом домене. Английский поддерживается слабее; для двух письменностей рекомендуется двуязычный вариант. Данные синтетического поиска не подтверждают точность на реальных изображениях, а токены не проверены как условие для генератора. Репозиторий содержит полную дообученную основу; веса опубликованы в формате safetensors по лицензии Apache-2.0.

Mask2Former — модель компьютерного зрения от команды Meta, предназначенная для семантической сегментации изображений; этот чекпойнт обучен на ADE20K и использует вариант tiny с backbone Swin. Архитектура Mask2Former предсказывает набор масок и соответствующих им меток, объединяя общий подход к сегментации объектов, семантической и паноптической сегментации. В этой версии основная задача — семантическая сегментация сцен и объектов на изображении. Модель подходит для разметки областей изображения по классам и анализа визуальных сцен. Она использует архитектуру Mask2Former с многомасштабным декодером признаков на основе deformable attention и Transformer-декодером с masked attention. В карточке указана лицензия other; конкретные условия следует проверить в репозитории модели.

MaskFormer Swin Large COCO — модель компьютерного зрения, выпущенная командой MaskFormer и представленная в статье Per-Pixel Classification is Not All You Need for Semantic Segmentation. Это крупная версия MaskFormer с backbone Swin, обученная на COCO для паноптической сегментации. Модель принимает изображение и предсказывает маски областей вместе с их метками; такой подход позволяет формулировать сегментацию объектов и семантических классов в единой парадигме. Этот чекпойнт предназначен для семантической сегментации изображений. Семейство MaskFormer также охватывает сегментацию экземпляров и паноптическую сегментацию, однако карточка указывает для данного чекпойнта именно семантическую сегментацию. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Mitra Qwen3.5 2B Base Stage 2 — компактная модель семейства Dharmamitra, разработанная для работы с классическими буддийскими текстами. Она основана на Qwen3.5-2B, прошла дополнительное предобучение примерно на 45 млрд токенов буддийских корпусов, а затем дообучение SFT второго этапа с упором на переводческие возможности. Модель предназначена для двустороннего перевода и выполнения переводческих запросов; её можно использовать, когда 9B-вариант слишком требователен к ресурсам. Модель имеет плотную авторегрессионную архитектуру Qwen3.5, содержит 1,7 млрд параметров и принимает текст, выдавая текст. Метаданные указывают контекстное окно до 262 144 токенов; в README для дополнительного предобучения указан контекст 8 000 токенов. В карточке заявлена работа с тибетским, санскритом и пали, а метаданные также содержат теги китайского, английского и немецкого языков. Для тибетского используются транслитерация Wylie, для санскрита и пали — IAST. Модель доступна под лицензией Apache-2.0.

MobileViTv2-1.0-ImageNet1K-256 — модель классификации изображений на базе архитектуры MobileViTv2, разработанная Apple. В MobileViTv2 механизм многоголового self-attention из MobileViT заменён на разделимое self-attention; веса подготовлены для классификации по 1000 классам ImageNet-1k, на котором модель предварительно обучена. Репозиторий содержит веса PyTorch для библиотеки Transformers. Модель подходит для присвоения изображениям меток ImageNet, например для базовой классификации объектов в мобильных и компьютерно-зрительных приложениях. Карточка указывает лицензию Apple Sample Code License. Ограничение: модель ориентирована на классы ImageNet-1k; для других наборов классов или специализированных задач может потребоваться дообученная версия.

Morality_continuous — дообученная модель Microsoft DeBERTa-v3-base для классификации текста. Она оценивает текст по непрерывной шкале, связанной с моральностью; в карточке приведены результаты оценки на тестовом наборе: RMSE 0,2227, MAE 0,1695 и корреляция 0,4437. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт оценку для входного текста. Модель может применяться для автоматической оценки моральной окраски текста и анализа таких оценок в исследовательских или прикладных системах. Карточка не раскрывает сведения о разметке и датасете, поэтому интерпретация шкалы и переносимость результатов на другие данные требуют отдельной проверки. Лицензия — MIT.

Pocket-TTS.AXERA — это пакет для синтеза английской речи на устройстве AX650. Репозиторий включает квантованную модель, Python-демо и предварительно собранную программу на C++; вывод поддерживает потоковый и непотоковый режимы. Модель экспортирована из ONNX и преобразована с помощью Pulsar2 в формат axmodel. Во время инференса на AX650 используются axmodel и ONNX-компонент для динамического KV-кэша. Проект предназначен для локального синтеза речи из текста на оборудовании AXERA AX650. Лицензия — Apache-2.0.

Elfrino/PsyMedSnowyRP-20B — экспериментальная слитая языковая модель, созданная Elfrino с помощью mergekit из Masterjp123/SnowyRP-FinalV1-L2-13B и Undi95/PsyMedRP-v1-13B. Это плотная архитектура Llama для генерации текста; размер составляет 19,8 млрд параметров, контекст — 4096 токенов. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель предназначена для ролевых сценариев с психологической и медицинской тематикой, а также для генерации диалогов и продолжения текста. Автор описывает её как промежуточную версию в процессе создания. Лицензия в предоставленных данных не указана.

Модель s-nlp/roberta_toxicity_classifier разработана s-nlp и дообучена на базе FacebookAI/roberta-large для классификации токсичности текста. Она использует архитектуру RoBERTa и содержит 151,8 млн параметров; модель рассчитана на английский язык и принимает текстовые последовательности длиной до 514 токенов. Модель обучена на объединении англоязычных частей трёх наборов Jigsaw 2018, 2019 и 2020 годов, примерно на 2 млн примеров. Она подходит для выявления токсичных комментариев и модерации пользовательского текста. В README приведены результаты на тестовом наборе первого соревнования Jigsaw: AUC-ROC 0,98 и F1 0,76. Модель распространяется по лицензии OpenRAIL++. Качество зависит от порога классификации и данных применения; показатели из карточки относятся к тесту первого соревнования Jigsaw и не гарантируют аналогичных результатов на других типах текста.

Это неофициальная конверсия SAM 3D Objects от Meta для выполнения в MLX на Apple Silicon, объединённая с оценщиком глубины MoGe-3. Модель принимает изображение объекта и его маску и генерирует геометрию и позу; результаты можно сохранить в форматах Gaussian splatting или mesh. В репозитории находятся веса BF16 для компонентов SAM и веса MoGe-3 в FP32, а код инференса предоставляется библиотекой mlx-vlm. Текстового и tool-calling интерфейса нет. Модель предназначена для реконструкции отдельных объектов в 3D по изображению с заданной маской. Проверки компонентов конверсии показали близкое совпадение с эталонной реализацией на тестовых примерах, однако авторы не заявляют о побитовом совпадении BF16-версии на всём конвейере и не приводят оценку качества реконструкции. Для использования нужны совместимые версии mlx-vlm и оборудование Apple Silicon. SAM распространяется по лицензии SAM, MoGe-3 — по MIT, FlexiCubes — по Apache-2.0; лицензия репозитория указана как other.

mlx-community публикует конверсию модели facebook/sapiens2-seg-1b для запуска в MLX. Это плотная модель семейства Sapiens2 с архитектурой Sapiens2ForSemanticSegmentation и примерно 1,5 млрд параметров; она выдаёт попиксельные логиты для 29 классов частей тела и фона на изображении. Веса сохранены в формате safetensors и представлены в bfloat16; проекции q/k/v объединены в тензор wqkv для совместимости с реализацией Sapiens2 в mlx-vlm. Модель подходит для сегментации частей человеческого тела на изображениях. Выходные массивы имеют разрешение входного изображения. Карточка отсылает к исходной модели для описания назначения и лицензии; метаданные указывают лицензию other, поэтому конкретные условия следует сверять с карточкой facebook/sapiens2-seg-1b.

sayeed99/segformer-b2-fashion — модель семантической сегментации изображений на основе SegFormer B2, дообученная на наборе данных sayeed99/fashion_segmentation. Она размечает пиксели изображения категориями одежды, аксессуаров и деталей: например, футболками, брюками, обувью, сумками, рукавами, карманами, молниями и декоративными элементами. Модель подходит для анализа модных изображений, выделения предметов одежды и их частей, а также подготовки разметки для каталогов и визуальных приложений в сфере моды. Модель принимает изображение и выдаёт карту семантических классов с 47 метками, включая «Everything Else». В карточке указан формат PyTorch и веса Safetensors. Она создана дообучением nvidia/mit-b2; лицензия в метаданных обозначена как other, поэтому условия использования следует проверять в репозитории модели и связанных материалах. В карточке не приведены сведения о языковой поддержке или числовой оценке качества.

Xenova/segformer-b2-finetuned-ade-512-512 — это версия модели семантической сегментации изображений SegFormer, адаптированная для работы в Transformers.js и содержащая веса в формате ONNX. Модель основана на nvidia/segformer-b2-finetuned-ade-512-512; разработчик исходной модели — NVIDIA, а репозиторий Xenova предоставляет совместимое с Transformers.js представление весов. Модель предназначена для выделения и классификации областей на изображениях, например стен, зданий и других объектов или элементов сцены. Она используется через pipeline image-segmentation в JavaScript и подходит для выполнения сегментации в средах, поддерживающих Transformers.js. В выходных данных для каждого найденного класса возвращаются его метка и маска изображения; в README также указан размер входного изображения 512×512 в идентификаторе модели. Ключевые сведения об архитектуре SegFormer, размере B2, наборе классов ADE и поддерживаемых языках в README не раскрыты. Основные преимущества — формат ONNX и совместимость с Transformers.js, что упрощает применение модели в JavaScript-приложениях. Ограничения и точные показатели качества не указаны. Лицензия в предоставленных данных не приведена.

SpeechT5 HiFi-GAN Vocoder — вокодер HiFi-GAN от Microsoft для использования с моделями SpeechT5 при синтезе речи и преобразовании голоса. Он преобразует акустические представления речи в аудио; сам по себе не предназначен для генерации текста или автономного преобразования текста в речь. Репозиторий содержит оригинальные веса в формате PyTorch и распространяется по лицензии MIT. Модель относится к архитектуре HiFi-GAN и рассчитана на работу в связке с SpeechT5. Карточка не приводит сведения о размере модели, языках или ограничениях качества; вокодер следует применять в совместимом конвейере SpeechT5.

cardiffnlp/twitter-roberta-base-hate-latest — модель Cardiff NLP для бинарной классификации сообщений на предмет языка ненависти. Это дообученная версия cardiffnlp/twitter-roberta-base-2022-154m на объединении 13 англоязычных наборов данных о языке ненависти; модель построена на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она предназначена для выявления языка ненависти в текстах, в том числе сообщениях в социальных сетях. В README приведены результаты оценки на нескольких наборах данных, при этом качество заметно различается между ними. Модель принимает текст и выдаёт метку классификации. Контекст составляет до 514 токенов; доступны веса PyTorch и TensorFlow. Карточка указывает лицензию CC-BY-4.0. Обучение проводилось на английских данных, поэтому результаты на других языках не подтверждены; классификацию следует трактовать как сигнал для проверки, а не как безошибочное определение намерений или контекста высказывания.

unitary/unbiased-toxic-roberta — модель классификации текста, разработанная Лаурой Хану и командой Unitary для выявления токсичных комментариев и снижения непреднамеренной предвзятости к упоминаниям идентичностей. Она основана на RoBERTa с классификационной головой, содержит около 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для проверки комментариев и помощи модераторам в выявлении оскорблений, угроз, непристойного содержания, атак на идентичности и других видов токсичности. Вариант unbiased обучен для задачи Jigsaw Unintended Bias in Toxicity Classification; метаданные указывают задачу text-classification. README описывает линейку моделей Detoxify и приводит семь языков для мультиязычного варианта, однако не подтверждает, что этот конкретный чекпойнт является мультиязычным. Модель может ошибочно считать токсичными комментарии с бранными словами вне зависимости от тона и намерения, включая юмор и самоиронию; также отмечен риск предвзятости к уязвимым группам. Для применения в модерации результаты следует проверять и оценивать на данных, отражающих реальные демографические группы. Лицензия репозитория — Apache-2.0.

Muno459/zipformer_p-arabic-v2 — потоковая модель распознавания арабской речи, разработанная автором репозитория на базе Zipformer2 и стека icefall/k2. Она преобразует аудио в фонемные единицы, включая согласные и харакаты, чтобы фиксировать произношение, а не сразу выдавать арабскую орфографическую запись. Модель содержит 64,7 млн параметров и использует CTC; для входа нужны признаки Kaldi fbank с 80 полосами, извлечённые из аудио с частотой 16 кГц. Модель предназначена для повседневной арабской речи, включая литературный арабский и диалекты Египта, стран Залива, Леванта и Магриба, а также для чтения Корана с таджвидом. В README приведены результаты на наборах оценки для коранической рецитации и общей арабской речи; они не гарантируют такое же качество на других данных. Репозиторий содержит форматы ONNX и CoreML. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Выход модели — фонемы, а не готовый текст. Преобразование фонем в арабскую орфографию требует отдельного этапа; поиск ближайшего аята, использованный в некоторых приведённых оценках WER, ограничен кораническим словарём и не подходит для обычной речи. В README также отмечено снижение точности для некоторых эмфатических согласных у незнакомых чтецов. CoreML-сборки проверены конвертацией и точностью, но не запускались на оборудовании Apple.

Atlas — локальная русскоязычная диалоговая модель по мотивам Atlas из игры No Man’s Sky. Она дообучена на базе t-tech/T-lite-it-2.1 с использованием датасета Knixee/atlas-ru-dataset-v2 и предназначена для генерации текста и общения в чате. Модель доступна в форматах GGUF и safetensors; README приводит варианты GGUF BF16, Q4_K_M, Q4_K_S и Q8_0, а также пример запуска через llama.cpp. В метаданных заявлены русский язык и лицензия Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.