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

URPM-SD1.5-v2.3.inpainting — версия модели Stable Diffusion 1.5 для генерации и дорисовки изображений по текстовому запросу и исходному изображению. Модель создана автором saftle и предназначена для фотореалистичных изображений, включая контент сексуального характера; для работы подходит Diffusers с конвейером StableDiffusionInpaintPipeline. Модель основана на SD 1.5 и распространяется в форматах Diffusers и safetensors. В режиме inpainting она изменяет выбранную область изображения с учётом текстового запроса. README советует использовать сдержанные негативные промпты и предупреждает о риске случайного создания NSFW-изображений с несовершеннолетними образами. Лицензия в предоставленных данных не указана.

Venus-103b-v1.0 — плотная языковая модель для генерации текста, созданная автором nsfwthrowitaway69. Это уменьшенная версия Venus-120b, полученная слиянием слоёв Sao10K/Euryale-1.3-L2-70B, NousResearch/Nous-Hermes-Llama2-70b и migtissera/SynthIA-70B-v1.5 с помощью mergekit. Модель основана на архитектуре Llama и содержит около 102,9 млрд параметров; нативный контекст — 4096 токенов. Модель предназначена для генерации продолжений и диалогового текста на английском языке. Автор отмечает, что ответы могут быть связнее, чем у Venus-120b, но это наблюдение не подкреплено описанными оценками. Модель способна генерировать контент для взрослых, что ограничивает её применение в аудиториях общего назначения. Для репозитория указана лицензия Llama 2; README также упоминает отдельные ветки с квантизацией ExLlama2.

Модель LincolnD/wav2vec2-base-finetuned-iemocap-acted-to-natural-emotion — классификатор эмоций в речи на базе Wav2Vec2, дообученный на IEMOCAP. Она предназначена для распознавания четырёх классов: гнева, радости, нейтрального и грустного состояния. Модель разработана для экспериментов по адаптации во время вывода (Test-Time Adaptation, TTA) при переходе от постановочной речи к импровизированной, а также между доменами и дикторами. Веса представлены в формате Safetensors; архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт метку эмоции. Карточка описывает английский набор данных IEMOCAP, но не подтверждает поддержку других языков. Модель связана с исследованием об адаптации систем распознавания эмоций в речи. Лицензия — MIT. Результаты оценки и сравнение методов вынесены в статью; карточка не приводит конкретных метрик, поэтому качество в других наборах данных и сценариях по ней оценить нельзя.

Модель mrrubino/wav2vec2-large-xlsr-53-l2-arctic-phoneme — акустическая модель на архитектуре Wav2Vec2-Large-XLSR-53 с 402,7 млн параметров, дообученная на вручную размеченной части набора CMU L2-Arctic. Она предназначена для автоматической фонетической транскрипции речи в международном фонетическом алфавите (IPA), в том числе речи изучающих английский язык. Принимает аудио WAV с частотой дискретизации 16 кГц и выдаёт текстовую фонетическую транскрипцию. В тестовом разбиении L2-Arctic указаны WER 0,425 и CER 0,128; эти результаты относятся к данному набору данных и не гарантируют качество на других типах речи. Модель реализована как Wav2Vec2ForCTC и используется через Transformers. В метаданных указан английский язык и лицензия Apache-2.0.

FrancescoMrn/cnn-fkp-baseline — свёрточная нейросеть для регрессии 68 лицевых ключевых точек в порядке разметки iBUG 300-W. Модель принимает уже выделенный фронтальный снимок лица в градациях серого размером 224×224, масштабированный в диапазон [0, 1], и выдаёт 68 нормализованных пар координат (x, y); координаты можно преобразовать в пиксели относительно исходного кадрирования. Модель предназначена для локализации ориентиров лица, например контура челюсти и бровей. Она обучена на наборе Udacity, извлечённом из YouTube Faces Database, с разметкой 68 точек; при проверке с разделением по идентичностям указана NME 0,3172. Это базовая CNN-архитектура, реализованная на PyTorch, веса доступны в формате safetensors. Лицензия — MIT; автор указывает исследовательское и образовательное применение. Модель ожидает предварительно обнаруженное лицо и не предназначена для самостоятельного поиска лиц в кадре. Данные обучения демографически несбалансированы; качество для профильных лиц, сильных перекрытий и необычного освещения не проверялось.

MTalha056/codeparrot-ds — дообученная на неизвестном наборе данных модель на базе GPT-2, опубликованная в формате safetensors и предназначенная для генерации текста. Карточка не раскрывает назначение датасета и специализацию дообучения, поэтому целевые сценарии применения определить нельзя. Модель использует архитектуру GPT2LMHeadModel и контекст длиной до 1024 токенов. Лицензия — MIT.

DepthMaster — модель для оценки глубины по одному изображению, разработанная авторами из University of Science and Technology of China и vivo Mobile Communication Co., Ltd. Это дообученная на базе стабильной диффузионной модели Stable Diffusion 2 система, которая использует генеративные признаки диффузионной модели для дискриминативной задачи монокулярной оценки глубины и выполняет предсказание за один шаг. В архитектуре применяются модуль выравнивания признаков, предназначенный для снижения переобучения на текстурах, и модуль Fourier Enhancement для уточнения мелких деталей. Авторы заявляют высокие результаты zero-shot на разных наборах данных и улучшенное сохранение деталей. Модель подходит для получения карты глубины из одиночного изображения в компьютерном зрении и мобильных сценариях. Репозиторий использует Diffusers и формат safetensors; лицензия — Apache 2.0.

Depth Pro — модель Apple для оценки метрической глубины по одному изображению. Она предсказывает абсолютную глубину без необходимости передавать параметры камеры, включая её внутренние параметры, и формирует детализированные карты глубины с чёткими границами объектов. Модель использует эффективный Vision Transformer с несколькими масштабами для плотного предсказания. По данным карточки, она строит карту глубины размером 2,25 мегапикселя примерно за 0,3 секунды на стандартном GPU и также оценивает фокусное расстояние по одиночному изображению. Опубликованный чекпойнт переобучен для эталонной реализации: его качество близко к результатам статьи, но не полностью им соответствует. Модель предназначена для оценки глубины в изображениях и исследовательских или прикладных задач компьютерного зрения. Карточка не описывает поддержку видео или нескольких изображений. Репозиторий распространяется по лицензии apple-amlr.

DETRPose-M-CROWDPOSE — модель для обнаружения ключевых точек позы нескольких людей на изображениях, основанная на методе DETRPose из одноимённой исследовательской работы. В архитектуре используются гибридный энкодер RT-DETR и облегчённый декодер D-FINE; специальный Pose-LQE слой улучшает оценки уверенности ключевых точек. Модель разработана для низколатентного инференса в реальном времени. Для варианта M, обученного на CROWDPOSE, в карточке указаны 20,7 млн параметров, точность AP 72,0 и задержка 6,86 мс. Для инференса требуется ветка репозитория DETRPose, подготовленная для запуска. Лицензия — Apache-2.0. Модель ориентирована на многолюдные сцены, представленные датасетом CROWDPOSE; результаты на других данных карточка не описывает.

Distill-NeuCodec — нейронный аудиокодек, разработанный Neuphonic. Это версия NeuCodec с совместимым дистиллированным энкодером, предназначенная для кодирования и представления аудио в задачах обработки речи и аудиосигналов. В модели медленный акустический энкодер BigCodec заменён на SQCodec: его размер сокращён с 70 млн до 36 млн параметров. Семантический энкодер w2v-bert-2.0 заменён на DistilHuBERT: с 600 млн до 21 млн параметров. В результате дистиллированный энкодер примерно в 10 раз меньше по числу параметров и требует примерно в 7,5 раза меньше MAC-операций при инференсе. Работа основана на X-Codec2.0 и SQCodec. Модель рассчитана на аудио-аудио сценарии и обучалась с использованием наборов данных для речи, включая Emilia, Multilingual LibriSpeech, VCTK, Fleurs, Common Voice 13.0 и LibriTTS-R. Репозиторий содержит веса PyTorch; для использования предлагается пакет neucodec и Python 3.10 или новее. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки, качество реконструкции и ограничения применения.

Eileithyia-20b — ролевая языковая модель, созданная athirdpath. Это плотная LlamaForCausalLM на 19,8 млрд параметров, дообученная LoRA ранга 128 поверх athirdpath/Harmonia-20B. Модель генерирует текст и рассчитана на ролевые диалоги и повествование, в частности на темы беременности и репродуктивного здоровья. Обучающие данные в формате Alpaca включают медицинские тексты о беременности и репродуктивных органах, художественные отрывки, ролевые диалоги и материалы о разных этапах беременности. Предусмотрены режимы рассказчика и ролевой игры; контекст модели составляет 4096 токенов. В метаданных указана лицензия CC BY-NC 4.0, допускающая использование только на некоммерческих условиях.

FastConformer-Quran — модель автоматического распознавания речи для чтения Корана на арабском языке, разработанная Muno459 на базе NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0. Модель ориентирована на риваят Hafs и дополнена многосигнальной системой обнаружения ошибок произношения и таджвида. Она предназначена для транскрибации коранической рецитации, проверки чтения и создания приложений для обучения и контроля произношения. Это офлайн-модель FastConformer для обработки полной аудиозаписи с использованием полного контекста. Заявлена поддержка интеграции в iOS через сопутствующие версии CoreML. В README указаны арабский язык, аудиомодальность и результаты на датасетах EveryAyah, tlog и Muaalem Annotated. На leakage-free бенчмарке из 600 клипов модель показала общий WER 5,41% и CER 2,96%, а на записях чтецов, отсутствовавших в обучении, — WER 0,93%. Для обнаружения ошибок произношения заявлены около 80% чувствительности при FPR около 9%. Сильные стороны модели — высокая точность на коранической рецитации, устойчивость к ранее не встречавшимся чтецам и улучшенная работа с записями с телефонных микрофонов по сравнению с указанными базовыми моделями. Ограничение заключается в том, что представленная версия является офлайн-моделью и не предназначена для потоковой обработки с низкой задержкой; для этого существует отдельная streaming-версия. Приведённые результаты относятся к конкретному бенчмарку и нормализованным текстам, поэтому не описывают качество на произвольной арабской речи. Лицензия указана как NPL-1.1.

julian-schelb/granite-embedding-278m-emb-lat-intertext-v2 — дообученная модель эмбеддингов на базе ibm-granite/granite-embedding-278m-multilingual, разработанная для поиска интертекстуальных связей между произведениями классических авторов на латинском языке. Она входит в бенчмарк Loci Similes и обучена с online contrastive loss на одном из пяти разбиений его данных, включая экспертно проверенные связи. Модель построена на архитектуре XLM-RoBERTa и представлена как Sentence Transformer; содержит 305,2 млн параметров, принимает текст и формирует векторные представления. Нативный контекст составляет 514 токенов. Модель подходит для поиска вероятных параллелей между латинскими текстами и ранжирования кандидатов на интертекстуальные совпадения. Для сохранения качества поиска при использовании нужны соответствующие обучению prompt prefixes. Версия v2 заменяет v1 для текущей версии набора данных; v1 остаётся для воспроизведения прежних результатов. Лицензия — Apache 2.0.

RiverWX/greenwashing-claim-detector — англоязычная модель RiverWX на базе ClimateBERT с архитектурой DistilRoBERTa, дообученная для выявления предложений с экологическими заявлениями, которые могут требовать проверки на признаки гринвошинга. Это один из трёх классификаторов в демонстрационном приложении проекта магистерского курса; модель выполняет анализ на уровне отдельного предложения и служит скринером красных флагов. Модель предназначена для предварительного отбора экологических заявлений в текстах и направления потенциально сомнительных фрагментов на ручную проверку. Она содержит 95,4 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт результат классификации. Модель рассчитана на английский язык. Результат — сигнал для проверки, а не доказательство гринвошинга и не регуляторное заключение. Модель предназначена для исследовательского и учебного использования. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование и требует распространять производные материалы на тех же условиях.

Карточка модели sox90/IDM-VTON-cubit на Hugging Face совпадает с карточкой yisol/IDM-VTON, поэтому описание составлено по ней. IDM-VTON — модель для виртуальной примерки одежды на изображениях, официальная реализация работы «Improving Diffusion Models for Authentic Virtual Try-on in the Wild». Она дообучена на базе Stable Diffusion XL 1.0 Inpainting и предназначена для переноса одежды на изображение человека с сохранением естественного вида. Модель принимает изображения и выдаёт изменённое изображение; в репозитории представлены форматы Diffusers, ONNX, PyTorch и Safetensors. Карточка содержит демоверсию и код инференса, но обучение модели не описано. Лицензия CC BY-NC-SA 4.0 ограничивает использование условиями некоммерческого распространения и требует сохранять ту же лицензию для производных работ.

ifoodie-rating-reset-v13 — модель классификации изображений, опубликованная пользователем sainteye. Она предназначена для оценки изображений еды по трём категориям: «качественная», «плохая» и «обычная». Судя по метаданным, модель использует архитектуру Swin Transformer и реализована с помощью PyTorch и Transformers; размер модели составляет около 33 млн параметров. Модель подходит для автоматической сортировки и предварительной оценки фотографий блюд, например в приложениях о еде или каталогах ресторанов. В README для неё указана метрика accuracy со значением около 0,9884, однако эта оценка относится к конкретному набору данных и не гарантирует аналогичную точность на других изображениях. Модель специализирована на трёх категориях качества и может быть чувствительна к освещению, ракурсу, фону и содержимому фотографий. Информация о лицензии в предоставленных данных отсутствует.

Kids Scroll Story Model — компактная языковая модель для генерации и продолжения коротких детских историй. Репозиторий подготовлен для приложения Kids Scroll и содержит веса в формате GGUF; запуск на устройствах возможен через llama.cpp и WebAssembly runtime wllama без подключения к серверу. Модель основана на TinyStories-33M и обучалась на датасете TinyStories с короткими синтетическими рассказами на английском языке. Она рассчитана на простые сюжеты для детей примерно 2–6 лет: о животных, дружбе, приключениях и добрых поступках. Контекст модели составляет около 128 токенов, поэтому длинные истории нужно генерировать отдельными фрагментами. Модель ориентирована на художественное повествование, а не на фактические ответы и энциклопедические сведения. Для использования с детьми создатели Kids Scroll применяют дополнительную фильтрацию на стороне приложения; сама модель не гарантирует возрастную уместность каждого ответа. Лицензия репозитория — MIT.

Модель athirdpath/Llama-3.1-Instruct_NSFW-pretrained_e1-plus_reddit — дообученная версия Llama 3.1 Instruct от athirdpath, дополнительно обученная в течение одной эпохи на текстах из Reddit-Dirty-And-WritingPrompts с исключением примеров с оценкой ниже 2. Это языковая модель для генерации текста и диалогов; автор называет целью обучения снижение повторов и излишней уверенности в ответах, стараясь сохранить логические способности модели при размере до 8 млрд параметров. Модель имеет плотную архитектуру LlamaForCausalLM, 7,5 млрд параметров и контекст до 131 072 токенов; карточка указывает английский язык и формат Safetensors. В README приведены результаты оценок IFEval и BBH, но без сравнительных данных они не подтверждают заявленное улучшение качества. Модель ориентирована на NSFW-сценарии и помечена как не для всех аудиторий. Лицензия — Apache 2.0.

LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING — чекпойнт для генерации изображений по текстовому описанию и преобразования изображений. Репозиторий рассчитан на использование с библиотекой Diffusers; метаданные указывают на архитектуру Stable Diffusion XL Inpaint. В README приведён пример генерации изображения из текстового запроса через Diffusers. Модель подходит для создания изображений с заданными объектами, стилем и визуальными деталями, а также для сценариев редактирования изображений. В названии и тегах указана ориентация на контент для взрослых. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Карточка модели mrlonelydwarf/LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING на Hugging Face совпадает с карточкой andro-flock/LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING, поэтому описание составлено по ней. LUSTIFY-SDXL-NSFW-checkpoint-v2-0-INPAINTING — чекпойнт для генерации изображений по текстовому описанию и преобразования изображений. Репозиторий рассчитан на использование с библиотекой Diffusers; метаданные указывают на архитектуру Stable Diffusion XL Inpaint. В README приведён пример генерации изображения из текстового запроса через Diffusers. Модель подходит для создания изображений с заданными объектами, стилем и визуальными деталями, а также для сценариев редактирования изображений. В названии и тегах указана ориентация на контент для взрослых. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Mahou-1.3-spark-7B — разговорная модель, разработанная FlammenAI и дообученная на базе arcee-ai/Arcee-Spark. Она предназначена для коротких сообщений в диалоге, непринуждённой беседы и ролевых сценариев. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. Для диалогов применяется формат ChatML. Модель дообучена на наборах FlameMix-DPO-v1, MahouMix-v1 и Grill-Flammen-v1_chatML. Распространяется в формате safetensors по лицензии Apache-2.0. README сообщает о настройках для SillyTavern и рекомендуемых стоп-строках; модель ориентирована на короткие ответы, поэтому её не следует считать специализированной для длинных развёрнутых ответов.

MaskFormer — модель компьютерного зрения, разработанная командой Facebook и обученная для семантической сегментации изображений на ADE20K. Это версия small с backbone Swin; архитектура MaskFormer предсказывает набор масок и соответствующих им меток и применяет общий подход к сегментации объектов, семантической и паноптической сегментации. Данный чекпойнт предназначен для семантической сегментации сцен. Модель принимает изображение и выдаёт сегментацию по классам. В метаданных указаны форматы PyTorch и Safetensors, а также лицензия other. README не приводит подробностей о поддерживаемых классах, качестве на отдельных наборах данных или условиях лицензии.

Synaptics Piper-TTS — комплект моделей синтеза речи Piper на базе архитектуры VITS, подготовленный Synaptics для платы Torq SL2619. Текст преобразуется в фонемы с помощью espeak-ng; часть модели выполняется на CPU через ONNX Runtime, а вокодер HiFi-GAN — на NPU. Репозиторий содержит три голоса: два для американского английского и один для мексиканского испанского, включая многоговорящий en_US-libritts_r-medium с 904 голосами и одноговорящие варианты en_US-lessac-low и es_MX-ald-medium. Модель предназначена для локального преобразования текста в аудио на SL2619. Разделение вычислений между CPU и NPU и статические окна вокодера позволяют ускорить синтез; README сообщает о 1,96–2,13-кратном ускорении относительно CPU-only на описанных тестах платы. Частота дискретизации зависит от голоса: 16 или 22,05 кГц. Для запуска нужны подходящая плата, ONNX Runtime, Torq NPU и компоненты фонемизации. Голоса Piper и модели распространяются по лицензии MIT; поставляемый phonemizerd статически связывает espeak-ng под GPLv3.

Jack04810 разработал SPAC Qwen3-14B Spatial-PE — дообученную плотную авторегрессионную модель семейства Qwen3 для понимания и генерации 3D-сеток. Модель содержит 14,2 млрд параметров и использует расширенный словарь из 200 824 токенов: базовую BPE-токенизацию и специальные пространственные токены для сеток и координат. Она принимает текстовые запросы и последовательности пространственных токенов, выдаёт текст и последовательности токенов 3D-сетки. Модель предназначена для диалоговых сценариев с 3D-сетками: описания, интерпретации и генерации сеток по тексту. Контекст составляет 40 960 токенов. Для инференса требуется SPAC spatial-PE wrapper и таблица слияния hf_main_merge_table.json, чтобы воспроизвести позиционное кодирование, применённое при обучении. Указанная лицензия — other; конкретные условия следует уточнить в карточке репозитория.

Sparse-AST-BWM — семейство авторегрессионных языковых моделей на уровне байтов для генерации кода Blender Python и процедурной 3D-графики. Модели используют последовательные блоки трансформера с причинным многоголовым вниманием, RMS-нормализацией, трёхмаршрутной поэлементной активацией и рекуррентной памятью BMW; входные эмбеддинги связаны с выходной проекцией. В репозитории описаны варианты размером 3M, 10M и 100M параметров с контекстом 64, 64 и 32 токена соответственно. Модель предназначена для дополнения Blender Python и создания скриптов для сцен, сеток, трансформаций, камер, материалов и геометрических операций с использованием bpy, mathutils и bmesh. В README также описан отдельный экспериментальный чекпойнт расширения семейства, результаты которого не следует считать гарантией улучшенного качества. Модель не является универсальным диалоговым помощником; сгенерированный код может быть неполным или ошибочным, а текстовые прокси-оценки не подтверждают корректность выполнения в Blender или визуальный результат. Лицензия — Apache-2.0.

Uncensored-Frank-Llama-3-8B — диалоговая языковая модель от ajibawa-2023, дообученная на базе Meta Llama 3 8B. Она предназначена для откровенных бесед на широкий круг тем, включая политику, спорные вопросы и личный опыт, и рассчитана на сценарии, где требуется менее ограниченный стиль ответов. Модель обучена на примерно 150 000 наборах диалогов; для общения используется формат ChatML. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке. Автор сообщает об отсутствии или минимальном уровне защитных ограничений, поэтому ответы могут затрагивать чувствительные темы и содержать нежелательный контент. Веса доступны в формате safetensors; лицензия указана как llama3.

mabahboh/wav2vec2-ser — модель классификации аудио, дообученная на основе elgeish/wav2vec2-large-xlsr-53-arabic. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 402,7 млн параметров. README сообщает о результатах на оценочном наборе: accuracy 0,5944, macro F1 0,5922 и UAR 0,5944. Модель предназначена для классификации аудиозаписей. Название репозитория предполагает задачу распознавания эмоций в речи, однако README не описывает классы, набор данных или сценарии применения, поэтому конкретное назначение классификатора по доступным сведениям подтвердить нельзя. Базовая модель ориентирована на арабскую речь, но поддерживаемые этой производной языки не перечислены. Модель распространяется по лицензии Apache-2.0.

Модель chiranjeevisagi/wav2vec2-vedic-aligner — дообученная на напевном санскрите версия wav2vec2-CTC, созданная на основе addy88/wav2vec2-sanskrit-stt. Она предназначена для принудительного выравнивания известной транскрипции на деванагари с записью ведического песнопения и оценки произношения по выходным вероятностям модели; это не универсальная система распознавания санскрита. Архитектура Wav2Vec2ForCTC содержит 113,3 млн параметров, принимает аудио и выдаёт текстовые токенные гипотезы и эмиссии для выравнивания. Обучение на 43,5 часах напевного санскрита Vedavani включало изменение скорости воспроизведения от 0,85 до 1,25 раза. README сообщает CER 0,084 на отложенном тесте Vedavani и 0,064 на отдельной записи учителя. Для корректного выравнивания необходимо явно задавать CTC blank с id 0: номинальный blank в конфигурации не соответствует фактически используемому пустому токену. При декодировании также нужно самостоятельно удалять этот токен. Модель ориентирована на песнопения и может хуже работать с обычной речью или иными условиями записи. Распространяется по лицензии Apache-2.0.

aBagOfChips — слитая модель на основе Kitsch-In-Sync v2 и GoodLife, опубликованная Yntec. Она предназначена для генерации изображений по текстовым запросам, в частности иллюстраций упаковок чипсов и рекламных сцен с ними. В карточке приведены примеры упаковок с картофельными чипсами, пиццей, компьютерными чипами и бургерной тематикой. Модель работает через StableDiffusionPipeline из библиотеки diffusers; веса доступны в форматах Diffusers и Safetensors. Для использования указана лицензия CreativeML OpenRAIL-M. Размер модели, контекст и поддерживаемые языки в предоставленных данных не описаны.

Novaciano/BADMISTRAL-1.5B-NSFW2-GGUF — англоязычная чат-модель для генерации текста, опубликованная в формате GGUF для запуска через llama.cpp. Она основана на дообученной модели UnfilteredAI/BADMISTRAL-1.5B и связана с датасетом UnfilteredAI/NSFW-2. Репозиторий предлагает вариант квантования IQ4_XS; в метаданных указаны формат GGUF и лицензия Apache-2.0. Модель предназначена для диалогов и генерации текста, в том числе контента для взрослой аудитории. Размер базовой модели — 1,5 млрд параметров. Карточка не приводит длину контекста и подробных результатов оценки качества; небольшая ёмкость модели может ограничивать сложные рассуждения и точность ответов.