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

CARDS-Qwen3.6-27B-i1-GGUF — мультимодальная vision-language модель на базе C3DS/CARDS-Qwen3.6-27B-API, доработанная для задач, связанных с климатом и изменением климата. Модель разработана на основе датасета C3DS/cards_sft_dataset, а GGUF-квантизации подготовлены mradermacher. По заявленным данным, основной язык — английский. Модель предназначена для анализа климатического дискурса и классификации материалов по тематике климата и изменения климата. Она поддерживает обработку текста и изображений, поэтому может применяться в сценариях vision-language, где требуется совместно интерпретировать текстовые и визуальные входные данные. Размер базовой модели составляет 27 миллиардов параметров; конкретный размер контекста в README не указан. Модель распространяется в формате GGUF с несколькими вариантами квантизации, что позволяет выбирать компромисс между качеством, скоростью и требованиями к памяти. В README рекомендуются варианты i1-Q4_K_S и i1-Q4_K_M, при этом некоторые низкобитные варианты отмечены как имеющие низкое качество. Ограничениями являются зависимость качества от выбранной квантизации, отсутствие опубликованных в README подробных результатов оценки и неизвестный размер контекстного окна. Лицензия — Apache-2.0.

Карточка модели manelalab/chrono-bert-v1-20241231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Модель разработана командой Hate-speech-CNERG для выявления оскорбительного содержания в текстах на каннада, включая тексты с кодовым смешением. Это классификатор на базе XLM-RoBERTa с 305,2 млн параметров; веса инициализированы предобученной XLM-RoBERTa-Base, дополнительно обучены с помощью masked language modeling на целевых данных, а затем дообучены для классификации. Модель предназначена для идентификации оскорбительного языка и связана с задачей EACL 2021 Shared Task по выявлению оскорбительной речи в дравидийских языках. В описанной оценке модель получила weighted F1 0,73 на отложенном тестовом наборе; ансамбль моделей достиг 0,74. Подходит для классификации каннада-текстов в модерации и исследованиях языка. Прикладная область ограничена каннада, включая код-смешанные данные; качество на других языках и типах текста не подтверждено. Контекст составляет 514 токенов. Лицензия — Apache-2.0.

onnx-community/depth-anything-v2-base — это версия модели Depth Anything V2 Base с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. В README не указаны отдельные сведения о разработчике, размере архитектуры, языках или поддерживаемых модальностях; известно, что исходной моделью является depth-anything/Depth-Anything-V2-Base. Модель предназначена для оценки глубины по изображениям: она анализирует изображение и формирует карту глубины, которую можно сохранить и визуализировать. Основной сценарий использования — запуск depth estimation в JavaScript-приложениях, в том числе в веб-среде через Transformers.js. ONNX-формат облегчает интеграцию с такими приложениями, однако README не содержит данных о точности, производительности, максимальном разрешении или ограничениях качества. Модель распространяется по лицензии CC BY-NC-4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

Detoxify ONNX — модель Gravitee.io для выявления токсичности в текстах. Это версия мультиязычной модели Detoxify, экспортированная в ONNX и квантованная для ускоренного инференса; метаданные указывают на архитектуру XLM-RoBERTa с классификационной головой и дообучение на базе unitary/toxic-bert. Размер модели — 305,2 млн параметров, контекст — до 514 токенов. Модель предназначена для модерации онлайн-контента и оценки токсичности текста на английском, французском, итальянском, русском, португальском, испанском и турецком языках. В README приведены метрики на нескольких порогах классификации. Для квантованной версии F1 составляет 0,629–0,639, а AUC-ROC — 0,9306; показатели зависят от выбранного порога. Эти результаты указывают на полезность модели для первичной фильтрации, но решение о модерации может требовать дополнительной проверки. Репозиторий распространяется по лицензии Apache-2.0.

Ellaria-9B-GGUF — квантованные версии языковой модели Ellaria-9B, разработанной tannedbum и преобразованные в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель основана на архитектуре Gemma 2, предназначена для генерации текста и в первую очередь ориентирована на ролевые сценарии и использование в SillyTavern. Поддерживается английский язык; модель работает только с текстом. Размер исходной модели составляет 9B параметров. Доступны варианты от F16 до низкобитных Q2- и IQ-квантизаций с размером файлов примерно от 3,43 до 18,49 ГБ. Квантизации Q5 и Q6 обеспечивают высокое качество, а Q4 предлагают компромисс между качеством и требованиями к памяти; отдельные варианты оптимизированы для CPU и ARM. Модель совместима с llama.cpp и может запускаться, например, в LM Studio. Модель не поддерживает системный промпт, поэтому инструкции и форматирование диалога следует передавать в пользовательском запросе. В README не указаны размер контекстного окна, результаты оценивания, дополнительные модальности или лицензия, поэтому эти характеристики нельзя достоверно описать.

ND911/Franken-MistressMaid-7B-v2 — слитая модель генерации текста на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода TIES. В объединение вошли ibm/merlinite-7b, jondurbin/bagel-dpo-7b-v0.4, l3utterfly/mistral-7b-v0.1-layla-v4, senseable/WestLake-7B-v2 и Undi95/Toppy-M-7B; размер модели — 7,1 млрд параметров, заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текстовых ответов по инструкциям и ролевых диалогов. Автор отмечает её совместимость с настройками Min-P и Noromaid в SillyTavern. Объединённые базовые модели указывают на ориентацию в том числе на ролевое общение и контент для взрослых. В карточке не перечислены языки и отдельные результаты оценки качества. Репозиторий использует формат safetensors и библиотеку Transformers; условия лицензирования в предоставленных данных не приведены.

MarcoCharon/iw-conspir-v3 — модель классификации текста на основе DistilBERT, дообученная на distilbert-base-uncased. Она предназначена для отнесения текста к категориям, связанным с конспирологическими убеждениями: подозрение в сокрытии фактов, злонамеренное намерение, образ преследуемой жертвы, устойчивость к опровержениям и переосмысление случайных событий. Модель принимает текст и выдаёт метки классов; максимальная длина контекста — 512 токенов. В README приведены метрики на оценочной выборке: Macro F1 0,4023 и Micro F1 0,5893; качество заметно различается между классами, а F1 для класса Contradictory равен 0. Датасет обучения не описан. Модель распространяется по лицензии Apache-2.0.

Mahou-1.5-llama3.1-70B — диалоговая языковая модель FlammenAI для коротких сообщений в разговоре, непринуждённого общения и ролевых сценариев. Она построена на плотной архитектуре Llama 3.1 с 69,5 млрд параметров и дообучена методом ORPO на наборе MahouMix-v1 в течение трёх эпох. Модель рассчитана на генерацию текста и поддерживает контекст до 131 072 токенов. Для общения используется формат ChatML; в ролевом режиме речь оформляется без кавычек, а действия — звёздочками. В карточке приведены результаты оценок IFEval и BBH. Модель распространяется под лицензией Llama 3.1. README рекомендует настройки SillyTavern для запуска, но не уточняет языки общения и ограничения по содержанию.

maid-yuzu-v5-extra — экспериментальная чат-модель, созданная rhplus0831 из любопытства к объединению четырёх моделей для ролевого общения. В метаданных указана архитектура Mixtral MoE с классом MixtralForCausalLM, размером 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста в диалогах и ролевом общении. Автор сообщает о проблеме, возникшей во время квантования; дополнительных сведений о том, как она влияет на качество или работу модели, нет. Лицензия в предоставленных данных не указана.

Mawdistical_Mawdistic-NightLife-24b-GGUF — это набор GGUF-квантизаций модели Mawdistic-NightLife-24b, разработанной Mawdistical и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая сценарии roleplay и контент с выраженной тематикой NSFW. Заявленный язык — английский. Модель имеет около 24 млрд параметров и поставляется в вариантах от BF16 до квантизаций Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов составляет примерно от 10,65 до 47,15 ГБ. Для запуска рекомендуются LM Studio, llama.cpp и совместимые проекты. В README указан формат промпта с системным сообщением и пользовательской инструкцией; размер контекста и сведения о мультимодальности не указаны. Сильными сторонами являются широкий выбор уровней квантизации и возможность локального запуска, при этом варианты Q5 и выше заявлены как высококачественные, а Q4 подходят для большинства сценариев. Более сильные квантизации требуют значительных ресурсов, а варианты Q3 обеспечивают экономию памяти за счёт снижения качества. В метаданных одновременно указаны лицензия Apache-2.0 и ссылка на Mistral Research License 0.1, поэтому условия использования следует уточнить по исходной модели и соответствующим лицензионным документам.

Morbid Miasma 24B — слитая с помощью mergekit языковая модель от DarkArtsForge для генерации творческого текста, историй и ролевых диалогов. В README автор характеризует её как не имеющую ограничений на контент; модель может создавать мрачные сюжеты и откровенные эротические сцены с насилием. Модель основана на Magistral-Small-2509 и объединяет его с несколькими моделями семейства 24B, включая Maginum-Cydoms, Asmodeus, Magistaroth и другие. Это плотная MistralForCausalLM с 23,4 млрд параметров, контекстом до 131 072 токенов и форматом safetensors. Для диалогов автор рекомендует шаблон Mistral Tekken. Подходит для ролевых сценариев, художественного письма и продолжения историй. README приводит оценку 16103 в Q0 Bench, но не описывает методику оценки. Лицензия — Apache-2.0. Модель предназначена для взрослых и графически жестоких сюжетов; результат зависит от системного промпта и настроек генерации.

Painted Fantasy v3 — модель для творческого ролевого общения, разработанная автором zerofata на базе Magistral-Small-2509. Она предназначена для диалогов с персонажами, ролевых сценариев и эротических ролевых сценариев, а также для написания историй и ответов в заданном образе. Модель дообучена в два этапа: SFT и DPO; в обучающих данных использовались ролевые диалоги, рассказы, материалы об аниме и виртуальных авторах, а также примеры откровенного письма. Это плотная авторегрессионная языковая модель семейства Mistral с 23,4 млрд параметров, рассчитанная на генерацию текста и диалоговый режим. Нативная длина контекста — 131 072 токена. В метаданных указана библиотека Transformers; README также описывает совместимость с шаблоном Mistral v7 Tekken и рекомендует настройки для SillyTavern. Автор описывает модель как uncensored и ориентированную на персонажное RP/ERP. DPO-настройка была направлена на сокращение повторов, неверного определения пола персонажей, копирования формулировок пользователя и логических ошибок, но это не гарантирует их полного отсутствия. Лицензия — Apache-2.0.

MEYNG/nllb-sango-finetuned-600m-v2-2 — модель машинного перевода, созданная MEYNG дообучением Facebook NLLB-200 distilled 600M. Она предназначена прежде всего для перевода с санго на французский; архитектура M2M100, число параметров — 463,7 млн, контекст — до 1024 токенов. Поддерживается перевод в обоих направлениях, но для перевода с французского на санго авторы рекомендуют исходную базовую модель. На тестах FLORES+ devtest и SIB-200 модель немного превзошла базовую в направлении санго → французский. Данные обучения преимущественно относятся к религиозному и гуманитарному веб-тексту, поэтому качество на разговорных и технических текстах санго проверено ограниченно. Лицензия CC-BY-NC-4.0 разрешает некоммерческое использование.

Noname AI v2.5 Light — модель генерации текста, созданная для проекта Noname AI. Она преобразует описание эффектов навыка в код навыков; модель дообучена на базе QWen и содержит 2,3 млрд параметров. Репозиторий использует формат safetensors, а максимальная длина контекста составляет 8192 токена. Модель предназначена для создания кода навыков по заданным эффектам и доступна для локального запуска на CPU или NVIDIA GPU, а также для развёртывания веб-интерфейса на Streamlit. Облегчённая версия рассчитана на более скромные ресурсы, однако README не уточняет поддерживаемые языки запросов и конкретную среду выполнения создаваемого кода. Автор предупреждает, что сгенерированный код может содержать ошибки, избыточные фрагменты или лишние символы и требует ручной проверки. README ограничивает заявленное использование обучением и обменом знаниями и просит не использовать модель в коммерческих или незаконных целях; сведения о лицензии в метаданных отсутствуют.

zxbsmk выпустил NSFW_13B_sft — инструкционно дообученную языковую модель на архитектуре Baichuan с 12,9 млрд параметров. README указывает, что при обучении использовался набор instruct_nsfw_cn; карточка также связывает модель с датасетом zxbsmk/instruct_short_novel. Модель предназначена для генерации текста по инструкциям на китайском языке, в том числе для создания короткой прозы с контентом для взрослой аудитории. Модель использует формат PyTorch и лицензию Apache-2.0. В README приведено сравнение с Baichuan-13B-Chat на zero-shot CMMLU: результаты NSFW_13B_sft выше в гуманитарных и общественных науках и немного выше по STEM; эти данные сами по себе не устанавливают качество для других задач. Карточка не сообщает длину контекста.

PARTYPRESS multilingual — модель классификации текстов на основе bert-base-multilingual-cased, дообученная исследователями PARTYPRESS на размеченных пресс-релизах политических партий. Она распределяет тексты по 23 областям политики из классификации Comparative Agendas Project и предназначена прежде всего для анализа тем, которые партии освещают в своих сообщениях. Модель обучена на 27 243 пресс-релизах 68 партий из девяти европейских стран; доступна классификация на немецком, датском, английском, нидерландском, польском, испанском и шведском языках. Это BERT-модель для классификации последовательностей с контекстом до 512 токенов и 205,1 млн параметров. В пятиблочной перекрёстной проверке авторы получили точность 69,52% и F1 66,77%, сопоставимые с результатами экспертных кодировщиков. Качество зависит от страны: в README указаны более высокие результаты для Ирландии и более низкие для Польши; различение некоторых близких тем, например экологии и энергетики, затруднено. Для других стран и контекстов авторы рекомендуют дополнительное дообучение. Лицензия — CC BY-SA 4.0.

Piros Toll — небольшая языковая модель, созданная Flashtond для исправления орфографии и грамматики венгерского языка, включая восстановление диакритических знаков. Она построена на плотной архитектуре типа Llama с классом LlamaForCausalLM, содержит 88,1 млн параметров и принимает текст в контексте до 1024 токенов. Модель можно запускать локально, в том числе на телефоне и маломощных устройствах; для исправления рекомендуется подавать один абзац и отключать случайную генерацию. Модель стремится сохранять исходный текст и не менять корректные фрагменты. В README приведены результаты двух тестов: на реальном наборе F0.5 составил 69,5%, а 87,5% заведомо правильных текстов остались без изменений. Модель не предназначена для стилистической правки, перефразирования или проверки фактов; на редких словах и коротких полностью лишённых диакритики фрагментах возможны ошибки, поэтому исправления следует проверять. Весовые параметры заявлены как обученные с нуля, без заимствования параметров другой модели. Лицензия CC BY-NC-ND 4.0 требует указания автора, запрещает коммерческое использование без отдельного разрешения и распространение изменённых версий.

MooreMuaMu/qwen35-27b-ancient-rl-r32-step100 — полноразмерная объединённая модель на архитектуре Qwen3.5-27B, разработанная на основе этапа 2 модели для древних языков. LoRA-адаптер ранга 32 обучен методом GRPO до шага 100 и объединён с базовой моделью; веса сохранены в bfloat16 в формате safetensors. Модель предназначена для генерации текста и диалоговой работы с заданиями по аннотации и переводу тибетского и традиционного монгольского языков. Проверка на отложенной выборке из 300 запросов показала небольшой прирост общего показателя Exact относительно базовой модели, однако доверительный интервал включает ноль. Показатель BLEU-2 вырос в основном за счёт аннотации традиционного монгольского; результаты различались между языковыми заданиями, поэтому качество не гарантировано для каждого сценария. Модель распространяется по лицензии Apache-2.0.

vuminhtue выпустил языковую модель Qwen3-0.6B, дополнительно обученную на датасете TinyStories в течение 200 тысяч итераций. Это плотная трансформерная модель примерно с 596 млн уникальных параметров: 28 слоёв, grouped-query attention с 8 KV-группами, RoPE, RMSNorm и активация SiLU. Для токенизации используется GPT-2 tokenizer (tiktoken). Модель предназначена для генерации коротких связных историй в стиле обучающих примеров, прежде всего простых детских рассказов на английском языке. Репозиторий содержит веса PyTorch; лицензия — MIT. Указанное в README имя репозитория для скачивания весов отличается от идентификатора этой модели.

recitation-segmenter-v2 — модель obadx для автоматической сегментации чтения Корана по местам остановок ваκф. Она дообучена на базе facebook/w2v-bert-2.0 и использует архитектуру Wav2Vec2-BERT для покадровой классификации аудио с разрешением 20 мс. Модель содержит около 402,7 млн параметров и предназначена для обработки аудиозаписей чтения Корана, в том числе для разметки аудиоколлекций и систем обучения чтению. Модель обучена на более чем 850 часах чтения Корана с примерно 300 тысячами размеченных высказываний. Она оптимизирована для чтения Корана и может быть полезна как компонент систем анализа произношения. По данным карточки, для работы требуется около 3 ГБ видеопамяти; заявлена обработка записей разной длительности. Лицензия — MIT. Ограничение: очень короткую паузу сакта модель считает полноценной остановкой ваκф, что может быть важно для углублённого анализа таджвида. На другие виды арабской речи модель может переноситься хуже.

SenseNova-Vision-7B-MoT — мультимодальная модель компьютерного зрения от разработчиков SenseNova-Vision. Она представляет задачи восприятия как генерацию текста, изображений или их сочетания по текстовым инструкциям и визуальному вводу. Единый интерфейс охватывает структурированное понимание сцен, сегментацию, плотную геометрию и геометрию нескольких видов; модель работает без отдельных специализированных голов для каждой задачи. Модель предназначена для распознавания текста на изображениях, локализации объектов и областей по запросу, определения ключевых точек и параметров камеры, предсказания глубины и нормалей, построения карт точек и масок сегментации. Результаты могут представляться структурированным текстом, изображениями-картами или сочетанием текста и изображений. Для работы рекомендуется официальный код инференса SenseNova-Vision. Веса опубликованы в формате safetensors. Модель ориентирована на компьютерное зрение и поддерживает англоязычные инструкции. Результаты на плотной геометрии и позах камеры нужно проверять, а текстовые и графические выходы требуют соответствующего задаче разбора. Качество чувствительно к формулировке запроса, схеме вывода и визуальным подсказкам; на узкоспециализированных задачах специализированные модели могут быть точнее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это модель семейства Sentence-Transformers, разработанная для преобразования предложений и абзацев в 768-мерные векторы. Она основана на MPNet с 136,7 млн параметров и дообучена на парах предложений с библейской тематикой из набора odunola/bible-reference-sentence-pair; обучение с MultipleNegativesRankingLoss настроено на косинусное сходство. Модель предназначена для поиска смысловых соответствий между библейскими текстами и обсуждениями, даже если формулировки различаются. Векторы можно использовать для сравнения предложений, семантического поиска и группировки похожих фрагментов. Репозиторий содержит веса PyTorch, контекст модели — 514 токенов. Лицензия Apache-2.0.

STFT-VAE — нейронный аудиокодек с непрерывным латентным представлением на основе STFT. Модель кодирует аудио в комплексную спектрограмму, Transformer-энкодер сжимает её до непрерывного латента с частотой 3,125 кадра в секунду и размерностью 128, а Transformer-декодер и обратное STFT восстанавливают звуковую волну. Фаза сохраняется через STFT/ISTFT, без обучаемого вокодера. Модель содержит около 116 млн параметров и рассчитана на аудио с частотой дискретизации 24 кГц. Она предназначена для кодирования и реконструкции аудио, например для сжатия звукового сигнала в латентное представление и последующего восстановления. Репозиторий содержит архитектурную конфигурацию и веса в формате safetensors; лицензия — MIT.

Tarbiyah AI Whisper Medium Merged — модель автоматического распознавания речи, разработанная для проекта Tilawah AI на основе openai/whisper-medium. Это дообученная модель семейства Whisper с архитектурой encoder-decoder Transformer и 455,8 млн параметров; репозиторий содержит веса safetensors. Модель предназначена прежде всего для расшифровки чтения Корана на арабском языке, включая различные стили рецитации, а также показывает применимость к общей арабской речи. В карточке указаны результаты WER 5,8% на пользовательском наборе чтения Корана, 14,2% на Common Voice 11 Arabic и 11,5% в тесте с шумом. Модель может использоваться для транскрибации аятов и поддержки анализа рецитации в образовательных приложениях. Авторы отмечают, что обучающие данные преимущественно включали мужские голоса, поэтому качество для женских и детских голосов может отличаться; возможен перекос в пользу распространённых стилей, например Хафс ан Асым. Расшифровка не заменяет обучение у квалифицированного преподавателя и не предназначена для религиозных заключений. Лицензия — MIT.

UL_exterior_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google на наборе данных imagefolder. Она предназначена для отнесения изображений к классам внешнего вида, однако карточка не раскрывает состав классов и подробные сценарии применения. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. На оценочном наборе указаны точность 0,6897 и функция потерь 0,6992. Эти результаты характеризуют только приведённую оценку и не гарантируют качество на других данных. Модель выпущена по лицензии Apache-2.0.

AI-B/UTENA-7B-NSFW-V2 — языковая модель на архитектуре Mistral, созданная разработчиком AI-B слиянием методом SLERP моделей UTENA-7B-NSFW и UTENA-7B-BAGEL. Она предназначена для генерации текста и сценариев, допускающих контент для взрослых. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Карточка приводит результаты Open LLM Leaderboard, в том числе средний балл 63,45, но не уточняет дополнительные сценарии применения или языки. Доступны веса в формате safetensors; README также упоминает отдельную GGUF-квантизацию. Лицензия — Unlicense.

yanka9 разработал модель ViLT для визуальных вопросов и ответов о модной одежде. Архитектура объединяет текстовые эмбеддинги с Vision Transformer без свёрточного экстрактора признаков и региональной супервизии. Модель содержит 136,7 млн параметров и рассчитана на короткие вопросы с контекстом до 40 токенов. Модель отвечает на открытые и закрытые вопросы по изображениям одежды, включая вопросы о цвете, ткани, форме предметов одежды и аксессуарах, а также о поле человека на изображении. Она обучена на пользовательском наборе yanka9/deepfashion-for-VQA, созданном на основе DeepFashion-MultiModal: для 44 096 изображений сформировано 209 481 вопрос. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ. Лицензия — MIT. Назначение модели ограничено перечисленными категориями и характеристиками одежды из обучающего набора; результаты по другим визуальным темам не подтверждены.

VPTracker — полно-параметрическая дообученная модель на базе мультимодальной Qwen3.5-2B-Base, созданная для глобального визуально-языкового трекинга с пространственными визуальными подсказками. Модель принимает визуальные данные и текстовые подсказки, чтобы отслеживать объекты в изображениях или видеопоследовательностях. В репозитории опубликован чекпойнт эксперимента 069. Для загрузки предусмотрены Transformers и архитектура Qwen3_5ForConditionalGeneration; README указывает ms-swift как среду обучения и инференса. Лицензия — Apache-2.0. Подробности о поддерживаемых языках, размере контекста и результатах оценки в предоставленных источниках отсутствуют.

baobabtech разработала компактный классификатор SetFit на базе BAAI/bge-small-en-v1.5 для выявления водных конфликтов в новостных заголовках. Он присваивает три независимые метки: вода как повод для конфликта (Trigger), водная инфраструктура как цель или ущерб (Casualty) и вода как оружие или средство воздействия (Weapon). Модель основана на BERT, содержит около 40 млн параметров по метаданным и принимает текстовые заголовки на английском языке; максимальная длина контекста — 512 токенов. Модель предназначена для исследовательской классификации больших массивов заголовков и может обрабатывать сотни текстов в секунду. В README приведена оценка на отложенной выборке из 519 примеров: micro F1 — 0,853, exact match accuracy — 0,8015; качество по метке Weapon заметно ниже, чем по двум другим категориям. Это экспериментальный специализированный классификатор, не универсальная система анализа конфликтов. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.