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

Модель shibing624-chinese-text-correction-1.5b-GGUF представляет собой набор GGUF-квантизаций базовой модели shibing624/chinese-text-correction-1.5b, разработанной shibing624 и подготовленной квантизатором featherless-ai-quants. Она относится к классу генеративных текстовых моделей и предназначена прежде всего для исправления ошибок в китайском тексте. Модель имеет заявленный размер 1,5 млрд параметров и работает с текстовой модальностью. В репозитории доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер составляет примерно от 645 МБ до 1,57 ГБ. Это позволяет выбирать между меньшими требованиями к памяти и потенциально более высоким качеством. Сведения о поддерживаемых языках помимо китайского, размере контекстного окна, архитектуре, точности исправления и результатах оценки в README не указаны. Сильной стороной набора является наличие нескольких уровней квантизации, что упрощает локальный запуск на оборудовании с различными ресурсами. Ограничения включают отсутствие подробной информации о качестве, лицензии, рекомендуемых параметрах использования и совместимости с конкретными программными средствами. Условия лицензирования в предоставленных данных не указаны.

bishnoiyash/SmolLM2-135M-tinystories — это дообученная модель генерации текста на базе SmolLM2-135M от HuggingFaceTB. Автор продолжил предобучение на корпусе TinyStories объёмом около 100 млн токенов; модель использует плотную архитектуру LlamaForCausalLM и содержит 134,5 млн параметров. Веса bf16 доступны в формате safetensors, контекст — до 8192 токенов. Модель рассчитана на продолжение и генерацию коротких англоязычных историй в стиле TinyStories. На валидационной выборке этого корпуса показатель perplexity снизился с 6,8945 до 3,7900 после обучения. Модель распространяется по лицензии Apache-2.0. Результат измерен в одном запуске только на доменном корпусе TinyStories. Проверок на общих задачах и вне домена не проводилось; автор предупреждает, что способности базовой модели общего назначения могли ухудшиться. Поэтому модель лучше рассматривать как специализированную для историй TinyStories, а не как универсальную языковую модель.

snap-plate-dfine-small-v87-gt25 — модель обнаружения объектов, созданная aguxez дообучением aguxez/snap-plate-dfine-small-v1 на датасете aguxez/snap-equipment-youtube-v73-train-plate-v2. Она предназначена для поиска и локализации объектов на изображениях. Архитектура D-FINE для обнаружения объектов доступна в форматах ONNX и safetensors и используется через библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит сведения о классах объектов, качестве на тестовых данных или ограничениях применения.

roneneldan/TinyStories-33M — языковая модель автора Ronen Eldan, обученная на наборе TinyStories и основанная на архитектуре GPT-Neo. Она предназначена для генерации коротких простых историй по текстовой подсказке, в том числе сказок с понятным сюжетом и простым языком. Модель содержит 71,6 млн параметров и работает с текстом. В метаданных указан контекст 2048 токенов; в README среди параметров обучения приведена длина контекста 512 токенов. Репозиторий содержит веса PyTorch. Модель обучалась на TinyStories; лицензия — MIT. Её специализация на коротких историях делает её подходящей для простых творческих черновиков и демонстраций генерации текста. Она не предназначена для надёжных фактических ответов или сложных рассуждений; в README не приведены оценки качества.

Video Depth Anything Large (Metric) в формате MLX — конверсия модели depth-anything/Metric-Video-Depth-Anything-Large от ByteDance, представленной как highlight на CVPR 2025. Модель оценивает глубину по монокулярному видео: использует backbone DINOv2 и временную голову DPT, выдавая абсолютные расстояния в метрах с согласованностью между кадрами. Модель предназначена для извлечения метрической карты глубины из видеопоследовательности. Конверсия проверена сравнением с реализацией PyTorch: README сообщает максимальную относительную ошибку около 1e-5 на CPU и около 1% на GPU при fast-math в Metal. Распространяется по лицензии Apache-2.0.

Whisper Turbo Quran — модель распознавания речи, созданная Тарыком Исметом Алканом на основе openai/whisper-large-v3-turbo. Это полноразмерное дообучение Whisper с 905,2 млн параметров, специализирующееся на распознавании чтения Корана на арабском языке. Модель принимает аудио и выдаёт арабский текст с диакритическими знаками (ташкиль/харакат); в карточке указано, что обучение проводилось на наборе tarteel-ai/everyayah, а веса представлены в формате safetensors. Модель предназначена для транскрибирования коранической рецитации, включая сценарии сопровождения чтения и обучения. В README автор сообщает о WER 0,05% на 500 оценочных примерах, однако этих данных недостаточно, чтобы оценить качество на других записях и в реальных условиях. Описанные возможности приложения Tilavet — отслеживание аятов, распознавание ошибок чтения, офлайн-работа и перевод — относятся к приложению и его развёртыванию, поэтому их нельзя считать подтверждёнными функциями самой модели. Модель опубликована по лицензии Apache-2.0. README описывает перенос весов энкодера из whisper-large-v3-quran-lora как способ инициализации перед полным дообучением; базовой моделью при этом указана openai/whisper-large-v3-turbo.

Карточка модели botp/zxbsmk-NSFW_13B_sft на Hugging Face совпадает с карточкой zxbsmk/NSFW_13B_sft, поэтому описание составлено по ней. 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.

Basilisk 7B v0.2 — языковая модель, опубликованная openerotica. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате PyTorch. Модель обучена на подмножестве Orca-Best и преимущественно на Freedom-RP, чтобы совместить возможности Orca-Best с улучшенной ролевой генерацией и созданием взрослого контента. Для диалогов используется формат Vicuna/ShareGPT. Модель предназначена для генерации текста, в частности ролевых диалогов и контента для взрослых. Лицензия — Apache-2.0.

Модель dima806/car_models_image_detection разработана на основе Vision Transformer ViT и предназначена для определения марки автомобиля по изображению. Она возвращает предсказанную марку; в README заявлена точность около 84%. Модель содержит 113,2 млн параметров и использует библиотеку Transformers. Это дообученная для классификации изображений версия google/vit-base-patch16-224-in21k. Подходит для автоматической сортировки фотографий автомобилей и распознавания марки на изображении. Лицензия — Apache-2.0.

Chess Puzzle Generator — модель Naapeli для генерации шахматных задач с помощью маскированной диффузии. Доступны две версии по 268 млн параметров: основная версия, описанная в статье на arXiv, ориентирована на позиции с единственным решением и соответствием заданным темам; версия из заявки AAAI сильнее оптимизирована на неожиданность и уникальность задач. Модель принимает условия в виде шахматных тем, рейтинга сложности, частичной позиции в формате FEN и/или хода-решения в формате UCI и генерирует позиции с ходом. Поддерживает пакетную генерацию и настраиваемые шаги диффузии, температуру и порядок генерации ходов и доски. Репозиторий использует формат safetensors и custom pipeline; лицензия — MIT. Генерация не гарантирует, что полученная позиция является корректной задачей, поэтому результаты следует проверять и фильтровать. README не указывает поддержку естественных языков; модель предназначена для работы с шахматными обозначениями и структурами.

DARK LUST ROLEPLAY 3.2 1B — компактная языковая модель NovaCorp для ролевых диалогов и художественного письма. Это объединённая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM и примерно 1,2 млрд параметров; она принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. Модель предназначена для продолжительных ролевых сцен, следования инструкциям и создания выразительных повествований с последовательными персонажами. В README описаны слияние DARE TIES и ориентация на описательную лексику, однако независимые оценки качества не приведены. Указана работа на оборудовании с менее чем 2 ГБ видеопамяти, но это рекомендация автора, а не результат опубликованного тестирования. Модель ориентирована на откровенный ролевой контент. Язык лицензии в предоставленных данных не указан, поэтому условия использования определить нельзя.

DETRPose-M-COCO — модель компьютерного зрения для обнаружения ключевых точек и оценки поз нескольких людей на изображении. Она представлена в карточке как реализация метода DETRPose, разработанного на основе гибридного энкодера RT-DETR и облегчённого декодера D-FINE. Для улучшения уверенности оценок модель использует Pose-LQE, а обучение включает денойзинг ключевых точек и специальную функцию потерь Keypoint Similarity Varifocal. Модель рассчитана на обработку сцен с несколькими людьми в реальном времени. Для варианта DETRPose-M на COCO в карточке приведены AP 69,4, 20,8 млн параметров, задержка 7,01 мс и 67,3 GFLOPs. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В карточке не приведены ограничения по применению или подробности о поддерживаемых входных форматах.

smp-hub/dpt-large-ade20k — модель семантической сегментации изображений на архитектуре DPT, опубликованная на Hugging Face и обученная на датасете ADE20K. Для загрузки и запуска используется библиотека segmentation-models-pytorch; веса доступны в формате safetensors. Модель предназначена для разметки изображения по пикселям: она может относить области сцены к классам объектов и элементов окружения. Подходит для анализа сцен и визуализации сегментационных масок. Репозиторий опубликован под лицензией MIT.

Модель Tanneru — BEiT-Large, дообученная на объединённом наборе FER-2013, RAF-DB и очищенном сбалансированном AffectNet для распознавания эмоций по выражению лица. Она принимает изображение и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральное выражение, грусть или удивление. Архитектура BEiT содержит около 411 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для классификации изображений лиц в сценариях анализа мимики и исследования выражений лица. В README приведены итоговые показатели точности около 76,2% и F1 около 0,725. Эти значения получены на валидации автора и не гарантируют аналогичных результатов на других данных: качество может зависеть от условий съёмки, состава выборки и представительности лиц. Модель предсказывает заданные категории мимики, а не достоверное внутреннее эмоциональное состояние человека. Лицензия — Apache-2.0.

teckedd разработала DONDO w2v-BERT CTC — дообученную модель распознавания речи для Twi (Akan), в частности Asante Twi. Она предназначена для транскрибации аудио в текст и использования в голосовых сценариях Ghana Health AI, включая разговоры о здоровье на Twi и английском. Архитектура — Wav2Vec2BertForCTC; модель содержит 402,7 млн параметров и распространяется в формате safetensors через Transformers. Для Asante Twi перед декодированием к акустическим признакам нужно добавлять языковой идентификатор 2. Обучение использовало данные Google WaxalNLP, Common Voice 22.0 и локальные записи Ghana Health AI. Валидационная ошибка слов WER составила 0,274, а ошибка символов CER — 0,090 при жадном CTC-декодировании без языковой модели. Это кандидат для применения в продукте, но показатели относятся к конкретной валидации и не гарантируют качество на других записях. Модель не предназначена для клинической диагностики или автономных медицинских решений. Лицензия — Apache-2.0.

Neurlang Whipstr STT — модель автоматического распознавания речи от Neurlang, преобразующая аудио в текстовую транскрипцию в Международном фонетическом алфавите (IPA). Это трансформерная модель типа sequence-to-sequence семейства Whipstr, обученная на данных Common Voice 21. В версии для аудио 48 кГц около 14,8 млн параметров; она поддерживает 74 и более языков и принимает аудио с частотами 8, 16, 24, 32 и 48 кГц. Для частот 11,025, 22,05 и 44,1 кГц заявлено снижение качества. Модель предназначена для фонетической транскрипции речи, в том числе многоязычных записей. В README приведены усреднённые по языкам CER 48,68% и WER 92,58%; автор отмечает, что результаты лучше для языков с большим объёмом обучающих данных. Поэтому модель может быть полезна для экспериментов и задач, где важна запись произношения в IPA, но приведённые метрики указывают на существенные ошибки при обычной транскрипции. Лицензия — GPL-2.0.

Aratako разработал эту японскую модель вознаграждения на основе дообученной sbintuitions/sarashina2.1-1b. Она оценивает текст японского романа по оценкам пользователей: регрессионный балл служит косвенной оценкой качества текста и может применяться, например, в обучении генеративных моделей романов с подкреплением. Модель построена на архитектуре Llama и содержит 1,2 млрд параметров; принимает текст, а выдаёт числовую оценку через классификационную голову. Контекст — до 8192 токенов. На тестовой выборке средняя абсолютная ошибка составила 0,7734, а коэффициенты корреляции Пирсона и Спирмена — 0,6549 и 0,6483. По данным README, баллы обычно лежат в диапазоне 0–10, но возможны значения за его пределами. Оценка может зависеть от жанра, стиля и других смещений, поэтому её не следует считать объективной мерой качества. Модель унаследовала Sarashina Model NonCommercial License Agreement; коммерческое использование ограничено условиями этой лицензии.

Модель Language Garden: English to Tsakonian разработана Jaime Garcia Chaparro для перевода предложений с английского на цаконский язык. Она входит в серию Language Garden, предназначенную для поддержки языков, находящихся под угрозой исчезновения. Для перевода в запросе предлагается явно указать направление и передать исходное предложение. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель дообучена методом supervised fine-tuning на основе Meta-Llama-3.1-8B-bnb-4bit с использованием SFT; указанный размер контекста — 131 072 токена. Репозиторий содержит веса PyTorch в формате safetensors. В карточке приведено значение loss на тестовом наборе 0,8997. Модель предназначена для текстового перевода с английского на цаконский, в том числе для поддержки работы с малоресурсным языком. Лицензия и подробности о данных, оценке качества и ограничениях в карточке не раскрыты.

NeverSleep/Llama-3-Lumimaid-70B-v0.1-OAS — диалоговая модель на архитектуре Llama 3, дообученная на наборах данных для ролевых диалогов и обычных инструкций. Разработчики стремились сбалансировать обычные диалоги и ролевые сценарии; в README указано соотношение около 40% обычных данных к 60% RP/ERP. Модель использует формат промптов Llama 3 и рассчитана на генерацию текста в формате чата. Версия содержит 69,5 млрд параметров, контекст до 8192 токенов и веса в формате FP16 Safetensors. В README указана обработка Orthogonal Activation Steering, после которой модель, по утверждению авторов, редко отказывает в запросах. Это может приводить к ответам на нежелательные запросы; модель ориентирована на взрослые ролевые сценарии. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование.

Lumimaid-8B-v0.1-OAS — диалоговая модель генерации текста на архитектуре Llama 3, разработанная NeverSleep с участием Undi и IkariDev. Модель содержит около 7,5 млрд параметров, рассчитана на контекст до 8192 токенов и использует формат промптов Llama 3. Репозиторий содержит веса FP16 в формате safetensors. Модель дообучена для ролевых диалогов и эротических ролевых сценариев, а также на наборах обычных инструкций и диалогов, чтобы поддерживать задачи вне ролевой игры. В README указано, что Orthogonal Activation Steering снижает частоту отказов. Подходит для чат-ботов и интерактивных персонажей. Модель ориентирована на англоязычные промпты и диалоги. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Из-за настройки на откровенные ролевые сценарии и редких отказов модель может выдавать нежелательный или небезопасный контент; качество зависит от промпта и сценария.

Многоязычная модель Will Horne, Alona O. Dolinsky и Lena Maria Huber для выявления предложений о политике, адресованных конкретным группам, в политических текстах. Это дообученная mDeBERTa-v3-base модель классификации последовательностей, использующая формат вывода естественно-языкового следования (NLI): текст политики сопоставляется с гипотезой о целевой группе. Модель содержит 306 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель предназначена для анализа политических манифестов и политической коммуникации, включая сравнительные исследования и поиск предложений, ориентированных на определённые группы. Она выдаёт один из двух классов: наличие или отсутствие такой политики; категории вроде здравоохранения или образования она не определяет. В карточке приведены оценки на английском и немецком, а также проверка на переводных текстах на нидерландском, датском, испанском, французском, итальянском и шведском. Модель обучалась на предложениях из политических манифестов без окружающего контекста, поэтому перенос на другие типы текстов и политические условия может снизить качество. Результаты могут зависеть от языка и типа целевой группы; для чувствительных сценариев рекомендуется проверка человеком. Условия лицензии в предоставленных данных не указаны.

Rosier 12B v1 — экспериментальная модель Fizzarolli для генерации художественных историй, основанная на Mistral Nemo. Она обучалась на формате с заголовком Title, списком Tags и последующим текстом истории; автор отмечает, что могут работать и другие форматы запросов. Размер модели — 12,1 млрд параметров, архитектура — плотная MistralForCausalLM, веса опубликованы в формате safetensors. В метаданных указан контекст до 1 024 000 токенов, а среди языков карточки — английский. Обучающие данные включают подборки историй с Literotica и SoFurry, а также набор с откровенным фурри-контентом. Модель предназначена для написания и продолжения историй, в том числе эротических и фурри-историй. Указана лицензия?

NeuralKunoichi-EroSumika-4x7B-128k — экспериментальное слияние моделей на архитектуре Mixtral MoE, опубликованное xxx777xxxASD. Автор описывает его как тестовую сборку для ролевых диалогов, эротических ролевых сценариев и общих задач. В README перечислены исходные модели, включая Mistral-7B-Instruct-v0.2, Erosumika-7B и варианты Mistral для длинного контекста. Репозиторий содержит веса safetensors; в README также упомянуты варианты ExL2 с 4,0 bpw и GGUF. Метаданные указывают 7,1 млрд параметров, контекст 32 768 токенов и английский язык. Название заявляет контекст 128k, однако автор характеризует сборку как тестовую, а фактическую работу расширения контекста до 128k ставит под вопрос. Лицензия — Apache-2.0.

NheengatuMT é um modelo de geração de texto derivado por ajuste fino do Qwen3.5-2B, com cerca de 1,7 млрд параметров, criado для поддержки перевода между португальским и ньенгату (yrl), низкоресурсным языком Бразилии. Он предназначен для помощи при чтении и письме, а не для официального перевода; качество зависит от использования обучающего шаблона запроса на португальском языке, а не стандартного chat template. Модель показывает лучшие результаты на текстах, близких к общему регистру, чем на юридических, и может создавать беглый, но неверный перевод. Карточка сообщает о повторениях на длинных текстах, ошибках в юридической терминологии и случаях выдумывания сведений; оценки носителями языка пока не проводились. Орфографические решения основаны на источниках обучения и не являются авторитетными. Модель распространяется по лицензии Apache-2.0; она основана на Qwen3.5-2B, а не на NLLB.

NSFW 13B sft-GGUF — это квантизированная в формате GGUF версия текстовой языковой модели NSFW 13B sft, разработанной zxbsmk и преобразованной в GGUF пользователем mzwing. Модель основана на архитектуре Baichuan, имеет около 13 миллиардов параметров и предназначена для генерации текста и диалогового взаимодействия, включая сценарии создания коротких художественных историй. В метаданных указан китайский язык и набор данных zxbsmk/instruct_short_novel. Модель доступна в вариантах квантизации от 2 до 32 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества. Репозиторий ориентирован на локальный запуск через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, KoboldCpp, LM Studio и llama-cpp-python. Для взаимодействия предлагается шаблон с системным сообщением, репликами пользователя и ассистента. К преимуществам относятся поддержка CPU и GPU-инференса, широкий выбор уровней квантизации и удобный формат для локального использования. Ограничения включают заметную потерю качества у наиболее агрессивных вариантов квантизации, а также отсутствие в предоставленных данных сведений о размере контекстного окна, результатах оценки, мультимодальности и дополнительных языках. Модель помечена как предназначенная не для всех аудиторий. Указанная лицензия — Apache-2.0.

giacomoarienti/nsfw-classifier — модель классификации изображений, разработанная Giacomo Arienti для выявления откровенного и сексуально suggestive контента на пользовательских изображениях. Её можно встроить в загрузку изображений на форумах, в социальных сетях, магазинах и приложениях для обмена контентом, чтобы помечать материалы для модерации. Модель основана на Vision Transformer ViT-Base с архитектурой ViTForImageClassification, дообученном на наборе данных deepghs/nsfw_detect. Веса доступны в формате Safetensors; размер модели — около 113,2 млн параметров. Она принимает изображения и выдаёт результат классификации. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Описание автора сосредоточено на порнографии, hentai и сексуально откровенных изображениях; более широкий охват, например выявление насилия или других категорий вредного контента, заявлен только для отдельной платной версии. Поэтому не следует считать эту модель универсальным фильтром безопасности или полагаться на неё как на единственное средство модерации.

Это линейный пробник семантической сегментации сцен ADE20K на модели CanViT, разработанный авторами CanViT. Он обучен на замороженных признаках базовой модели canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in1k-dv3b16-2026-06-22 и предназначен для разметки изображения по классам ADE20K. Архитектура пробника включает LayerNorm, dropout, BatchNorm и свёртку 1 × 1. При обработке используются 10 зрительных фрагментов размером 128 пикселей с R-IID-точками обзора; сцены имеют размер 512 пикселей, а признаки берутся с холста 32 × 32. Модель рассчитана на сегментацию изображений сцен и распространяется по лицензии MIT. Для установки библиотеки README указывает canvit-pytorch версии не ниже 0.2.

Модель sanderland/science-sobotta-anatomical-drawings — версия Stable Diffusion, дообученная автором на концепции sbtstyle методом DreamBooth. Она предназначена для создания изображений анатомических рисунков по текстовым запросам; для воспроизведения стиля в запрос добавляют формулировку «an anatomical drawing in the style of sbtstyle». Модель распространяется в форматах Diffusers и PyTorch и создана в рамках DreamBooth Hackathon. Обучающий набор основан на изображениях анатомических рисунков Sobotta; автор указывает, что исходные изображения имеют разное число каналов и для подготовки данных требуется преобразование в оттенки серого с тремя каналами. Лицензия — CreativeML OpenRAIL-M. Модель ориентирована на стилизованную генерацию анатомических иллюстраций; README не сообщает размер модели, длину контекста или языковой охват.

Abdrah/scout-eccv-y-clip-v17 — часть проекта SCOUT (Sim-to-real Contrastive Outlier Understanding via Text), разработанного для исследования текстового поиска людей по изображениям в задаче AI City Challenge Track 4 Sim2Real. Модель использует подход JEPA и обучена контрастивно; в этой версии замороженный текстовый энкодер на базе CLIP ViT-L/14 заменяет EmbeddingGemma-300M. Это этап инициализации LP-FT stage 1 для x_explora и один из компонентов объединённой системы SCOUT. Модель кодирует изображения и текст в L2-нормализованные векторы общего пространства, пригодные для сопоставления и поиска. В README приведены результаты на валидации: mAP@10 0,8932 и Hit@10 0,9908; обучаемы 549,6 млн из 1 281,9 млн параметров. Репозиторий содержит обученные параметры и конфигурацию рецепта, а замороженные веса V-JEPA2 и текстового энкодера загружаются из отдельных публичных источников. Лицензия — Apache-2.0.

SegFormer B5 — модель NVIDIA для семантической сегментации изображений, дообученная на наборе ADE20K с разрешением 640×640. Она использует иерархический Transformer-энкодер и лёгкую декодирующую голову на основе MLP; исходное представление предварительно обучено на ImageNet-1k. Модель предназначена для попиксельного отнесения областей изображения к классам сцен и объектов. Её можно применять для анализа сцен на фотографиях и изображениях помещений или улиц, а также как основу для задач сегментации на данных, близких к ADE20K. Репозиторий содержит веса PyTorch и TensorFlow. Карточка не приводит отдельные показатели качества и не описывает поддерживаемые языки. Модель работает с изображениями и выдаёт карту семантических классов; качество на данных, отличающихся от обучающего набора, может быть ниже. Метаданные указывают лицензию `other`, поэтому перед использованием следует проверить условия лицензии репозитория.