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

Eileithyia-13B — ролевая текстовая модель, созданная athirdpath слиянием KoboldAI/LLaMA2-13B-TiefighterLR и собственной LoRA, обученной на TiefighterLR. Модель основана на плотной архитектуре LLaMA 2 и содержит 12,9 млрд параметров; нативный контекст — 4096 токенов. Модель предназначена для ролевых диалогов и генерации повествовательного текста. Данные для LoRA включают медицинские тексты о беременности и репродуктивном здоровье, художественные фрагменты о беременности, ролевые материалы и многоходовые беседы. Предусмотрены режимы ответов врача, рассказчика и ролевой игры. Разработчик характеризует модель как не прошедшую выравнивание; тестирование продолжается. Она может генерировать откровенный контент, поэтому подходит не для любой аудитории. В README условия лицензии не приведены.

Ektome-Nemotron-Nano-8B-PristinelyUncensored — текстовая генеративная модель, разработанная Zynerji на базе NVIDIA Llama-3.1-Nemotron-Nano-8B-v1. Она предназначена для генерации текста и сценариев, где требуется модель без встроенных отказов на потенциально вредные запросы. Заявленный язык — английский; поддерживаемые модальности и размер контекста в README не указаны. Доступны варианты в формате GGUF с квантованием от 3 до 8 бит, включая imatrix-варианты для повышения качества при низкой точности. По данным README, метод Ektomē удаляет компонент, связанный с отказами, без дополнительного обучения или дистилляции. В сравнении с исходной моделью указаны результаты MMLU-val 0,463 против 0,458 и показатель compliance на вредных запросах 1,000 против 0,010. Тест сертификации сохранения возможностей признан неубедительным: общая оценка не подтверждает сохранение характеристик, а ось reasoning осталась статистически неразрешённой. Поэтому приведённые результаты нельзя считать гарантией качества, точности или отсутствия деградации. Модель намеренно нецензурирована и, согласно README, не будет отказываться от запросов, поэтому ответственность за применение и результаты несёт пользователь. Сертификация не подтверждает безопасность, фактическую точность или пригодность для конкретных задач; показатель compliance основан на классификаторе ключевых слов и может быть обманут уклончивыми формулировками. Лицензия обозначена как other, без дополнительных условий в предоставленном README.

Erotophobia-24B-v1.1 — англоязычная диалоговая модель для генерации текста, созданная автором карточки как объединение нескольких моделей методом DARE TIES с помощью mergekit. В качестве базовой указана cognitivecomputations/Dolphin-Mistral-24B-Venice-Edition; в объединение также вошли Eurydice-24b-v3, Dans-PersonalityEngine-V1.2.0-24b, Forgotten-Safeword-24B-v4.0 и Omega-Darker_The-Final-Directive-24B. Модель построена на плотной архитектуре Mistral с 23,4 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель рассчитана на диалог в режиме ассистента и ролевые сценарии, а также на творческое письмо с выразительным описанием персонажей и сцен, в том числе откровенных. Автор характеризует её как очень послушную и отмечает, что она предназначена для личных сценариев использования. В репозитории представлены веса Safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана. Модель может генерировать откровенный контент, а автор предупреждает о возможной нестабильности качества, поскольку это ранняя работа по объединению моделей.

Это модель семантической сегментации изображений с архитектурой FPN из библиотеки segmentation-models-pytorch. Карточка показывает, что модель можно загрузить через API библиотеки smp.from_pretrained; веса опубликованы в формате safetensors. Разработчик модели и сведения о базовой модели не указаны. Модель предназначена для разметки областей на изображениях. В карточке нет названия обучающего набора данных и метрик качества, поэтому оценить её точность и пригодность для конкретного сценария нельзя. Лицензия — MIT.

Gemma-2-2B-ArliAI-RPMax-v1.1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели ArliAI/Gemma-2-2B-ArliAI-RPMax-v1.1. Квантизации подготовлены пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для локального запуска и генерации текста, в частности для сценариев ролевого общения, на что указывает обозначение RPMax в названии исходной модели. Для работы рекомендуется использовать LM Studio или совместимый рантайм на базе llama.cpp. Модель относится к семейству Gemma 2 и имеет размер 2 млрд параметров. Доступны варианты от F16 до Q3/IQ3, размером примерно от 1,39 до 5,24 ГБ, что позволяет выбирать баланс между качеством и требованиями к памяти. Указана только текстовая модальность; языки и размер контекстного окна в README не приведены. Модель не поддерживает системный промпт и требует специального шаблона диалога с маркерами Gemma. Сильной стороной являются многочисленные варианты квантизации, включая форматы, оптимизированные для ARM, а также варианты с Q8_0 для embedding- и output-весов, ориентированные на сохранение качества. Более компактные варианты подходят для устройств с ограниченным объёмом оперативной памяти, однако могут уступать по качеству полноразмерной версии. Лицензия указана как gemma; дополнительные условия её применения в README не раскрыты.

UltimateIntent/Gemory-26B-A4B-GGUF — языковая модель для генерации текста, разработанная UltimateIntent и представленная в формате GGUF. Она создана как дообученная версия huihui-ai/Huihui-gemma-4-26B-A4B-it-qat-q4_0-unquantized-abliterated и предназначена прежде всего для творческого письма, ролевых сценариев и диалогов для взрослой аудитории, включая NSFW и ERP-контент. В карточке также указан тег мультимодальности, однако подробности о поддерживаемых типах входных данных не приведены. Модель основана на архитектуре Gemma 4 с механизмом Mixture-of-Experts; заявленный общий размер — 26B параметров, активный объём — A4B. Доступна в квантизованном формате GGUF и ориентирована на запуск через llama.cpp. Указан английский язык, а также тег LoRA, но сведения о длине контекста, точной схеме дообучения, фактических мультимодальных возможностях и производительности отсутствуют. Сильными сторонами модели являются специализация на творческой генерации и ролевом взаимодействии, а также возможность локального запуска в совместимом формате. Ограничения включают ориентацию на контент не для всех аудиторий, возможные риски при генерации NSFW-материалов и недостаток опубликованных сведений о качестве, безопасности и языковой поддержке за пределами английского. Лицензия — Apache-2.0.

granite-4.1-Queen-30b-i1-GGUF — квантизированная версия модели granite-4.1-Queen-30b, созданная mradermacher на основе исходной модели aifeifei798. Модель распространяется в формате GGUF и предназначена для запуска в совместимых локальных инструментах вывода. В карточке она помечена как языковая, ориентированная на roleplay и сценарии SillyTavern; также указана поддержка image-text-to-text, однако подробности мультимодальной архитектуры не приведены. Модель содержит около 30 млрд параметров. Указан английский язык, но сведения о размере контекстного окна, точной архитектуре, аппаратных требованиях и фактическом качестве отсутствуют. Доступно множество вариантов квантизации — от i1-IQ1_S до i1-Q6_K, размером примерно от 6,3 до 23,8 ГБ. В README отмечается компромисс между размером, скоростью и качеством: i1-Q4_K_S назван оптимальным по этим критериям, а i1-Q4_K_M — быстрым и рекомендуемым вариантом. Более агрессивные варианты могут заметно снижать качество. Сильными сторонами являются большой размер базовой модели, широкий выбор квантизаций и возможность локального запуска при подборе подходящего варианта. Ограничения включают отсутствие подробных бенчмарков, параметров контекста и описания мультимодальных возможностей; качество зависит от выбранного уровня квантизации. Модель и представленные производные указаны под лицензией Apache-2.0.

LA1512/Led-pubmed-20K-4096-epoch2 — дообученная модель семейства LED для генерации текста по текстовому входу. Она создана на основе LA1512/Led-pubmed-20K-4096-v2; в карточке указано значение loss 3.4248 на оценочном наборе, но назначение дообучения, его данные и практические сценарии не описаны. Модель содержит 95,2 млн параметров и опубликована в формате Safetensors. Лицензия — BSD-3-Clause.

Карточка модели skykholodovzz/ltxvideo-2b-nsfw на Hugging Face совпадает с карточкой Muinez/ltxvideo-2b-nsfw, поэтому описание составлено по ней. Muinez/ltxvideo-2b-nsfw — экспериментальное дообучение LTX-Video 0.9.5, созданное автором Muinez на данных с изображениями и видеоклипами. Модель предназначена для генерации видео по исходному изображению; в конце обучения её дополнительно настраивали для image-to-video. Для описаний использовались booru-теги, а обучающая выборка включала реалистичные и аниме-материалы разных авторов. Автор сообщает, что модель быстро генерирует видео и иногда даёт приемлемый результат, но качество нестабильно и в целом уступает более сильным моделям. Обучение проводилось на изображениях и 4,7 тыс. видеоклипах; максимальная длина клипов составляла 121 кадр, разрешения изображений — от 512×768 до 768×512. По карточке Hugging Face модель использует Diffusers и сохранена в формате safetensors; размер параметров и длина контекста не указаны. Модель помечена как предназначенная для взрослой аудитории. Условия лицензии в предоставленных данных не указаны.

TorpedoSoftware/Luau-Devstral-24B-Instruct-v0.2 — специализированная инструкционная модель для генерации кода на Luau, разработанная Zack Williams (boatbomber) при спонсорской поддержке Torpedo Software LLC. Модель является дообученной версией Luau-Devstral-24B-Instruct-v0.1 и ориентирована прежде всего на разработку игр и скриптов для Roblox. Модель предназначена для решения задач программирования на Luau, включая генерацию и исправление кода, решение алгоритмических задач, повышение качества кода и соблюдение строгой типизации. В обучении применялся метод Dr. GRPO (Group Relative Policy Optimization) на датасете TorpedoSoftware/LuauLeetcode, содержащем около 2,6 тысячи задач с уровнями сложности от простого до продвинутого. Размер модели — 24B параметров. Заявлены поддерживаемые языки интерфейса и инструкций: английский, французский, немецкий, испанский, португальский и итальянский. Размер контекста в предоставленных данных не указан. К сильным сторонам относятся высокая точность форматирования, низкое количество ошибок линтера, хорошее соответствие строгой типизации Luau и краткие ответы без лишних пояснений. По представленным тестам модель заняла одно из лидирующих мест по качеству Luau-кода и показала высокую эффективность на сложных задачах. Ограничения включают специализацию на Luau и Roblox, а также возможное увеличение числа ошибок из-за склонности добавлять явные определения типов. Модель распространяется по лицензии Apache-2.0.

Mistral-7B-Lamia-v0.1 — разговорная языковая модель на архитектуре Mistral, дообученная openerotica на данных для ролевых диалогов, эротического анализа и художественного письма, а также на части набора Airoboros. Она предназначена для генерации текста, ролевых сцен и повествовательных историй; карточка также заявляет цели улучшить логику и снизить ограничения выравнивания базовой модели. Модель содержит 7,1 млрд параметров, использует формат PyTorch и интерфейс диалога ChatML. В README заявлена контекстная база Yarn Mistral с окном более 16 тысяч токенов, а метаданные указывают нативный контекст 32 768 токенов. Модель ориентирована на англоязычные ролевые и творческие сценарии, включая контент для взрослых. Доступна по лицензии Apache-2.0. README описывает цели обучения, но не приводит сравнительных оценок качества; фактическая способность выполнять рассуждения или ослаблять ограничения базовой модели отдельно не подтверждена.

Модель helenai/MIT-ast-finetuned-speech-commands-v2-ov — конвертированная в формат OpenVINO версия модели MIT/ast-finetuned-speech-commands-v2, предназначенная для ускоренного вывода. Она использует архитектуру Audio Spectrogram Transformer (AST) с 113,2 млн параметров и решает задачу классификации аудио, в частности распознавания речевых команд. Модель принимает аудио и выдаёт метки классов. В метаданных указан английский язык. Формат OpenVINO предназначен для ускоренного инференса; лицензия в предоставленных данных не указана.

OneFormer — модель компьютерного зрения, разработанная авторами работы «OneFormer: One Transformer to Rule Universal Image Segmentation» и представленная в репозитории shi-labs. Этот крупный вариант с backbone Dinat обучен на наборе ADE20k и предназначен для сегментации изображений. Архитектура использует токен задачи, чтобы выбирать режим сегментации при инференсе. Модель поддерживает семантическую, экземплярную и паноптическую сегментацию одним чекпойнтом. Она принимает изображения и выдаёт сегментационные маски и связанные с ними метки классов. Репозиторий распространяет веса в формате PyTorch по лицензии MIT. Карточка не сообщает ограничений по качеству или областям применения.

Undi95/OpenRP-13B-SuperCOT — текстовая генеративная модель семейства Llama, опубликованная пользователем Undi95 на Hugging Face. Это версия OpenRP-13B с весами SuperCOT; карточка не раскрывает подробности обучения или конкретные сценарии применения. Модель содержит 12,9 млрд параметров, принимает текст и генерирует текст. Её нативный контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Метки модели указывают на NSFW-содержание, поэтому она предназначена для взрослого контента.

Helsinki-NLP/opus-mt-en-grk — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Это компактная модель архитектуры Transformer на базе MarianMT с 36,6 млн параметров, предназначенная для перевода с английского на греческие языки: современный греческий и древнегреческий с письменностью Greek. Для выбора целевого языка в начале входной последовательности требуется токен вида `>>id<<`; используется нормализация текста и SentencePiece с моделями токенизации размером 12 тысяч токенов. Контекст составляет до 512 токенов. Модель опубликована под лицензией Apache-2.0; доступны веса PyTorch и TensorFlow. Модель подходит для перевода предложений и текстов с английского на современный греческий или древнегреческий. В карточке приведены тестовые показатели BLEU 53,8 для направления английский—современный греческий и BLEU 0,1 для английский—древнегреческий, поэтому качество существенно зависит от целевого языка. Узкая пара языков, ограниченный контекст и низкий результат на тесте для древнегреческого ограничивают её применение.

OVIE (One View Is Enough!) — модель синтеза нового ракурса сцены по одному изображению и целевой позе камеры. В README описана архитектура сверточного кодировщика-декодировщика с 12-слойным Vision Transformer в узком месте; размер модели — около 143 млн параметров. Положение камеры задаётся семимерным кодированием вращения и переноса, которое подаётся в Transformer через адаптивную нормализацию слоёв. Модель предназначена для генерации изображений сцены с новых точек обзора. Она обучалась на несвязанных изображениях из интернета без многовидовой разметки; для обучения использовались ImageNet, Places365, OSV5M и OpenImages, а ракурсы камеры моделировались синтетически. Качество оценивалось на DL3DV и Real Estate 10K по метрикам PSNR, SSIM и LPIPS. Репозиторий распространяется по лицензии MIT.

Qwen3.8-27B-Satoori-KO — модель преобразования корейских региональных диалектов, созданная ThakiCloud на базе Qwen/Qwen3.8-27B дообучением на реальных корпусах корейской диалектной речи. Она охватывает пять регионов: Канвондо, Кёнсандо, Чолладо, Чхунчхон и Чеджу, и предназначена для одношаговых преобразований и классификации текста. Модель преобразует фразу на диалекте в стандартный корейский, определяет регион диалекта и переводит стандартную корейскую фразу в указанный диалект. В оценке KoDialectBench v0 показала chrF 80,1 и точность идентификации региона 79,4%; инструкции запроса рекомендуется формулировать по шаблонам обучения. Модель обучалась на транскрибированном тексте и не обрабатывает аудио. Это не модель для свободного диалога: способность поддерживать естественную беседу не обучалась и не оценивалась. Вне обучающих регистров, особенно в формальном клиентском обслуживании, преобразование может игнорировать запрошенный регион; оценки на шести самостоятельно составленных примерах являются демонстрационными. Карточка указывает лицензию «other» и отмечает, что веса являются производной работой на основе AI Hub корпусов, тогда как исходные и производные данные в репозитории не распространяются.

Карточка модели CompassioninMachineLearning/Qwen-3-8b-intermediate-epoch-1-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-1, поэтому описание составлено по ней. BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-merged-epoch-1 — самостоятельная объединённая модель на основе Qwen3-8B-Base, дообученная разработчиком BrandonHowe на текстовом корпусе urban_12738_cleaned. Это плотная авторегрессионная модель класса Qwen3ForCausalLM с 7,6 млрд параметров, рассчитанная на генерацию текста; поддерживает контекст до 32 768 токенов. Модель сохранена в BF16 в формате safetensors и загружается без отдельного адаптера. Дообучение продолжалось один эпоху на 10 072 уникальных документах с повторными предъявлениями части данных; для проверки использовались 200 отдельных документов. Модель подходит для генерации текста в тематике корпуса, но README не подтверждает, что обучение улучшило способность к состраданию. Метаданные отмечают возможности чата и интерфейс вызова инструментов. Языки и лицензия в предоставленных данных не указаны.

Модель KoichiYasuoka — RoBERTa, дообученная на текстах на классическом китайском языке для сегментации предложений. Она размечает токены тегами B и E, обозначающими начало и конец предложения; односимвольное предложение получает тег S. Модель построена на базе KoichiYasuoka/roberta-classical-chinese-base-char и содержит 133,5 млн параметров. Она принимает текст и выдаёт метки токенов; длина контекста составляет 514 токенов. Модель подходит для разделения классических китайских текстов на предложения перед последующим анализом или обработкой. Распространяется по лицензии Apache-2.0.

RoBERTuito fine-tuned на корпусе CL2 — классификатор ненавистнических высказываний в коротких сообщениях на чилийском варианте испанского языка. Модель разработана для выявления высказываний, направленных против женщин, иммигрантов, коренных народов и LGBTQ+ сообщества; на выходе она относит текст к классу «hate» или «non-hate». Архитектура — RoBERTa для классификации последовательностей, около 136,3 млн параметров, максимальная длина контекста — 130 токенов. Базовая модель RoBERTuito предварительно обучена на испанских твитах. Доступны веса в форматах Safetensors и ONNX. Модель подходит для сортировки очередей модерации и анализа чилийских публикаций в социальных сетях. Для корректной работы требуется нормализация текста как при обучении: упоминания заменяются на @usuario, ссылки — на url, текст приводится к нижнему регистру. В оценке на отложенной выборке CL2 получен F1 0,854. Модель хуже переносится на другие варианты испанского и английский; неявную ненависть распознаёт сложнее, а грубая, но безвредная речь может приводить к ошибкам. Для значимых решений рекомендуется проверка человеком. Лицензия — Apache-2.0.

rubert-tiny2-russe-toxicity — дообученная модель BunnyNoBugs на основе cointegrated/rubert-tiny2 для классификации русскоязычных текстов по токсичности. Она использует архитектуру BERT с классификационной головой BertForSequenceClassification и содержит 29 млн параметров. Модель принимает текст и относит его к классам «нейтральный» или «токсичный». По приведённым результатам оценки macro F1 составляет 0,9394, а F1 для классов «нейтральный» и «токсичный» — 0,9398 и 0,9390 соответственно. Контекст составляет до 2048 токенов. Модель подходит для предварительной модерации русскоязычных текстов, но карточка не раскрывает состав обучающего набора и подробности оценки, поэтому метрики не гарантируют такое же качество на других данных. Лицензия — MIT.

RuBERT Toxicity Classifier — модель для бинарной классификации русскоязычного текста по токсичности. Она разработана на базе ru-en-RoBERTa и обучена с использованием PyTorch Lightning; архитектура — RoBERTa для классификации последовательностей, размер — около 503,5 млн параметров, контекст — до 514 токенов. Модель относит текст к одному из двух классов: безопасный или токсичный. Она предназначена для модерации русскоязычных сообщений, комментариев и другого пользовательского контента. В README указаны значения F1 и accuracy около 0,982 на валидации; эти результаты не гарантируют такую же точность на других данных. Модель распространяется по лицензии MIT. Она классифицирует только текст и не объясняет причины присвоения класса; качество может зависеть от тематики, стиля и распределения данных, на которых применяется.

LilyPersilly/SBERT_swedish_politics — дообученная модель Sentence Transformers на базе KBLab/sentence-bert-swedish-cased, разработанная LilyPersilly. Она преобразует текстовые предложения в плотные векторы размерности 768 и предназначена для оценки семантического сходства с помощью косинусного сходства, семантического поиска, поиска перефразирований, классификации и кластеризации. Модель ориентирована на тексты о шведской политике; для обучения использовалось 291 размеченное пара предложений. Архитектура включает BERT и усредняющий pooling. README указывает максимальную длину последовательности 384 токена, а метаданные — контекст до 512 токенов. Базовая модель поддерживает шведский и английский языки; обучающие примеры в карточке — на шведском. Выход модели — векторное представление текста. Дообученные веса распространяются по лицензии NCPL: использование разрешено для некоммерческих целей, а встраивание в коммерческие продукты, платные API и SaaS запрещено. Размер обучающей выборки невелик, поэтому качество может быть ограничено за пределами тематических текстов о шведской политике.

Карточка модели Junoffical/segformer-b0-finetuned-ade-512-512 на Hugging Face совпадает с карточкой nvidia/segformer-b0-finetuned-ade-512-512, поэтому описание составлено по ней. SegFormer B0 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; энкодер предварительно обучен на ImageNet-1k, затем модель дообучена для сегментации сцен. Модель назначает пиксели изображениям классам объектов и элементов сцены. Её можно применять для семантической сегментации фотографий и разбора сцен; карточка приводит ADE20K и Cityscapes как ориентиры для таких задач. Вход — изображение, выход — карта сегментации. В метаданных указаны PyTorch, TensorFlow и safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

SegFormer B3 — модель семантической сегментации изображений, дообученная sayeed99 на наборе ATR для выделения одежды и частей человеческой фигуры. Она размечает пиксели 18 классами: фоном, предметами одежды и аксессуарами, волосами, лицом и частями тела; подходит для анализа фотографий людей и задач human parsing. В README приведены оценки на тестировании: средняя точность 0,80 и средний IoU 0,69. Точность зависит от класса: например, для волос IoU составляет 0,82, а для шляп — 0,68. Модель предназначена для изображений; сведения о поддерживаемых естественных языках и размере входа в предоставленных данных отсутствуют. Репозиторий использует формат safetensors и распространяется по лицензии MIT.

SEW-D-tiny — предварительно обученная речевая модель семейства SEW-D, разработанная ASAPP Research на основе идей wav2vec 2.0. Она извлекает признаки из аудио и предназначена для дообучения под прикладные задачи, включая распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Модель содержит 28,3 млн параметров и принимает речь, записанную с частотой дискретизации 16 кГц. Архитектура SEW (Squeezed and Efficient Wav2vec) нацелена на повышение эффективности и скорости вывода; в исследовании для SEW описаны улучшения скорости и качества распознавания относительно wav2vec 2.0. Карточка указывает английский язык и датасет LibriSpeech ASR. Для распознавания речи и других прикладных задач модель нужно дообучить. Веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

garak-llm/toxic-comment-model — модель на базе DistilBERT, дообученная для классификации токсичных комментариев. Она принимает текст и выдаёт метку класса; подходит для первичной фильтрации сообщений в пользовательских комментариях и онлайн-обсуждениях. Контекст модели — 512 токенов, архитектура — DistilBertForSequenceClassification, веса представлены в формате safetensors. В карточке заявлены английский язык и обучение на 10% обучающей выборки Kaggle-соревнования. В описанной оценке на отложенной выборке из 10 000 примеров модель достигла точности 94% и F1 0,59. Результаты по отдельным группам показывают смещение: нейтральные высказывания о мусульманах могут быть ошибочно помечены как токсичные, также отмечена низкая эффективность для групп мусульман и евреев. Поэтому оценки модели не следует использовать как единственное основание для модерации. Лицензия в предоставленных сведениях не указана.

Модель Somos NLP Hackathon 2022, созданная medardodt, MariaIsabel, ManRo, lucel172 и robertou2. Это дообученная для классификации текста модель pysentimiento/robertuito-base-uncased на наборе EXIST; она выявляет сексизм в испаноязычных сообщениях Twitter. Модель основана на RoBERTa и содержит 136,3 млн параметров. Её нативная длина контекста — 130 токенов. Модель предназначена для выявления сексистских высказываний в испаноязычных сообщениях и может использоваться для анализа публикаций в социальных сетях или как отправная точка для исследовательских и учебных проектов по распознаванию сексизма. На тестовом наборе авторы сообщают accuracy 0,80, F1 0,83 и F2 0,89. Обучение опиралось на испаноязычные твиты из EXIST и данные MeTwo. Авторы отмечают ограничения наборов данных, в том числе связанные с лицензиями и политиками распространения, а также намерение расширить данные и улучшить модель. Репозиторий распространяется по лицензии Apache-2.0.

ChristopherLi разработал ViT Emotion Recognition — модель Vision Transformer, дообученную на наборе FER2013 Enhanced для распознавания семи эмоций по выражению лица на изображении. Она рассчитана на работу с лицами в естественных условиях, в том числе с кадрами веб-камеры, и доступна через библиотеку Transformers для классификации изображений. Модель различает злость, отвращение, страх, радость, грусть, удивление и нейтральное выражение. Основа — google/vit-base-patch16-224-in21k; размер — 113,2 млн параметров. При обучении изображения лиц размером 48×48 в оттенках серого увеличивали до 224×224 и копировали канал на три цветовых канала. На тестовой выборке указаны точность 69,4% и Macro F1 0,656. Лицензия — Apache-2.0.

4.2.0-Broken-Tutu-24b — объединённая англоязычная языковая модель, созданная ReadyArt с помощью mergekit и метода DARE TIES. В качестве базовой модели использована TheDrummer/Cydonia-24B-v4.2.0; в слияние также вошли TroyDoesAI/BlackSheep-24B и три модели ReadyArt: Omega-Darker_The-Final-Directive-24B, Forgotten-Safeword-24B и The-Omega-Directive-M-24B-v1.1. Модель построена на плотной архитектуре Mistral с 23,4 млрд параметров и контекстом до 131 072 токенов. Она предназначена для генерации текста и чат-сценариев, включая откровенные ролевые диалоги и художественные истории с эротикой, ужасами и насилием. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.