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

stable-codec-speech-16k — аудиокодек на архитектуре Transformer, разработанный Stability AI. Он кодирует речевые аудиосигналы в дискретные токены и декодирует их обратно в форму волны, чтобы сжимать речь с низким битрейтом и использовать её в генеративных системах. Модель предназначена для хранения и потоковой передачи речи, телекоммуникаций и разработки систем синтеза, распознавания и понимания речи. Она обучена на чистой английской речи без перекрывающихся голосов, созданной на основе аудиокниг из открытых и общественного достояния источников; для музыки и окружающих звуков не предназначена. Для организаций и лиц с годовой выручкой от 1 млн долларов США требуется коммерческая лицензия Stability AI; также необходимо соблюдать Community License и Acceptable Use Policy.

roneneldan/TinyStories-8M — небольшая авторегрессионная языковая модель семейства GPT-Neo, опубликованная Роненом Элданом. Она обучена генерировать короткие связные истории на английском языке, в том числе простые рассказы для детей; размер по метаданным — 20,2 млн параметров, контекст — 2048 токенов. Модель принимает текстовый запрос и продолжает его текстом. Она подходит для экспериментов с генерацией историй и изучения поведения небольших языковых моделей. Это специализированная модель генерации, поэтому её не следует считать универсальным помощником или использовать для надёжных фактических ответов. Доступна на Hugging Face; сведения о лицензии в доступных источниках не подтверждены.

roneneldan/TinyStories-Instruct-33M — компактная авторегрессионная языковая модель семейства GPT-Neo, опубликованная пользователем roneneldan на Hugging Face. Она предназначена для генерации коротких историй по текстовой подсказке или инструкции, в том числе с заданными атрибутами сюжета. В карточке Hugging Face указан пример генерации текста; метаданные описывают архитектуру GPTNeoForCausalLM, 71,6 млн параметров и контекст до 2048 токенов. Модель работает с текстом и ориентирована на англоязычные истории. Карточка модели не содержит описания обучения, лицензии или явного перечня ограничений, поэтому происхождение и условия использования по доступным сведениям определить нельзя. С учётом небольшого размера и узкой задачи её уместно применять для простых экспериментов и генерации коротких историй, а не считать универсальным разговорным помощником.

Trendyol-TTS — модель синтеза речи на турецком языке, разработанная Trendyol на основе openbmb/VoxCPM2. Это дообученная с помощью LoRA модель: выбранный чекпойнт step_0002000 объединён с базовыми весами, а файлы адаптера сохранены в репозитории для аудита. Модель принимает текст и генерирует речь; она предназначена для экспериментов, оценки качества и прототипирования синтеза турецкой речи. Модель обучалась на частном турецком речевом наборе данных объёмом более 20 часов. Карточка рекомендует параметры cfg_value=2.0 и inference_timesteps=16. Лицензия репозитория — MIT; пользователям также следует соблюдать ограничения владельца обучающих данных. Это исследовательский артефакт, не проверенный для промышленного обслуживания: возможны ошибки произношения, просодии и нормализации, паузы и артефакты синтеза. Качество для других языков, смешанной речи, сленга, имён, чисел и длинных текстов может быть ниже.

Unity-12B — объединённая языковая модель OddTheGreat для генерации текста и диалогов. Она основана на Mistral с плотной архитектурой и содержит 12,1 млрд параметров; в метаданных заявлен контекст длиной до 1 024 000 токенов. Модель рассчитана на ролевые и эротические ролевые диалоги, а также общение на русском и английском языках. Модель предназначена для использования в SillyTavern. В карточке рекомендован формат диалога ChatML; среди сценариев названы ролевое общение и ответы чат-ассистента. Файлы опубликованы в формате safetensors, библиотека — Transformers. Это слияние моделей OddTheGreat/PartOne-12B и OddTheGreat/PartTwo-12B. Лицензия в предоставленных данных не указана.

Модель tiantiaf/voxlect-english-dialect-mms-lid-256 разработана Tiantian Feng в рамках проекта Voxlect и предназначена для классификации английской речи по диалектным и региональным категориям. Она дообучена на базе facebook/mms-lid-256; в обучении использовались дополнительные речевые данные TIMIT и ParaSpeechCaps. Репозиторий содержит веса в формате Safetensors и рассчитан на работу с аудио через Transformers. Модель относит запись к одной из 16 категорий, включая North America, Irish, Scottish, Oceania, South African, South Asia и East Asia. Названия категорий охватывают как регионы и разновидности английского, так и более широкие языковые группы; это классификация по заданным меткам, а не подробная транскрипция или определение конкретного акцента. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. Авторы исключают клинические и диагностические задачи, наблюдение и приложения, нарушающие приватность; при использовании необходимо соблюдать требования согласия и законодательства.

WaifuGemma4-26b-a4b-v1-i1-GGUF — квантизированная GGUF-версия модели WaifuGemma4-26B-A4B-v1, разработанная hiwaifu-research для ролевого общения и разговорных сценариев. Модель создана на базе Gemma 4 и дополнительно обучена методом GRPO с использованием оценочной модели, основанной на 1,2 млн анонимных пользовательских голосов в HiWaifu Arena. Она ориентирована на role-play, персонажные диалоги и интерактивное общение; заявлена поддержка английского, испанского, русского, португальского, индонезийского, арабского, тайского и французского языков. Архитектура MoE включает 25,2 млрд общих параметров, из которых 3,8 млрд активируются на каждом шаге. Репозиторий содержит weighted/imatrix-квантизации для запуска через llama.cpp; рекомендуемый вариант i1-Q4_K_M занимает около 16,8 ГБ и демонстрирует 91% совпадения наиболее вероятного токена с версией bf16. Доступны варианты размером от 10,4 до 16,8 ГБ, а также importance matrix для самостоятельного квантования. Модель обучалась на диалогах длиной 8 тысяч токенов, тогда как базовая модель поддерживает контекст до 256 тысяч токенов. Сильной стороной являются оптимизация под ролевые диалоги, хорошее сохранение качества при imatrix-квантовании и возможность запуска на видеокартах с 12–16 ГБ памяти в зависимости от варианта. Ограничения включают ухудшение качества на наиболее компактных квантизациях, отсутствие отдельной safety-настройки сверх базовой Gemma 4 и отсутствие оценки ролевого поведения при работе с изображениями. Ввод изображений возможен через vision projector из связанного статического репозитория, но эта функция не подвергалась специализированному обучению. Модель распространяется по лицензии Apache-2.0; для зрелого контента рекомендуется использовать только совершеннолетним.

Модель dima806/car_brands_image_detection разработана на основе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации изображений автомобилей по маркам. Она принимает изображение и возвращает предсказанную марку; в README указана точность около 69%. Модель содержит 113,2 млн параметров, веса опубликованы в формате safetensors. Модель подходит для автоматической сортировки фотографий автомобилей и распознавания марки на изображении. Опубликована по лицензии Apache-2.0. Результаты следует считать ориентировочными: заявленная точность около 69%, а сведения о наборе марок и условиях оценки в карточке не раскрыты.

Chess CV — набор из трёх компактных сверточных нейросетей SimpleCNN, разработанный S1M0N38 для анализа отдельных клеток шахматной доски. Каждая модель содержит 156 тыс. параметров, принимает цветное изображение клетки размером 32×32 пикселя и решает отдельную задачу классификации: распознаёт фигуры и пустые клетки, определяет элементы стрелок анализа либо выявляет смещение фигуры от центра клетки. Модель Pieces классифицирует 13 вариантов фигур и пустую клетку, что позволяет восстановить позицию и сформировать FEN. Модель Arrows распознаёт 49 классов компонентов стрелок, а Snap различает корректно центрированные и смещённые фигуры. Обучение проводилось на синтетических изображениях шахматных досок и интерфейсных наложений; автор сообщает высокие результаты на тестовых наборах. Для применения нужны заранее выделенные клетки, поэтому модель сама не находит доску и может хуже работать с фотографиями реальных досок или нестандартным дизайном фигур. Модели используют библиотеку MLX и распространяются по лицензии MIT.

Chewy-Lemon-Cookie-11B-GGUF — квантизированная версия большой языковой модели Chewy Lemon Cookie 11B, подготовленная для локального запуска в формате GGUF. Исходную модель разработал FallenMerick; данный вариант квантизировал brooketh и опубликовал BackyardAI как часть библиотеки моделей для приложения Backyard AI. Модель основана на архитектуре Mistral, предназначена для генерации текста и прежде всего ориентирована на ролевые сценарии, включая общение с персонажами. Заявлены улучшенная фокусировка и эмоциональный интеллект по сравнению с предыдущими моделями серии Lemon Cookie. Модель содержит около 10,7 млрд параметров и обучена с контекстом до 8192 токенов. В карточке указан английский язык; другие языки и мультимодальные возможности не заявлены, поэтому модель следует рассматривать как текстовую. Формат GGUF позволяет распределять вычисления между CPU и GPU и запускать модель на более широком спектре оборудования через приложения на базе llama.cpp, включая Backyard AI. Квантизация снижает требования к ресурсам, но при более низком уровне точности может ухудшать связность и качество ответов. Лицензия — CC BY 4.0.

CrosswordSpace++ — модель первого этапа поиска ответов на итальянские кроссвордные подсказки, разработанная cruciverb-it. Это асимметричный двухбашенный энкодер на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2: отдельные энкодеры обрабатывают подсказки и ответы, а общий слой нормализации и линейная проекция преобразуют их в векторы размерности 768. Модель дообучена контрастивным обучением на 374 766 парах из обучающей выборки EVALITA 2026 CruciverbIT Task 1. Модель предназначена для извлечения кандидатов по близости векторов: ответы ищутся по вектору подсказки, например, с помощью FAISS и внутреннего произведения. В исходном конвейере сначала отбираются до 100 кандидатов подходящей длины, затем их ранжирует отдельный кросс-энкодер. Максимальная длина входа составляет 64 токена для подсказки и 16 токенов для ответа. В испытании на тестовой выборке EVALITA 2026 модель показала точность Acc@1 57,9%; совместное использование с кросс-энкодером повысило её до 68,2%. Модель ориентирована на итальянский язык и специализированный сценарий решения кроссвордов. Лицензия — CC BY 4.0.

Карточка модели lc700x/depth-anything-outdoor-large-hf на Hugging Face совпадает с карточкой LiheYoung/depth-anything-large-hf, поэтому описание составлено по ней. Depth Anything — крупная модель для оценки глубины по изображениям, представленная Lihe Yang и соавторами. Эта версия подготовлена для библиотеки Transformers и использует архитектуру DPT с backbone DINOv2. Модель обучена на примерно 62 миллионах изображений и предназначена для оценки относительной и абсолютной глубины, в том числе в zero-shot сценариях. Она выдаёт карту глубины для входного изображения и может применяться в задачах компьютерного зрения и анализа сцен. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Xenova/depth-anything-small-hf — модель оценки глубины изображения, разработанная на основе LiheYoung/depth-anything-small-hf и адаптированная командой Xenova для работы с Transformers.js. Модель принимает изображение и строит карту глубины, оценивая относительное расстояние до объектов в его сцене. Модель предназначена для веб-приложений и JavaScript-сценариев, где требуется выполнять оценку глубины через pipeline с задачей depth-estimation. Она поставляется с весами в формате ONNX, совместимыми с Transformers.js, и может использоваться для обработки изображений, визуализации карт глубины и других задач анализа пространственной структуры сцены. В README указано, что пример обработки возвращает числовую карту глубины и одноканальное изображение глубины. Ключевые характеристики архитектуры, количество параметров, поддерживаемые языки и размер контекста в README не указаны; модель работает с визуальными данными и не является текстовой или мультимодальной диалоговой моделью. Сильной стороной является возможность запуска в экосистеме Transformers.js, включая веб-сценарии, однако точность, производительность, область применимости и ограничения оценки глубины подробно не описаны. Лицензия в предоставленных данных не указана. Отдельный репозиторий ONNX-весов обозначен как временное решение до более широкого распространения WebML.

megalaa/english-coptic-translator — модель машинного перевода на архитектуре MarianMT, разработанная автором репозитория megalaa. По умолчанию переводит текст с английского на сахидский коптский; параметр to_bohairic=True переключает перевод на бохайрский коптский. Параметр output_confidence=True позволяет запросить оценку уверенности модели. Модель содержит 58 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия AGPL-3.0; для использования и распространения необходимо учитывать её условия.

FitDiT — модель виртуальной примерки одежды на основе Diffusion Transformer (DiT), представленная авторами исследования FitDiT. Она переносит выбранную одежду на изображение человека, стремясь сохранить детали и внешний вид исходного предмета гардероба. В демонстрации процесс включает генерацию или настройку маски области примерки и последующую генерацию результата; можно выбрать разрешение обработки, по умолчанию 1152×1536 пикселей. Модель предназначена для визуализации одежды на человеке по изображениям человека и предмета одежды. Репозиторий содержит веса и код инференса; в метаданных перечислены форматы Diffusers, PyTorch, ONNX и Safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и запрещает коммерческое использование. Данные о поддерживаемых языках и длине контекста неприменимы к основному сценарию работы с изображениями.

fma2vec — предварительно обученная модель на архитектуре wav2vec 2.0, созданная командой студентов курса Digital Musicology DH-401 в EPFL. Модель обучена на коллекции Free Music Archive в рамках проекта по прогнозированию популярности музыки с помощью глубоких нейронных сетей. Чекпойнт содержит около 113,3 млн параметров и предназначен для извлечения признаков из аудио. README упоминает предварительное обучение и последующее дообучение для задачи проекта, однако не уточняет интерфейс модели для прогноза популярности или результаты оценки качества. Доступны веса PyTorch и Safetensors; условия лицензии в предоставленных данных не описаны.

HornyEchidna-13b-v0.1 — языковая модель на архитектуре LLaMA, созданная совместно IkariDev и Undi. Это смешанная модель на основе нескольких чекпойнтов, включая Athena-v3, Thespis-13b, PsyMedRP-v1-13B, LLaMA2-13B-Tiefighter и MLewd-v2.4-13B; в репозитории размещены веса FP16 в формате safetensors. Модель рассчитана на генерацию текста в шаблоне Alpaca и подходит для ролевых диалогов, эротических ролевых сценариев и общих запросов. Размер модели — 12,9 млрд параметров, контекст — 4096 токенов. README отмечает высокую чувствительность результата к настройкам генерации, поэтому для подходящего поведения может потребоваться подбор параметров. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

IdioleX-ES — испаноязычный кодировщик предложений, разработанный Anjali Ruban в рамках подхода IDIOLEX. Он создаёт нормализованные эмбеддинги размерностью 768, отражающие особенности авторского стиля и регионального диалекта, стараясь отделять их от смысла текста. Модель дообучена на основе RoBERTa-base BERTIN для испанского языка: использует обучаемое взвешивание 13 скрытых слоёв, усреднение и центрирование эмбеддингов. Модель предназначена для сравнения стилистических особенностей текстов, определения диалектных признаков и атрибуции авторства. Обучение проводилось на комментариях Reddit примерно от 557 тысяч авторов и 49,5 миллиона предложений из 17 региональных испаноязычных сообществ. В описанных экспериментах модель показала F1 0,85 для многометочной идентификации диалектов и точность 31% в открытом междоменном тесте атрибуции авторства PAN 2019. Модель принимает текст и возвращает векторы признаков; она не предназначена для обычного семантического поиска, генерации текста или прямого предсказания классов без дополнительной обработки. Для загрузки пользовательского кода требуется trust_remote_code=True. Лицензия — MIT.

L3-Stheno-Maid-Blackroot-Grand-HORROR-16B-GGUF — текстовая генеративная модель, разработанная DavidAU на основе Llama 3 и созданная как расширенное merge-переиздание моделей семейства L3-Stheno-Maid-Blackroot. Модель предназначена прежде всего для англоязычного творческого письма: генерации и продолжения сцен, сюжетов и подсюжетов, рассказов, описаний, сторителлинга и ролевых диалогов. Она поддерживает различные жанры, но имеет выраженный уклон в хоррор, мрачный юмор, NSFW- и графический контент, а также допускает интенсивную ненормативную лексику. Модель содержит более 16,5 млрд параметров, включает 642 тензора и 71 слой. Это Llama 3-модель с максимальным контекстом 8 192 токена; README также указывает на возможность расширения контекста до 32 тысяч токенов с помощью настроек RoPE. Распространяется в формате GGUF и предназначена для запуска средствами, совместимыми с этим форматом. Авторы отмечают улучшения в следовании инструкциям, стабильности, детализации, выборе слов, структуре предложений и передаче атмосферы; среди сильных сторон также выделяются образные описания, метафоры, ощущение присутствия и динамики сцены. Основные ограничения — сильная предрасположенность к хоррору и мрачным сюжетным поворотам, склонность к графическому насилию, NSFW-содержанию и чрезмерной брани. Эти особенности могут требовать явного управления промптами и делают модель неподходящей для всех аудиторий, а качество и фактическая точность не являются её основными целями. Модель распространяется по лицензии Apache-2.0.

Liberalism_binary — модель классификации последовательностей, разработанная ajrayman и дообученная на базе microsoft/deberta-v3-base. Она предназначена для бинарной классификации текста по теме либерализма; README не уточняет названия классов и состав обучающего набора. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст с контекстом до 512 токенов. На оценочном наборе в карточке указаны accuracy 0,6389, precision 0,7435, recall 0,4254, F1 0,5411 и AUC 0,7224. Модель распространяется по лицензии MIT. Карточка не описывает обучающие данные и ограничения применения, поэтому переносить результаты на другие тексты следует с осторожностью.

Liujgoj-Cantonese-Qwen2.5-Omni-7B-SFT-V2.2 — модель проекта Yvthyvq / Liujgoj Cantonese Project, дообученная методом supervised fine-tuning на базе Yvthyvq/Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2. Это диалоговая модель Qwen2.5-Omni с плотной архитектурой и 7 млрд параметров; в SFT-версии адаптер был объединён с модулем thinker, а компоненты talker и token2wav сохранены. Модель следует инструкциям для задач на кантонском языке: преобразует текст между традиционными иероглифами и латинской орфографией Liujgoj, разбивает слова на слоги и выполняет фонетическую транскрипцию в IPA. Карточка приводит примеры преобразования в обоих направлениях и сообщает о дообучении на 150 846 мультитасковых примерах. Основные языки карточки — кантонский и английский; для кантонского используются латинская орфография Liujgoj и традиционные китайские иероглифы. Модель опубликована в формате safetensors по лицензии Apache-2.0. Хотя сохранена полная мультимодальная архитектура Qwen2.5-Omni, заявленные задачи этой версии — текстовые; карточка описывает ASR как возможное направление дальнейшего дообучения, а не как готовую возможность модели.

Undi95/Llama-3-Unholy-8B — разговорная языковая модель, созданная Undi95 на основе Meta Llama 3 8B Instruct. Модель дообучена для снятия ограничений на ответы; в карточке указаны третий этап из четырёх и обучающие наборы toxic-dpo-v0.1 и ToxicQAFinal. Она предназначена для генерации текста и диалогов по шаблону Llama 3. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает контекст длиной до 8192 токенов. В репозитории представлены веса FP16 в формате safetensors. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение. Модель заявлена как uncensored; ответы могут включать токсичный или иной нежелательный контент, а автор предупреждает о необходимости использовать её на свой риск.

Logos v6.1-SFT — исследовательская языковая модель для работы с религиозными текстами авраамических традиций. Её автор дообучил Qwen/Qwen2.5-7B-Instruct методом QLoRA; модель на архитектуре Qwen2 содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Репозиторий использует Transformers и формат safetensors, лицензия — Apache-2.0. Модель предназначена для диалоговых ответов на вопросы о религиозных текстах, сравнения традиций, поиска ссылок на фрагменты, объяснения тафсира и понимания текстов на арабском, иврите, греческом, английском и латинском языках. Обучение включало корпус из 130 тысяч стихов, 30 тысяч инструктивных пар вопросов и ответов и экспериментальную настройку формата цитирования. Это исследовательская альфа-версия: точность цитирования низкая, точное воспроизведение стихов не освоено, а доля галлюцинаций высока. Модель не подходит для религиозных рекомендаций, фетв или авторитетного толкования; для дословных цитат README рекомендует использовать поиск с дополнением контекста (RAG).

Marigold IID Appearance v1-1 — модель для разложения одного изображения на внутренние свойства внешнего вида объектов. Её разработали Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler; модель дообучена на основе stable-diffusion-2 и реализована как латентная диффузионная модель для анализа изображений. Модель оценивает альбедо, шероховатость и металличность материалов на входном изображении. Её можно применять для анализа материалов в компьютерной графике и компьютерном зрении. Вход и выход альбедо представлены в цветовом пространстве sRGB; оценки шероховатости и металличности — в линейном диапазоне от 0 до 1. Для оптимальных результатов большие изображения рекомендуется уменьшать так, чтобы длинная сторона была около 768 пикселей. Модель рассчитана на работу с планировщиком DDIM и от 1 до 50 шагов денойзинга; карты неопределённости доступны при ансамблировании более чем двух предсказаний. Модель распространяется по лицензии CreativeML Open RAIL++-M. Результаты являются оценками свойств материалов по одному изображению; для изображений существенно крупнее эффективного разрешения качество может снижаться.

MegaLoc — модель извлечения признаков изображений для визуального распознавания мест (VPR), разработанная авторами проекта MegaLoc. Она предназначена для поиска изображений одного и того же места в больших базах по запросу-картинке и рассчитана на работу как в помещениях, так и на открытом воздухе. В статье о модели представлены результаты на наборах данных VPR; среди примеров — поиск по базе SF-XL из 2,8 млн изображений. Модель реализована на PyTorch; в репозитории доступны веса Safetensors и формат ONNX. Лицензия — MIT. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки: модель работает с изображениями и не предназначена для генерации текста.

Многоязычная модель lwachowiak/Metaphor-Detection-XLMR разработана как дообученная версия XLM-RoBERTa для обнаружения метафор на уровне токенов. Она присваивает словам метки в задаче token classification: метка 1 обозначает метафорическое употребление. Модель обучена на англоязычной части корпуса VU Amsterdam Metaphor Corpus, размеченного по протоколу идентификации метафор. Её можно применять для выделения метафор в англоязычном тексте и для нулевого переноса на другие языки; в README сообщается о приемлемых результатах такого переноса. В оценке Shared Task 2020 F1 для класса метафор составил 0,76 для XLM-RBase и 0,77 для XLM-RLarge. Архитектура — XLM-RoBERTa для классификации токенов, размер — 305,2 млн параметров, контекст — 514 токенов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC-SA 3.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением некоммерческого использования.

matei-dorian/segformer-b0-finetuned-human-parsing — модель семантической сегментации изображений на основе SegFormer B0, дообученная от nvidia/mit-b0 для разметки частей человека. Она предназначена для выделения на изображении таких областей, как волосы, лицо, верхняя одежда, брюки, платье, обувь, руки и ноги. В карточке приведены метрики оценки: mean IoU 0,0726 и общая точность 0,3575; результаты по классам сильно различаются, поэтому качество разметки многих частей низкое. Модель принимает изображения и выдаёт пиксельную сегментацию классов. Лицензия указана как other, подробные условия в карточке не описаны.

SenseNova-U1-8B-SI800K-SFT — мультимодальная модель SenseNova с архитектурой NEO-unify и языковой ветвью NEOChatModel, дообученная на SenseNova-SI-800K для пространственного понимания изображений. В наборе обучения указаны 832 тыс. примеров с изображениями и текстом о глубине, расстоянии, размере, относительном положении и пространственных отношениях между несколькими видами. Дообучалась только ветвь понимания; ветвь генерации изображений унаследована от базовой модели без изменений. Модель подходит для визуальных диалогов и ответов на вопросы о пространственных свойствах объектов и сцен. Базовая модель содержит 8 млрд параметров и поддерживает понимание и генерацию текста и изображений; для загрузки требуется пользовательский код NEOChatModel через Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0.

P0u4a/t0-mt-3b-base-philosophy-sdf — языковая модель на архитектуре Llama, разработанная на основе dlab-spp/t0-mt-3b-base и дообученная на философских документах. Модель содержит 3 млрд параметров, принимает текст и генерирует продолжение; контекст — 2048 токенов. Репозиторий содержит объединённые веса BF16 и LoRA-адаптер для закреплённой базовой модели. Модель предназначена для генерации текста на философские темы и продолжения философских документов. Дообучение выполнено за одну эпоху на 13 201 очищенном от загрязнений документе с помощью LoRA ранга 64; указан датасет P0u4a/msm-ai-assistant-philosophy-spec. Язык датасета в предоставленных сведениях не определён. Лицензия обозначена как other, поэтому конкретные условия использования по этим данным установить нельзя.

AssistantsLab разработала Tiny-Toxic-Detector — компактный трансформер для классификации токсичности комментариев. Модель содержит около 2 млн параметров и предназначена для быстрой работы при ограниченных ресурсах; в README заявлены примерно 10 МБ оперативной памяти и 8 МБ видеопамяти. Для запуска требуется пользовательский код для архитектуры TinyTransformerForSequenceClassification. Модель доступна в формате safetensors и распространяется по лицензии CC BY-NC-SA 4.0. Основной сценарий — проверка англоязычных комментариев на токсичность, например для предварительной модерации онлайн-обсуждений. В README указаны результаты 90,26% на Toxigen и 87,34% на Jigsaw Toxic Comment Classification Challenge. Модель обучалась на англоязычных данных, поэтому её не следует применять для надёжной оценки текстов на других языках. Она рассчитана на входы до 512 токенов; более длинный контекст не проверен для практического применения. Возможны ошибки на неоднозначных и контекстно зависимых высказываниях, поэтому авторы не рекомендуют использовать её в автоматизированной модерации без контроля человека.